改进的双向2DPCA的人脸识别方法

为了提高人脸识别的准确率,且考虑到训练样本的平均值不一定是训练样本分布中心,提出了改进的双向2DPCA人脸识别方法。首先,应用样本中间值代替样本的平均值来重建图像的总体散布矩阵,求解图像总体散布矩阵得到行列两个方向的最优投影向量,然后把人脸图像向这两个方向变换得到人脸识别特征矩阵,最后应用支持向量机进行分类识别。在ORL人脸库和Yale人脸库上对该算法进行实验研究,表明此方法在识别性能上优于普通的二维主成分分析和普通的双向二维主成分分析算法。     

2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

行列分块的核独立成分分析的人脸识别

提出一种行列分块的核独立成分分析(RC-KICA)的人脸识别方法。RC-KICA先对人脸图像矩阵按行列分块;然后对训练样本集依次进行行和列的核独立成分分析,得到左右解混矩阵;最后把训练样本子块投影到解混矩阵构成的特征空间进行特征提取及分类识别。RC-KICA更大程度地降低了样本维数,更好地解决了KICA高维小样本的缺陷。在YALE人脸库上的实验结果表明RC-KICA优于KICA和B-KICA。     

基于F范数的二维主成分分析算法及焊缝表面缺陷识别研究

针对传统二维主成分分析(two-dimensional principal component analysis, 2DPCA)算法应用于焊缝表面缺陷识别中存在重构性能及鲁棒性较弱等问题,本文将最大化投影距离和最小化重构误差引入到目标函数中,提出了一种基于F范数的非贪婪二维主成分分析算法(non-greedy 2DPCA with F-norm, NG-2DPCA-F),该算法具有良好的鲁棒性和较低的重构误差。为了进一步提取图像的结构信息和求解出维数更小的特征矩阵,进而提出一种基于F范数的非贪婪双向二维主成分分析算法(non-greedy bilateral 2DPCA with F-norm, NG-B2DPCA-F)。最后,以含有不同噪声块的焊缝表面图像数据集进行实验,结果表明,本文所提算法在平均重构误差、重构图像与分类识别实验中均表现出良好的鲁棒性能。     

基于改进二维主成分分析的在线掌纹识别

掌纹识别是生物特征识别技术的新热点,论文提出使用二维主成分分析算法(2D PCA)提取掌纹图像的统计特征,实验表明其泛化能力优于传统主成分分析算法(PCA).在此基础上,论文提出且定义了改进的二维主成分分析,并证明它在保持训练样本图像总体散度的同时更有效的提取样本特征.改进的算法在得到99.72%高识别率的同时,大幅降低了原算法的特征维数、识别计算的复杂度,使系统的实用性进一步提高.     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

基于概率PCA模型的压印字符集本征维数确定方法

提出了一种基于概率主成分分析模型(PPCA)的压印字符图像子空间维数的确定方法。首先,建立观测数据的PPCA模型;然后采用仿真数据进行仿真,对影响维数判别的各种因素进行了分析并给出了3种准则的适用范围;最后对压印字符数据集协方差矩阵的特征值曲线得到本征维数的大致区间范围,通过AIC、BIC和CAIC模型选择准则分别进行最优维数确定。实验表明,该方法可以提高算法的鲁棒性,有效地降低算法的运行时间。     

基于PCA和ICA的人脸识别

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法。     

基于主成分分析与局部二值模式的高光谱图像分类北大核心CSCD

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息,对降维后的图像利用局部二值模式进行空间纹理特征分析,采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取,保证了高光谱图像的谱间冗余的有效去除,同时保护了高光谱图像的空间局部邻域信息,因此,此类算法不但能充分挖掘高光谱图像的谱间-空间特征,在较大程度上提高分类精度和Kappa系数,而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。     

基于自适应加权Fisherface算法的人脸识别

提出了一种改进的Fisherface算法。算法首先利用Karhunen-Loeve（K-L）变换降维,在降维的子空间内,根据样本与同类样本间的距离赋予该样本一权值,再用加权后的样本求取类均值,以新的类均值重建类内散布矩阵和类间散布矩阵,从而改进Fisher判别函数。在ORL和Yale人脸库上的实验结果表明,该算法优于传统的主成分分析（PCA）方法和Fisherface方法,并能有效解决小样本情况下训练样本类均值偏离类中心的问题。     

一种M2DPCA和NFA相结合的人脸识别方法

针对非参数特征分析(nonparametric feature analysis,NFA)方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,计算复杂等缺点,提出M2DPCA+NFA相结合的方法。新方法对图像矩阵进行分块,再采用2DPCA进行特征提取,再实行NFA。该方法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NFA方法以及本方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NFA方法。     

双通道与单通道相结合的运动目标检测新方法

本文在采用双通道相位偏置天线(Displaced Phase Center Antenna,DPCA)的基础上,将DPCA中每一个通道的天线进行子图像划分,再结合两个通道所得的子图像作幅值对消,实现杂波抑制与运动目标的检测。该方法在运动目标具有方位向速度或距离向加速度时可获得比传统DPCA更好的检测效果,并通过剪切平均的方法实现运动目标的聚焦。本文首先介绍了DPCA与单通道中子图像对消的基本原理;其次,提出了将DPCA与子图像对消相结合的运动目标检测新方法,并通过剪切平均的方法聚焦运动目标;最后,本文给出了运用该方法的具体步骤,并通过仿真实验验证了本方法的有效性。     

分块NSA在人脸识别上的应用

基于非参数子空间分析(nonparametric subspace analysis,NSA)方法,提出了分块NSA方法并将应用于人脸识别上。分块NSA方法首先对图像矩阵进行分块,对分块得到的子图像矩阵再利用NSA进行鉴别分析。这样做有以下2个优点:1)能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出;2)与NSA相比,由于使用子图像矩阵,分块NSA可以避免使用奇异值分解理论,过程简便。此外,NSA是分块NSA的特殊情况。在ORL和XM2VTS人脸库上验证了该方法在识别性能上优于NSA和分块LDA方法。     

基于子模式双向二维主成分分析的人脸识别

为了减轻人脸姿态、表情和光照条件等因素变化对识别率的影响,采用了一种子模式双向二维主成分分析(Sp-(2D)2PCA)的人脸识别新方法。该方法通过对原图像进行分块处理,能有效地抽取原图像的局部特征;同时,通过采用(2D)2PCA对分块得到的子图像矩阵直接进行特征抽取,避免了矩阵向量间的转化,能精确地计算协方差矩阵的特征向量,并能有效地降低特征维数。试验结果表明,在姿态、表情和光照条件变化的情况下,Sp-(2D)2PCA都具有较好的识别性能。     

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。     

基于图像协方差无关的增量特征提取方法研究

针对2维主成分分析(2DPCA)算法无法实现在线特征提取及无法体现完整数据结构信息等问题,该文提出一种基于图像协方差无关的增量式2DPCA(I2DPCA)算法。该算法无需对图像协方差矩阵进行特征值分解奇异值分解,复杂度将大为降低,提高了特征提取速度。针对I2DPCA仅提取了横向特征的问题,又提出一种增量式行列顺序2DPCA(IRC2DPCA)算法,该算法对I2DPCA的特征矩阵再次进行纵向特征提取,保留了图像的横向与纵向结构信息,实现了行列两个方向上的特征提取与数据降维。最后,以自建的物块数据集、通用的ORL和Yale人脸数据集分别进行对比实验,结果表明,该文算法在收敛率、分类率及复杂度等性能方面均得到了显著提高,其收敛率达到99%以上,分类率可达97.6%,平均处理速度为29 帧/s,能够满足增量特征提取的实时处理需求。     

基于频移的DPCA机载雷达杂波抑制技术

该文采用杂波单元分解的方法分析了相位中心偏置天线(DPCA)对机载雷达主杂波的抑制性能,指出DPCA是一种简单的时-空二维滤波器,并分析了当主杂波中心频率不为零时DPCA杂波抑制能力下降的原因。该文还提出了一种基于主杂波中心频率频移的DPCA处理方法。理论分析和仿真结果均表明该方法具有较好的杂波抑制能力,同时该方法结构简单,便于工程实现。     

Improved synthetic aperture sonar motion compensation combined DPCA with Sub-Aperture Image Correlation

Estimation precision of Displaced Phase Center Algorithm (DPCA) is affected by the number of displaced phase center pairs, the bandwidth of transmitting signal and many other factors. Detailed analysis is made on DPCA’s estimation precision. Analysis results show that the directional vector estimation precision of DPCA is low, which will produce accumulating errors when phase cen-ters’ track is estimated. Because of this reason, DPCA suffers from accumulating errors seriously. To overcome this problem, a method combining DPCA with Sub Aperture Image Correlation (SAIC) is presented. Large synthetic aperture is divided into sub-apertures. Micro errors in sub-aperture are estimated by DPCA and compensated to raw echo data. Bulk errors between sub-apertures are esti-mated by SAIC and compensated directly to sub-aperture images. After that, sub-aperture images are directly used to generate ultimate SAS image. The method is applied to the lake-trial dataset of a 20 kHz SAS prototype system. Results show the method can successfully remove the accumulating error and produce a better SAS image.     

Research on face recognition based on IMED and 2DPCA

This letter proposes an effective method for recognizing face images by combining two-Dimensional Principal Component Analysis （2DPCA） with IMage Euclidean Distance （IMED） method. The proposed method is comprised of four main stages. The first stage uses the wavelet decomposition to extract low frequency subimages from original face images and omits the other three subimages. The second stage concerns the application of IMED to face images. In the third stage, 2DPCA is employed to extract the face features from the processed results in the second stage. Finally, Support Vector Machine （SVM） is applied to classify the extracted face features. Experimental results on the AR face image database show that the proposed method yields better recognition performance in comparison with the 2DPCA method that is not combined with IMED.     

基于PCA算法的人脸识别方法研究比较

主成分分析(Principal Component Analysis,PCA)方法是人脸识别技术中一种广泛应用的数据降维技术。当通过使用PCA变换获得的主成分去重建原始人脸图像时,能使均方误差最小。在传统的PCA基础上,Yang等人提出了2DPCA方法,避免了从图像矩阵向一维向量的转换,并在人脸识别中获得了满意的效果。文章对这两种方法做了理论上比较并给予实验数据支持,实验证明,2DPCA在识别方面略优于传统PCA算法。