主成分分析方法综述

主成分分析是一种非常有效的数据分析处理的技术,具有非常广泛的应用前景。本文首先概述了主成分分析方法,然后介绍了PCA的定义、模型、算法及选取主成分个数的标准,对PCA技术的优势和缺陷分别进行了剖析和总结,对PCA在评价排序、特征提取、模式识别、图像处理、图像分类和图像压缩等领域的实际应用进行了讨论,对主成分分析方法的发展趋势和应用前景做了展望。     

二维主成分分析方法的推广及其在人脸识别中的应用

提出了分块二维主成分分析(分块2DPCA)的人脸识别方法。分块2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其特点是:能方便地降低鉴别特征的维数;可以完全避免使用矩阵的奇异值分解,特征抽取方便;与2DPCA方法相比,使用低维的鉴别特征矩阵,而达到较高(至少是不低)的正确识别率。此外,2DPCA是分块2DPCA的特例。在ORL和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上优于2DPCA方法。     

分块多线性主成分分析及其在人脸识别中的应用研究

主成分分析(Principal Component Analysis,PCA)是人脸识别中一个经典的算法,但PCA方法在特征提取时考虑的是图像的整体信息,并没有考虑图像的局部信息,而分块PCA(Modular Principal Component Analysis,Modular PCA)则可以有效地提取图像中重要的局部信息,所以在人脸识别实验中获得了比传统PCA更好的识别效果。但PCA和Modular PCA都要进行图像的矢量化,这会破坏原始数据的空间结构,也有可能会导致"维数灾难"。多线性主成分分析(Multilinear Principal Component Analysis,Multilinear PCA)作为PCA在高维数据上的扩展,直接使用矩阵或者高阶的张量来获得有效特征,既可以避免"维数灾难",又可以体现直接将张量数据作为处理对象时保留原始数据较好基本结构信息的优点。在研究Modular PCA和Multilinear PCA的基础上,提出了分块多线性主成分分析(Modular Multilinear Principal Component Analysis,M2PCA)算法,用于识别人脸。在Yale、XM2VTS和JAFFE人脸数据库上进行了人脸识别实验,结果表明,在同等的分块条件下,所提出的方法的识别效果要优于Modular PCA的方法。     

广义余弦二维主成分分析

主成分分析(Principal component analysis, PCA) 是一种广泛应用的特征提取与数据降维方法, 其目标函数采用L2范数距离度量方式, 对离群数据及噪声敏感. 而L1范数虽然能抑制离群数据的影响, 但其重构误差并不能得到有效控制. 针对上述问题, 综合考虑投影距离最大及重构误差较小的目标优化问题, 提出一种广义余弦模型的目标函数. 通过极大化矩阵行向量的投影距离与其可调幂的2范数之间的比值, 使得其在数据降维的同时提高了鲁棒性. 在此基础上提出广义余弦二维主成分分析(Generalized cosine two dimensional PCA, GC2DPCA), 给出了其迭代贪婪的求解算法, 并对其收敛性及正交性进行理论证明. 通过选择不同的可调幂参数, GC2DPCA可应用于广泛的含离群数据的鲁棒降维. 人工数据集及多个人脸数据集的实验结果表明, 本文算法在重构误差、相关性及分类率等性能方面均得到了提升, 具有较强的抗噪能力.     

最小化相关性的二维主成分分析

指出在二维主成分分析中,特征向量的任意两个分量之间是相关的,并给出此相关性的数学表达,进一步提出最小化相关性的二维主成分分析。该方法改进二维主成分分析的目标函数,最大化特征向量间总体散度的同时,最小化特征向量各分量间的相关性。最后,在Yale标准人脸库上的实验结果表明,文中方法有较强的特征抽取能力,在识别性能上优于二维主成分分析及对角二维主成分分析。     

基于主成分分析方法的人脸识别研究

本文以MATLABE作为工具平台．通过计算输入图像和训练集图像的欧几里得距离对主成分分析算法的人脸识别效果作了仿真研究。结果表明了主成分分析算法识别人脸的有效性，论文还通过对不同光照条件建筑物的识别验证了PCA对光照条件的鲁棒性．最后提出了改进的识别方法。     

主成分分析方法(PCA)在车辆牌照识别中的应用

将主成分分析方法（PCA）应用于车牌识别。首先根据采集到样本分类构造各类样本对应特征子空间,然后对待识别字符图片进行预处理,再分别向各类特征空间投影,根据重构误差判断类别识别字符。     

基于二维主成分分析的指纹识别算法

提出一种基于指纹统计特性的识别算法.该算法根据奇异点的位置和方向,提取指纹图像的感兴趣区域(ROI),并使用二维主成分分析(2DPCA)的方法进行统计特征的提取和识别.在FVC2002指纹数据库上进行实验,结果表明:相对于PCA,该方法的计算速度更快.相对于传统的基于特征点的方法,该方法的实现更为简便.     

基于二维主成分分析的指纹识别算法

提出一种基于指纹统计特性的识别算法。该算法根据奇异点的位置和方向,提取指纹图像的感兴趣区域(ROI),并使用二维主成分分析(2DPCA)的方法进行统计特征的提取和识别。在FVC2002指纹数据库上进行实验,结果表明：相对于PCA,该方法的计算速度更快。相对于传统的基于特征点的方法,该方法的实现更为简便。     

基于二维PCA算法的三维人脸识别

在二维PCA人脸识别算法的基础上,将PCA算法用于三维人脸识别,采用鼻尖点作为特征点。在CASIA三维人脸数据库中进行测试,达到了约为89.5%的识别率,能够识别出受外界干扰如扭转角度的图片,该算法性能优良。     

分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。     

模块二维主成分分析——人脸识别新方法

提出了模块二维主成分分析(M2DPCA)线性鉴别分析方法。M2DPCA方法先对图像矩阵进行分块，对分块得到的子图像矩阵直接进行鉴别分析。其特点是：能有效地降低模式原始特征的维数；可以完全避免使用矩阵的奇异值分解，特征抽取方便；此外，2DPCA是M2DPCA的特例。在ORL人脸库上试验结果表明，M2DPCA方法在识别性能上优于PCA，比2DPCA更具有鲁棒性。     

基于完全二维对称主成分分析的人脸识别

镜像对称性是人脸的一个直观明显的自然特性,结合该特性在完全二维主成分分析的基础上提出完全二维对称主成分分析的人脸识别方法。该方法通过镜像变换得到奇对称样本和偶对称样本,分别对奇偶对称样本进行完全二维主成分分析,通过奇偶加权因子对奇偶对称样本的特征矩阵进行组合,并采用最近邻距离分类器分类。在ORL人脸数据库上的实验表明,该方法有较好的识别效果。     

软件度量中主成分分析方法的研究

文中针对软件度量的数据分析阶段存在大量相关性数据的情况,提出将主成分分析方法引入数据的分析过程。在尽可能多地保留原始数据信息的基础上,使软件度量所涉及的大量相关数据得到降维,筛选出影响被度量对象的主要因素,在降维原始数据的同时使度量的结果更加准确,度量数据的含义更加清晰明确,以达到使整个度量过程更加准确、高效的目的。     

软件度量中主成分分析方法的研究

文中针对软件度盘的数据分析阶段存在大量相关性数据的情况，提出将主成分分析方法引入数据的分析过程。在尽可能多地保留原始数据信息的基础上，使软件度量所涉及的大量相关数据得到降维，筛选出影响被度量对象的主要因素，在降维原始数据的同时使度量的结果更加准确，度量数据的含义更加清晰明确，以达到使整个度量过程更加准确、高效的目的。     

基于二维主成分分析的交通标志牌识别

提出了将二维主成分分析方法应用于交通标志牌识别的特征提取,并在已建立的两个标志牌的数据库上利用最近部分类器与欧氏距离度量进行了相应的实验。一个数据库是将标志牌图像二值化后经过一系列的仿真变换得到的,另外一个数据库是选取不同位置场景经过实地拍摄得到的标志牌图像。本方法对两个图像库的识别都得到了良好的效果。     

基于神经网络的二维主成分分析人脸识别算法

提出基于神经网络的二维主成分分析人脸识别算法.通过图像的预处理改善了图像的质量,提高了图像的亮度和对比度,降低了图像的维度,然后利用二维主成分分析方法进行人脸关键特征的提取,并将该特征作为神经网络的输入,用改进的神经网络作为分类器,并通过实验证明了算法的有效性和可行性.     

基于二维主成分分析的运动目标检测

运动目标检测是计算机视觉研究的重要领域,在视频监控和智能交通等领域应用广泛.本文提出了一种自适应的运动目标检测方法.该方法采用二维主成分分析建立背景模型,通过比较重建图像和原图像的差异来检测运动目标.为了自适应动态变化的复杂背景,该模型由增量算法在线更新.实验结果表明,提出的方法可以在复杂变化的动态背景环境下进行有效的运动目标检测.     

基于双向二维主成分分析的掌纹识别

掌纹识别是一门新兴的生物特征识别技术.使用主成分分析对图像向量进行处理,向量维教一般都很高.二维主成分分析是直接采用二维图像矩阵来构建方差矩阵,与一维主成分分析相比能更精确地计算原始数据的协方差矩阵,双向二维主成分分析是二维主成分分析的改进算法,将其应用于掌纹识别,通过在水平和垂直2个方向上各执行1次二维主成分分析运算,消除了掌纹图像行和列的相关性,运用新准则选取了更适合于分类的主分量,大大压缩了特征的维数.在香港Poly-technic Universitv的Palmprint Database测试结果表明,该方法具有更高的识别率和更低的计算复杂度.     

基于对称二维主成分分析的人脸识别

提出一种基于人脸直观上镜像对称的算法--对称二维主成分分析,并成功应用于人脸识别.该算法引入镜像变换,根据奇偶分解原理,分别生成奇偶对称样本,再分别进行二维PCA变换,生成奇偶本征空间.根据选择性集成的思想,从奇偶本征空间挑选出更具有鉴别信息的本征向量构造人脸特征提取的本征空间.提取人脸图像的各奇偶对称的二维主成分特征进行识别.理论分析与实验证明,该算法既扩大样本容量,又提高识别率,同时该算法对光照变换有一定的不敏感性.