人脸的性别分类

人脸的性别分类是指根据人脸的图像判别其性别的模式识别问题．系统地研究了不同的特征提取方法和分类方法在性别分类问题上的性能，其中包括主分量分析(PCA)、Fishel线性鉴别分析(FLD)、最佳特征提取、Adaboost算法、支持向量机(SVM)．给出了在9姿态人脸库、FERET人脸库和一个网络图片人脸库上的对比实验结果．实验表明人脸中的性别信息集中存在于某个子空间中，因此，在分类前对样本进行适当的压缩降维不但不会明显降低分类器的性能，而且可以大大减少分类的时间开销．最后介绍了将性别分类器与自动人脸检测和特征提取平台集成起来的基于人脸图像的性别判别系统．     

基于主分量分析和支持向量机的人脸检测

提出了一种基于主分量分析(PCA)和支持向量机(SVM)相结合的人脸检测方法。该方法首先利用计算复杂度较低的PCA粗分类器对输入图像遍历检测,滤除大部分非人脸窗口,再由SVM分类器进行精确判断,从而加快了检测过程。实验证明。本方法能够有效的检测出复杂背景下的人脸图像,并且处理时间比单纯使用SVM大大缩短。     

基于主分量分析与支持向量机的人脸检测研究

提出一种基于主分量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。算法首先用主分量分析方法进行粗筛选,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分类。由于在通过主分量分析方法所限定的子空间内训练SVM,有效地降低了训练的难度。实验对比数据表明,该方法降低了分类器的训练难度,计算复杂度较低,大大提高了检测速度。     

基于独立分量分析的人耳图像识别方法

人耳识别是一种新的生物特征识别技术.本文将独立分量分析应用于人耳图像的特征提取,并分别与最近邻分类器、RBF神经网络分类器和支持向量机相结合进行分类识别.实验结果表明基于独立分量分析的人耳识别方法优于传统的主分量分析方法.     

基于Hu矩和支持向量机的人脸与非人脸分类识别

区域特征和轮廓特征是表征灰度人脸图像的有效方法,而图像矩能够从整体上描述物体的几何特征.在考虑H u矩在图像形状模式表征的优势和支持向量机的分类能力的基础上提出了一种基于Hu矩和支持向量机的人脸检测方法,首先提取人脸与非人脸的Hu矩,作为图像特征,然后将特征送入支持向量机进行学习.训练采用了单样本和双样本两种方法,最后用训练得到的模型对测试样本进行测试,实验结果表明,该方法是可行的.     

基于独立分量分析和支持向量机的遥感影像融合分类算法

遥感影像分类是遥感定量化分析的重要手段,遥感影像融合是提高分类正确率的有效途径之一。本文提出一种遥感影像的融合分类算法。首先采用Contourlet变换对多光谱影像和全色影像进行融合,然后结合独立分量分析的去相关性、稀疏特性以及很好地捕捉影像重要边缘信息、纹理信息的能力,提取融合影像的独立分量特征,并用支持向量机实现分类。与其他算法的主、客观比较结果表明,该算法的实验效果较好,可有效地提高遥感影像的分类精度。     

独立分量分析在图像特征提取中的应用

本文探讨了独立分量分析在图像特征提取方面的应用.对一组自然景色图像进行独立分量分析,结果产生一组具有空间、频域的局部性及局部的方向选择性的视觉滤波器,这组视觉滤波器输出的独立元就是图像的特征(图像中的边缘和线段).利用此项技术,我们将无监督学习技术(独立分量分析)和有监督学习技术(支持向量机)相结合,提出了一种新的脸谱识别方法--基于独立分量分析和支持向量机的脸谱识别方法.利用ORL脸谱库进行脸谱识别实验以检验新方法的有效性.实验结果显示,新方法的识别率明显优于经典的特征脸方法.     

基于PCA与LBP的人脸性别分类方法

主成分分析方法（PCA）和局部二元模式算子（LBP）相融合的特征提取方法结合了PCA在提取全局特征方面的优势和LBP在提取局部纹理细节方面的优势,能够从人脸图像中提取出较好的用于支持向量机（SVM）进行人脸性别识别分类的特征。在提取图像的LBP特征时,对传统的LBP方法做了改进,采用级联的方法提取图像的LBP直方图特征。并将提取出来的LBP特征与PCA特征相结合用于SVM,实验结果表明,LBP和PCA相融合的特征较单独的PCA特征和LBP特征在性别识别上具有明显的优势。     

基于核主分量分析的脸谱识别方法

此文提出了一种新的脸谱识别方法--基于核主分量分析(KPCA)的脸谱识别方法.首先利用KPCA方法提取脸谱图象的特征,然后利用线性支持向量机进行识别.KPCA的基本思想就是首先经过一个非线性映射,将输入空间的数据映射到一个高维的特征空间中,以求数据在特征空间中线性可分(或近似线性可分),然后在特征空间中进行标准的PCA提取主元,作为特征向量.同时,我们将脸谱识别的经典方法主分量分析(PCA)(特征脸方法)和最近提出的独立分量分析(ICA)脸谱识别方法与新方法进行了比较,并利用ORL脸谱库进行实验,实验结果显示,新的方法具有较高的识别率.     

基于部件和支持向量机的人脸分类

提出一种基于部件的人脸分类方法,将人脸部件的离散余弦变换系数作为特征向量,通过支持向量机训练分类器。部件分类器确定了人脸图像中的部件区域,人脸分类器确定了人脸图像的所属类别。ORL人脸图像数据库仿真实验表明,该方法对表情、姿态变化具有很好的鲁棒性。     

基于量子遗传算法的支持向量机人脸识别技术

首先应用K-L变换对人脸图像进行特征提取,然后利用支持向量机对其进行识别。由于支持向量机的参数对识别性能有较大影响,因此这篇文章文采用量子遗传算法对支持向量机参数进行选取。算法解决了支持向量机参数选取的难题。利用ORL人脸库进行仿真实验,得到了较好的识别效率。     

基于ICA的全局人脸表示

介绍了独立成分分析在全局人脸识别中的应用,重点研究了全局人脸的独立元表示,给出了基于权向量幅值、基于比例因子和基于PCA-ICA算法的3种IC获得途径。基了Umist人脸库的实验结果表明,IC表示识别率明显高于PC表示,其中基于比例因子的IC表示识别效果最好。     

基于独立分量分析和遗传算法的图象分离方法研究与实现

在深入分析独立分量分析技术的基础上，针对常规数值求解方法容易陷入局部最优解的问题，提出了一种基于遗传算法和独立分量分析相结合的盲源分离新算法．通过对图象信号分离仿真试验表明，采用最佳保留机制和移民方式的动态补充子代个体操作，在一定的群体规模和遗传代数的情况下，该方法能实现信号的盲分离，并可获得全局最优解．对超高斯信号和亚高斯信号的混合信号，与扩展信息最大化方法相比，该方法可获得更好的分离效果。     

核主元分析及其在人脸识别中的应用

传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征,利用线性支持向量机设计分类器,实验结果表明,基于核主元分析方法的识别正确率明显优于基于主元分析法。     

基于支持向量机的自动人脸识别

首先应用K-L变换对人脸图像进行特征提取,然后利用支持向量机进行识别。由于支持向量机参数对其性能有较大影响,为此采用遗传算法对其参数进行选取。为了能用较少的特征个数得到较高的识别率以提高识别速度,对所需提取的有效特征个数一并进行了选择。算法既解决了支持向量机参数选取的难题,又能够利用较少的人脸特征得到较高的识别率。利用ORL人脸库进行仿真实验。得到了97．5％的正确识别结果,验证了算法的有效性。     

基于独立分量分析的图像融合算法

提出了一种基于独立分量分析(ICA)的图像融合算法。在图像配准的基础上，利用独立分量分析对图像进行训练获得独立分量基函数。对于待融合图像，通过训练得到的基函数对图像进行线性变换，然后在变换域根据不同的融合规则对图像进行融合，ICA反变换得到融合图像。仿真结果表明了该方法的有效性。 关键词：     

基于支持向量机的人脸分类

提出了一种基于支持向量机的人脸分类方法,首先对人脸图像作二维离散余弦变换,取离散余弦变换系数作为特征,然后用支持向量机进行分类。用Essex人脸图像数据库进行性别分类,取得了很好的分类效果。     

基于独立分量分析的二级指纹分类算法

针对传统指纹分类算法分类不均衡的缺陷,提出一种基于独立分量分析的二级指纹分类算法。从高阶统计相关性角度出发提取一组特征指纹图像,以该组图像为基,利用该组图像构成的特征空间将指纹图像线性表出,结合系数向量和Henry分类模式将指纹库细分为11个子类,建立二级索引。应用结果表明,该算法可节省运算时间,降低复杂度。     

基于独立分量分析的语种识别方法

用独立分量分析的方法计算每一种待识别语言的特征向量空间的基函数组及其系数向量各分量的概率分布,并用这两组信息来惟一刻画一种语言。测试音频通过上述两组信息计算针对每一种语言的后验概率,具有最大后验概率的语言就是最终的识别结果。实验结果表明,该方法具有快速、高效的特点。