基于HOG-SVD特征的人脸识别

为提高复杂环境下的人脸识别率,该文提出了一种基于方向梯度直方图-奇异值分解(HOG-SVD)的人脸识别方法。首先提取整个人脸图像的HOG特征,通过奇异值分解形成图像的整体HOG-SVD特征。然后将人脸图像分成均匀子块,提取各子块的HOG-SVD特征。之后将整体HOG-SVD特征和局部HOG-SVD特征组合形成最终分类特征。最后通过支持向量机分类器对其分类。在Yale人脸库上的实验表明,该方法对表情、光照、姿态具有鲁棒性,具有较高的识别率。     

基于整体与局部奇异值分解的人脸识别方法

提出了一种基于整体与局部奇异值分解相结合的人脸识别算法。文章叙述了人脸图像的预处理、奇异值分解以及支持向量机的原理及实现过程。运用整体与局部奇异值分解,分别获得图像的整体与局部特征,然后采用支持向量机进行分类识别,实验验证了该方法的有效性。     

基于小波变换和支持向量机的人脸识别方法研究

考虑到人脸识别的非线性和小样本的特点,利用小波变换对人脸图像进行预处理,保留图像的低频段,有效地降低了图像维数并去除冗余噪声.采用奇异值分解的方法提取特征,然后利用支持向量机的方法设计人脸分类器,最后利用ORL人脸数据库进行验证,实验结果证明了该方法的有效性.     

基于线性判别边信息结合PHL的三维人脸识别

针对三维人脸识别中受光照、姿态、表情等变化而影响识别性能的问题,提出了一种原型超平面学习算法。利用SVM将弱标记数据集中的每个样本表示为一个原型超平面中层特征,使用学习组合系数从未标记的通用数据集中选择支持向量稀疏集;借助于Fisher准则最大化未标记数据集的判别能力,使用迭代优化算法求解目标函数;利用SILD进行特征提取,余弦相似性度量完成最终的人脸识别。在USCD/Honda、FRGC v2、LFW及自己搜集的人脸数据集上的实验结果表明,该算法优于其他几种三维人脸识别算法。     

基于空间支持向量域分类器的人脸识别

提出了一种基于小波变换、奇异值分解与空间支持向量域分类器相结合的人脸识别方法。在使用空间支持向量分类器对不同人脸图像的奇异特征向量进行分类时,计算所测样本到各个超球球心的距离,并根据其与超球半径的关系来判断其所归属。并在ORL人脸数据库中进行实验。实验表明提出的人脸识别方法识别精度可达97.5%。     

基于局部奇异值对称平均的人脸识别方法

提出了一种基于局部奇异值对称平均的人脸识别方法。该方法首先对原始图像进行线性映射处理;接着采用局部奇异值分解提取人脸特征,并对所获得的特征作对称平均处理;最后依据最近邻决策规则进行识别。基于ORL人脸数据库的实验结果表明,该方法大大降低了原始特征空间的维数,有效地消除了图像亮度和噪声的影响,并取得了较高且稳定的正确识别率,在人脸识别中是一种有效的方法。     

融合Gabor和Gist特征的人脸识别

为了进一步增强人脸识别系统的实用性,提高人脸识别率,提出了一种新的融合Gabor小波特征和Gist特征的人脸特征提取方法。对一幅人脸图像提取其多个尺度和方向的Gabor特征图,再对这些Gabor特征图进行处理,分别提取其Gist特征,接着再把所有Gabor特征图的Gist特征级联起来作为一人脸图像的特征向量,经过PCA方法降维处理,最后输入到支持向量机里面训练识别。通过在ORL和FERET人脸库中进行实验检测,结果表明与传统的PCA-SVM方法和Gabor特征提取方法相比,给出的方法可以大幅度提高人脸识别率。     

融合自适应加权和局部奇异值分解的人脸识别

提出了融合自适应加权和局部奇异值分解的人脸识别方法。首先,对每个训练样本分割出人脸图像的5个特殊区域并分别进行奇异值分解,提取一些较大的奇异值构成每一区域的特征向量。然后,计算各局部块的类内距离平均值和类间距离平均值,从而得到各部分对应的权值。识别阶段,计算待识别人脸图像每一区域对所有训练样本人脸图像相应区域的隶属度,最后采用加权融合策略做出判断。基于ORL和FERET人脸数据库的实验结果表明提出的方法具有有效性和可行性。     

一种用于人脸识别的非线性鉴别特征融合方法

最近，在人脸等图像识别领域，用于抽取非线性特征的核方法如核Fisher鉴别分析(KFDA)已经取得成功并得到了广泛应用，但现有的核方法都存在这样的问题，即构造特征空间中的核矩阵所耗费的计算量非常大．而且，抽取得到的单类特征往往不能获得到令人满意的识别结果．提出了一种用于人脸识别的非线性鉴别特征融合方法，即首先利用小波变换和奇异值分解对原始输入样本进行降雏变换，抽取同一样本空间的两类特征，然后利用复向量将这两类特征组合在一起，构成一复特征向量空间，最后在该空间中进行最优鉴别特征抽取．在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核Fisher鉴别分析方法，而且，在ORL人脸库上的特征抽取速度提高了近8倍．     

SVD用于人脸识别存在的问题及解决方法

通过对人脸图像奇异值的分析,证实了图像奇异值是图像在特定基空间分解得到的,这个基空间是由图像本身决定的。进一步研究发现。导致基于奇异值向量人脸识别算法识别率低的根本原因是：不同人脸图像对应的奇异值向量所在的基空间不一致、奇异值向量与人脸图像之问并不存在一一对应关系、奇异值向量具有不可分割性。最后提出了类估计基空间识别算法。在ORL、ORL-NWPU1以及ORL—NWPU2数据库进行仿真,实验结果证实了分析和所提算法的正确性。     

基于K-SVD的协同入侵检测

从编码角度出发,应用稀疏理论学习鲁棒特征。在训练过程中,融合监督类别信息,采用判别式K-SVD算法,优化学习过完备字典和线性判别函数。在测试过程中,将稀疏编码系数作为数据的表示形式,以增强表示力和判别力。实验结果表明,基于判别式K-SVD的方法能获得较高的检测率,且误报率较低,对不平衡数据集也有较好的鲁棒性。     

非平衡二叉树多类支持向量机分类方法

提出一种新的基于非平衡二叉树的支持向量机多类别分类方法。该方法通过分析已知类别样本的先验分布知识,构造一个二叉决策树,使容易区分的类别从根节点开始逐层分割出来,以获得较高的推广能力。该方法解决了传统分类算法中所存在的不可分区域问题,在训练时只需构造N-1个SVM分类器,而测试时的判决次数小于N。将该方法应用于人脸识别实验。测试结果表明,与传统分类算法相比,该方法的平均分类时间是最少的。     

基于模糊函数SVD和改进S3VM的雷达信号识别

为提升在日趋复杂的电子对抗环境中对雷达信号识别的准确率,提出了一种基于启发式采样搜索（Heuristic Sampling Search,HSS）改进S3VM的雷达辐射源信号识别算法。根据模糊函数理论,通过对雷达信号的模糊函数进行奇异值分解（SVD）,提取出奇异向量作为雷达信号识别的特征参数;针对传统的半监督支持向量机（Semi-supervised SVM,S3VM）的不足,利用改进的S3VM构建分类器对雷达信号进行分类,完成对测试样本的识别。该方法通过启发式采样搜索来寻求具有代表性的多个大边缘低密度的分类决策面,有效解决传统S3VM分类精度低且分类性能不稳定等缺点。实验结果表明,在雷达信号识别中,该算法明显提高了分类准确率。     

基于奇异值与特征融合矩阵的自适应人脸识别

为了准确快速地进行人脸识别,提出了融合人脸全局和局部特征的自适应算法。该方法利用奇异值提取人脸的全局特征和6个关键部分的局部特征进行加权融合得出特征融合矩阵,同时给出了局部特征权值的动态选择方法,并证明了特征融合矩阵的推导公式;最后使用改进的支持向量机（SVM）方法进行分类识别。试验表明,该方法不仅计算速度快、简单易用,而且有效解决了SVD识别率不高和LDA小样本空间问题,应用前景良好。     

基于张量奇异值分解的人脸识别方法

在人脸识别领域应用张量奇异值分解( TSVD)来进行人脸特征的表示和提取,克服了过去的提取方法,如主成分分析法( PCA)等过于依赖拍摄条件的缺点。 TSVD将数据转换成三维线性模型,所以能避免二维线性方法中条件改变则精确度下降的问题,使得识别算法在变化的条件下获得了相对稳定的结果。在此基础上对算法进行了优化,利用矩阵分解,在不影响算法正确率的情况下,有效减少计算量,提高算法效率。基于Matlab对该算法进行了四组实验,并将结果与用PCA方法得到的结果对比,验证了该识别算法在变化条件下显著的正确性以及稳定性;同时,对优化的TSVD算法进行了实验验证,在数据量较大的情况下,该算法速度明显提高。     

基于局部小波变换与奇异值分解的虹膜识别算法

虹膜识别以其唯一性、稳定性和非侵犯性等优点成为生物特征识别中极具发展潜力的身份识别技术。文章提出了一种基于局部小波变换和奇异值分解的虹膜识别算法。该算法首先对虹膜图像实行分窗小波分解,并对各窗口的子带图像作筛选处理,然后通过奇异值分解对筛选后的各子带图像作进一步的特征提取和压缩,得到虹膜识别特征。最后利用加权欧氏距离分类器进行识别。基于CASIA虹膜数据库的实验结果表明了该算法的有效性,为虹膜识别提供了一种新途径。     

权向量投影多平面支持向量机

提出一个多平面支持向量机算法——权向量多平面支持向量机(WMPSVM)。该方法利用差代替Rayleigh商问题,从而避免广义特征值的奇异问题。与传统分类器不同,该方法无需求解具体的超平面,仅求解两个权向量。其决策是将测试样本归为距样本投影均值距离最近的所在的类。从广义支持向量机(GEPSVM)求解目的出发,该方法在保证得到与GEPSVM相当的计算效率的前提下,能较好地求解异或问题以及一些复杂异或问题。最后在人工数据集和UCI数据集上显示,该方法的性能要好于GEPSVM。