人脸遮挡区域检测与重建

提出一种基于模糊主分量分析技术(FPCA)的人脸遮挡检测与去除方法.首先,有遮挡人脸被投影到特征脸空间并通过特征脸的线性组合得到一个重建人脸.计算重建图与原图的差图像,加权滤波后并归一化作为被遮挡的概率,以此概率为权重由原图和重建图合成新的人脸.在后续迭代中,根据遮挡概率使用模糊主分量分析进行分析重建,并使用累积误差进行遮挡检测.实验结果表明,算法可精确定位人脸遮挡区域,得到平滑自然的重建人脸图像,优于经典的迭代PCA方法.     

基于二维图像矩阵的ICA人脸识别

为了解决传统独立分量分析(ICA)在人脸识别过程中存在的高维小样本问题,同时为了提高识别效率,提出了一种基于二维图像矩阵的独立分量分析(ICA)特征提取方法.该方法将人脸图像矩阵作为训练样本,首先利用主分量分析(PCA)对训练样本进行去二阶相关和降维处理,然后对处理后的样本进行ICA特征提取,由于训练样本维数很小,因此它降低了传统ICA方法中高维小样本问题产生的识别错误率,同时减少了识别时间.在Yale人脸库和ORL人脸库上验证了该算法的有效性.     

改进的广义主分量分析及在人脸识别中的应用

广义主分量分析是一种利用图像矩阵直接计算的二维主分量分析,较传统主分量分析提高了特征抽取速度及识别率.通过对广义主分量分析中的产生矩阵进行分析,并重新定义,在类间散布矩阵定义的基础上引入了径向基函数,通过调整径向基函数的系数得到更有利于分类的特征信息,获得较高的识别率.在Yale,ORL两个人脸数据库上的实验结果表明了改进方法的有效性和鲁棒性.     

基于特征选择的二维主分量分析

提出了一种基于分类性能的二维主分量特征选择方法.即将二维主分量分析中图像总体散布矩阵的特征向量在二维线性鉴别分析的目标函数上进行投影,并选择分类性更好的特征向量进行投影.另外,为了保持原有的二维主分量分析主特征的优点,对最后的投影特征向量进行组合,也就是最后的投影特征向量选取对图像重建和图像分类分别起着重要作用的特征进行组合.在XM2VTS标准人脸库上的试验结果表明,所提出的方法融合了两种具有互补性的图像并行特征,在识别性能上优于传统的二维主分量分析方法.     

基于局部人脸图像的ICA人脸识别方法

提出了一种基于局部人脸图像独立分量分析的特征提取方法.该方法将人脸图像分成若干个相等的部分,将分成的局部人脸图像矩阵作为训练样本,并先后从水平方向,垂直方向提取训练样本的独立分量.相较于传统的独立分量分析(ICA)方法,该方法具有如下优点:有效解决了传统ICA在进行特征抽取过程中的高维小样本问题;将局部人脸图像作为训练样本,这不仅增加了训练样本数,而且有利于提取人脸局部特征;依次从训练样本的水平方向、垂直方向提取训练样本特征,使得提取的特征不仅维数更小,而且能更有效地反映样本的局部信息.以上优点使得提出的算法较传统方法在人脸识别方面更稳定,识别率更高,在Yale人脸库和AR人脸库上验证了该算法的有效性.     

基于二维主分量分析的面部表情识别

提出了一种直接基于图像矩阵的二维主分量分析(2DPCA)和多分类器联合的面部表情识别方法。首先利用2DPCA进行特征提取,然后用基于模糊积分的多分类器联合的方法对七种表情(生气、厌恶、恐惧、高兴、中性、悲伤、惊讶)进行识别。在JAFFE人脸表情静态图像库上进行实验,与传统主分量分析(PCA)相比,采用2DPCA进行特征提取,不仅识别率比较高,而且运算速度也有很大的提高。     

基于2DPCA和支持向量机的人脸检测研究

提出一种基于二维主分量(2DPCA)分析和支持向量机的层叠人脸检测算法,用于复杂背景灰度图像的人脸检测。算法首先采用2DPCA分析方法滤去大量非人脸窗口,之后用支持向量机对通过的窗口进行检测。由于在通过2DPCA分析方法的子空间内训练SVM,降低了分类器的训练难度。并且和传统的PCA方法相比,2DPCA直接采用二维图像矩阵表示人脸,进行特征提取,提高了计算效率。实验对比数据表明该算法大大提高了检测速度,降低了虚警率。     

二维投影与PCA相结合的人脸识别算法

传统的特征抽取算法是基于向量的,在模式是图像时并不方便。二维投影方法利用图像矩阵直接计算,虽然抽取特征速度快,但抽取出的特征是矩阵,对应的特征数量大,影响分类速度。该文结合二者的优点,先用二维投影处理原始图像,降维后再做主分量分析,抽取出少量的特征进行分类,识别率和分类速度均有提高。在ORL人脸库上20次实验的平均识别率达95.83%。     

双向压缩的2DPCA与PCA相结合的人脸识别算法

主成分分析(PCA)直接用于人脸识别时,需将图像矩阵转换成向量,导致求解高阶矩阵计算量大.二维主成分分析(2DPCA)的实质是对图像矩阵按行进行图像压缩抽取特征,消除了图像列的相关性,但特征教量仍然较大,影响分类速度.针对这一问题,提出了采用双向压缩的二维主成分分析消除图像行间和列间的相关性,再结合PCA进一步减少特征数量,改进人脸识别算法,该算法用于ORL人脸库上得到了较高的识别率和较快的识别速度.     

M-FPCA在彩色人脸图像识别中的应用

将因子化主成分分析（FPCA）算法应用于人脸图像特征提取时,需要使用迭代算法,但该算法应用于高分辨率图像时实时性较差,并且可能导致维数灾难。针对上述问题,提出一种模块化FPCA（M—FPCA）的新型特征提取方法。将原始数字图像样本进行模块化,对模块化后得到的各个子图像矩阵采用FPCA算法进行特征提取,合并子图像特征矩阵得到原图的特征矩阵。彩色图像由R、G、B3个分量来表示,根据现有彩色信息融合方法的不足,对其进行改进,并结合M—FPCA算法,提出一种彩色M—FPCA新方法。在CVL和FEl人脸库上进行的实验结果表明,M—FPCA方法能提高FPCA算法的实时性,解决维数灾难问题。彩色M—FPCA方法能有效提取彩色人脸图像的色彩信息,得到较高的人脸识别率。     

二维主元分析在人脸识别中的应用研究

结合二维主元分析（two-dimensional principal component analysis,2DPCA）的特点,将2DPCA算法用于人脸识别。它与主元分析（principal component analysis,PCA）的不同之处在于,2DPCA算法以图像矩阵为分析对象;而PCA算法以图像的一维向量为分析对象。2DPCA算法是直接利用原始图像矩阵构造图像的协方差矩阵。而PCA算法需对原始图像矩阵先降维、再将降维矩阵转换成列向量,然后构造图像的协方差矩阵。为了测试和评估2DPCA算法的性能,在ORL（olivetti research laboratory）与Yale人脸数据库上进行了实验,结果表明,2DPCA算法用于人脸识别的正确识别率高于PCA算法。同时,也显示了2DPCA算法在特征提取方面比PCA算法更有效。     

Probabilistic two-dimensional principal component analysis and its mixture model for face recognition

Recently, two-dimensional principal component analysis (2DPCA) as a novel eigenvector-based method has proved to be an efficient technique for image feature extraction and representation. In this paper, by supposing a parametric Gaussian distribution over the image space (spanned by the row vectors of 2D image matrices) and a spherical Gaussian noise model for the image, we endow the 2DPCA with a probabilistic framework called probabilistic 2DPCA (P2DPCA), which is robust to noise. Further, by using the probabilistic perspective of P2DPCA, we extend the P2DPCA to a mixture of local P2DPCA models (MP2DPCA). The MP2DPCA offers us a method of being able to model faces in unconstrained (complex) environment. The model parameters could be fitted on the basis of maximum likelihood (ML) estimation via the expectation maximization (EM) algorithm. The experimental recognition results on UMIST, AR face database, and the face recognition (FR) data collected at University of Essex confirm the effectivity of the proposed methods.     

非负二维主成分分析及在人脸识别中的应用

二维主成分分析是一种基于整体脸的方法,保留人脸部件之间的拓扑关系.而非负矩阵分析是基于局部特征的识别,是通过提取局部信息来实现分类.文中将两种思想的优点融合在一起,提出非负二维主成分分析.该方法改善传统非负矩阵分解只是从矩阵分解的角度考虑,没有加强分类的问题.此外,该方法在矩阵分解之前不需要将图像矩阵转换为图像向量,能快速降低鉴别特征的维数.在ORL和FERET人脸库上的实验结果表明,该方法在识别性能上优于其它方法,且更具有鲁棒性.     

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。     

分段2维主成分分析的超光谱图像波段选择

目的 超光谱图像具有极高的谱间分辨率,巨大的数据量给分类识别等后续处理带来很大压力。为了有效降低图像数据维数,提出基于分段2DPCA的超光谱图像波段选择算法。方法 首先根据谱间相关性对原始图像进行波段分组,然后根据主成分反映每个光谱波段的信息比重分别对每组图像进行波段选择,从而实现超光谱图像的谱间降维。结果 该算法有效降低了超光谱图像的光谱维数,选择的波段明显反映出不同地物像元矢量的区别。结论 实验结果表明,该波段选择算法相对传统算法速度更快,并且较好地保留了原始图像的局部重要信息,对后续处理有积极意义。     

An efficient algorithm for Kernel two-dimensional principal component analysis

Recently, a new approach called two-dimensional principal component analysis (2DPCA) has been proposed for face representation and recognition. The essence of 2DPCA is that it computes the eigenvectors of the so-called image covariance matrix without matrix-to-vector conversion. Kernel principal component analysis (KPCA) is a non-linear generation of the popular principal component analysis via the Kernel trick. Similarly, the Kernelization of 2DPCA can be benefit to develop the non-linear structures in the input data. However, the standard K2DPCA always suffers from the computational problem for using the image matrix directly. In this paper, we propose an efficient algorithm to speed up the training procedure of K2DPCA. The results of experiments on face recognition show that the proposed algorithm can achieve much more computational efficiency and remarkably save the memory-consuming compared to the standard K2DPCA.     

融合WMD矩阵与2DPCA的人脸特征抽取与识别

提出了一种融合小波矩描述子(WMD)矩阵与二维主成分分析(2DPCA)的人脸特征抽取与识别算法。该方法抽取描述人脸本质特征的WMD矩阵,利用2DPCA对该矩阵进行投影压缩降维,抽取人脸最终鉴别特征,利用最近邻分类器对特征进行分类识别。NUST603人脸库上的实验结果验证了算法的有效性。     

Color face recognition based on quaternion matrix representation

There are several methods to recognize and reconstruct a human face image. The principal component analysis (PCA) is a successful approach because of its effective extraction of the global feature and excellent reconstruction of face image. However, the crucial shortcomings of PCA are its low recognition rate and overfitting of feature extraction which leads to the dependence of training data on training samples. In this paper, a modified two-dimension principal component analysis (2DPCA) and bidirectional principal component analysis (BDPCA) methods based on quaternion matrix are proposed to recognize and reconstruct a color face image. In these methods, the spatial distribution information of color images is used to represent a color face, and the 2DPCA or BDPCA feature of color face image is extracted by reducing the dimensionality in both column and row directions. A method obtaining orthogonal eigenvector set of quaternion matrix is proposed. Numerous experiments show that the present approach based on quaternion matrix can effectively smooth the overfitting issue and substantially enhance the recognition rate.     

基于模块2DPCA的人脸识别方法

提出了模块2DPCA（two-dimensional principal component analysis）的人脸识别方法。模块2DPCA方法先对图像矩阵进行分块，将分块得到的子图像矩阵直接用于构造总体散布矩阵，然后利用总体散布矩阵的特征向量进行图像特征抽取。与基于图像向量的鉴别方法（比如PCA）相比，该方法在特征抽取之前不需要将子图像矩阵转化为图像向量，能快速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；此外，模块2DPCA是2DPCA的推广。在ORL和NUST603人脸库上的试验结果表明，模块2DPCA方法在识别性能上优于PCA，比2DPCA更具有鲁棒性。     

结构特征下的可撤销人脸识别

目的 相对于其他生物特征识别技术,人脸识别具有非接触、不易察觉和易于推广等特点,在公共安全和日常生活中得到广泛应用。在移动互联网时代,云端人脸识别可以有效地提高识别精度,但是需要将大量的人脸数据上传到第三方服务器。由于人的面部特征是唯一的,一旦数据库泄露就会面临模板攻击和假冒攻击等安全威胁。为了保证人脸识别系统的安全性并提高其识别率,本文提出一种融合人脸结构特征的可撤销人脸识别算法。方法 首先,对原始人脸图像提取结构特征作为虚部分量,与原始人脸图像联合构建复数矩阵并通过随机二值矩阵进行置乱操作。然后,使用2维主成分分析方法将置乱的复数矩阵映射到新的特征空间。最后,采用基于曼哈顿距离的最近邻分类器计算识别率。结果 在4个不同人脸数据库上的实验结果表明,原始人脸图像和结构特征图像经过随机二值矩阵置乱后,人眼无法察觉出有用的信息且可以重新生成,而且融合方差特征后,在GT （Georgia Tech）、NIR （Near Infrared）、VIS （Visible Light）和YMU （YouTuBe Makeup）人脸数据库上,平均人脸识别率分别提高了4.9%、2.25%、2.25%和1.98%,且平均测试时间均在1.0 ms之内,表明该算法实时性强,能够满足实际应用场景的需求。结论 本文算法可在不影响识别率的情况下保证系统的安全性,满足可撤销性。同时,融合结构特征丰富了人脸信息的表征,提高了人脸识别系统的识别率。