基于多级纹理频谱特征与PCA的人脸识别算法

针对主成分分析(PCA)算法在人脸识别中识别率低的问题,提出一种图像纹理频谱特征与PCA相结合的人脸识别算法。该算法利用纹理单元算子提取人脸图像纹理频谱特征,然后用PCA对所提取的特征降维,最后利用最近邻(KNN)分类器进行人脸识别。在ORL人脸库和Yale人脸库上对所提出的算法进行了测试,识别率均高于PCA、模块化二维PCA(M2DPCA)等方法,分别为96.5%和95%。实验结果表明了该算法的有效性和准确性。     

基于图像预处理下的2DPCA及人脸识别

对人脸图像进行离散小波变换来消除部分对识别无关的信息,以提高识别率并有效降低时间复杂度。同时为了抑制光照等外界条件的负面影响,还引入一种对图像灰度进行指数衰减的预处理策略,对预处理后的人脸图像采用二维主成分分析方法进行人脸识别。在YALE和ORL人脸库上试验表明,结合图像预处理的二维主成分分析(2DPCA)方法有着比PCA以及2DPCA更好的识别效果。     

融合2DPCA和模糊2DLDA的人脸识别

结合模糊集理论、双向二维主成分-线性鉴别分析((2D)2PCALDA)的特点,提出一种新的人脸图像特征提取方法。算法首先对人脸图像进行二维主成分分析(2DPCA)处理,再用模糊K近邻算法计算图像的隶属度矩阵,并将其融入到2DLDA过程中,从而得到模糊类间散射矩阵和模糊类内散射矩阵。与(2D2PCALDA相比,该算法充分利用了(2D)2PCALDA的优点,有效地提取了行和列的识别信息,并充分考虑了样本的分布信息。在Yale和FERET人脸数据库上的实验结果表明,该方法识别效果优于(2D)2PCALDA、双向二维主成分分析((2D)2PCA)等方法。     

基于差空间的双向2DPCA和SVM人脸识别算法

为降低SVM人脸识别算法对样本进行训练和识别的时间,提出了一种改进的基于差空间的双向2DPCA(Bidircctional two dimensions PCA)和SVM相结合的人脸识别算法。该方法充分考虑了表情和光照对人脸图像的影响,不但利用小波变换对人脸图像进行预处理,而且成功地把类内平均引入到双向2DPCA的计算中,并结合了SVM在分类识别方面的优势,有效节省了算法所需的时间。在Yale人脸库上的实验表明,它不但可以提高识别率,而且所用时间明显减少。     

基于对称非迭代双边2DPCA的人脸识别

结合人脸图像的对称性在非迭代双边二维主成分分析（NIB2DPCA）的基础上, 提出了对称非迭代双边二维主成分分析（SNIB2DPCA）的人脸识别方法。该方法引入镜像变换, 根据奇偶分解原理分别生成奇、偶对称样本, 用NIB2DPCA分别对奇偶对称样本提取特征, 通过奇偶加权因子对奇偶对称样本的特征矩阵进行组合得到最终的分类特征矩阵, 最后用最近邻分类器分类。在Yale、ORL和YaleB人脸库上的实验表明该方法不仅显著提高了识别率, 而且对光照影响有一定的鲁棒性。     

基于稀疏化双向二维主成分分析的人脸识别

双向二维主成分分析((2D)~2PCA)易受异常值影响,鲁棒性差,且所提取的特征向量是非稀疏的。针对上述不足,提出基于L_1范数的稀疏双向二维主成分分析方法(2D)~2PCA-L1S。在(2D)~2PCA目标函数中加入L_1范数约束,以提高算法的抗干扰能力,同时引入弹性网约束,通过Lasso与Ridge惩罚函数实现稀疏性。在Feret和Yale数据库中进行基于最近邻的人脸分类、人脸重构和基于粒子群优化SVM参数的人脸识别实验,结果表明,相较于2DPCA、(2D)~2PCA、(2D)~2PCA-L1等主成分分析方法,该方法能准确提取人脸主要信息,人脸识别和人脸重构效果较好。     

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。     

基于PCA和LDA结合的人脸识别方法的比较研究

针对用于人脸识别的主分量分析(PCA)计算量大、识别效果不佳和分类时间长,线性判别分析(LDA)存在小样本问题,比较研究几种基于PCA和LDA的人脸识别方法,这些方法包括PCA+ LDA、2DPCA+ DLDA和2DPCA+2DLDA.在理论和实验上比较研究这些方法,且在ORL和Yale人脸库的实验数据表明,结合后的方法比结合前的方法分类效果好,分类时间短,且在这几种方法中,2DPCA+2DLDA的效果最佳.     

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。     

Gabor变换仿生人脸识别

针对主成分分析(PCA) 方法在特征提取和降维方面的不足,提出一种Gabor特征筛选的仿生人脸识别方法.首先提取人脸图像Gabor特征向量, 经2DPCA方法降维处理后用仿生识别方法对其进行人脸识别.在AR 人脸库上验证了该方法的有效性.实验结果显示, 该方法的分类准确性高于仿生识别方法和PCA 等方法.     

基于数据库编程语言的海量邮件数据分类技术

针对海量邮件数据的处理需求和实际业务需要,设计了基于数据库编程语言的海量邮件自动分类系统。该系统由特征学习模块、数据库查询模块和贝叶斯分类模块3部分构成。结合贝叶斯分类算法,利用PL/SQL语言与数据库交互时的高效性特点,在ORACLE PL/SQL存储过程中完成对未知邮件的特征提取和表示,实现对海量邮件数据的有效分类。     

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。     

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。     

一种基于完全2DPCA的二次特征选择方法

提出一种基于完全二维主元分析(2DPCA)的二次特征选择方法用于人脸识别。该方法针对PCA及其改进方法的不足,结合完全2DPCA方法,用免疫算法和基于最近邻分类器的5阶交叉验证方法完成对人脸特征二次选择。基于ORL人脸数据库和Yale人脸数据库的实验结果表明,该方法识别效果较好。     

关于二维主成分分析方法的研究

The principal component analysis (PCA), or the eigenfaces method, is a de facto standard in human face recognition. Numerous algorithms tried to generalize PCA in different aspects. More recently, a technique called two-dimensional PCA (2DPCA) was proposed to cut the computational cost of the standard PCA. Unlike PCA that treats images as vectors, 2DPCA views an image as a matrix. With a properly defined criterion, 2DPCA results in an eigenvalue problem which has a much lower dimensionality than that of PCA. In this paper, we show that 2DPCA is equivalent to a special case of an existing feature extraction method, i.e., the block-based PCA. Using the FERET database, extensive experimental results demonstrate that block-based PCA outperforms PCA on datasets that consist of relatively simple images for recognition, while PCA is more robust than 2DPCA in harder situations.     

单样本条件下权重模块2DPCA人脸识别

针对单样本人脸识别问题,提出了权重模块2DPCA识别方法。该方法首先利用模块2DPCA方法对图像矩阵进行区域分块和子图像主成分特征提取,再用光流方法度量测试图像和样本图像对应分块像素区域由于人物变化、表情不同、饰物遮蔽等造成的差异,并以此为依据对得到的样本和测试图像的特征矩阵之间的差分矩阵分块区域赋以相对权重,最后进行最邻近分类判别。在JAFFE和ORL人脸库上的实验结果表明,在同等鉴别特征维数下,权重模块2DPCA识别方法较之传统2DPCA方法和模块2DPCA方法具有更高的识别率和鲁棒性,证明了在基于PCA的人脸识别方法中加入先验知识以提高识别能力的可行性。     

二维类增广PCA及其在人脸识别中的应用

提出了一种二维类增广PCA（2DCAPCA）的人脸识别算法。用二维PCA（2DPCA）方法直接对人脸图像矩阵进行特征提取,对提取的特征进行归一化处理,将归一化处理后的特征与类别信息结合构成类增广矩阵,对类增广矩阵进行2DPCA处理,提取图像的类增广矩阵特征。由于该算法既保留了人脸图像的结构信息,又考虑了样本的类别信息,识别率有了较大的提高。通过Yale和FERET库上的实验表明,该方法对人脸识别是有效的。