基于主分量分析的BP神经网络人脸图像识别算法

本文提出了一种基于主分量分析法和反向传播神经网络的图像识别方法，并详细阐述了这种方法的具体实现过程。在整个算法过程中，主分量分析法主要用于图像的预处理，也就是提取有用的特征样本；反向传播神经网络则是作为一个分类器对未知图像进行分类。此方法具有较强的自适应性、较高的识别率以及对某些噪声的鲁棒性。     

基于BP神经网络的主分量分析人脸识别算法

提出了基于BP神经网络的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为BP神经网络的输入,由BP神经网络和后验概率转换器构成人脸识别器。针对ORL人脸库的实验结果表明该方法具有较高的识别率。     

基于BP神经网络的图像识别

随着信息技术的不断发展,数字影像技术已经渗透到生产生活的各个领域。该技术的传输和存储技术已经非常先进,但关键的图像识别技术一直是国内外的研究中心。由于传统图像识别方法的局限性,在搜索过程中还存在很多问题。神经网络为传统图像识别问题提供了一种新方法,因为它们需要较少的信息和复杂状态映射的实现。本文提出了一种基于BP神经网络的图像识别模型,利用神经网络研究。实验结果表明,该模型是高效的,具有良好的检测率。     

基于BP神经网络的图像识别研究

BP神经网络具有较强的容错性和自适应学习能力,因而在数字图像识别领域有着广泛的应用。本文在经典BP神经网络的基本算法的基础上,对BP算法的参数设置进行了优化,实现了一种基于分类的改进BP神经网络算法。通过探讨BP神经网络在数字图像分类识别中的应用,详细考察了各种参数对识别效果的影响。实验结果证明改进后的算法有很好的实用价值。     

基于独立分量分析和神经网络的人脸识别方法

提出了一种独立分量分析(ICA)和BP神经网络相结合的人脸识别方法(ICABP法),其中人脸图象独立基的提取采用快速独立分量分析方法(FastICA),BP网络采用改进的三层网络结构。该方法将ICA的空间局部特征提取功能和BP神经网络的自适应功能有机地结合起来,增强了系统的鲁棒性。实验表明,ICABP法明显提高了人脸的识别率。     

基于BP神经网络的景象匹配算法

针对以可见光图像为基准、红外图像为实测的景象匹配问题,提出了一种基于BP神经网络的景象匹配方法。该方法首先抽取满足平移、旋转、尺度不变性的Krawtchouk不变矩作为红外目标的特征描述并构造特征向量,随后,基于主分量分析法消除特征向量各个分量间的相关性,去掉多个对目标匹配识别贡献不大的特征的影响,形成描述目标的有效特征向量。接下来,构造三层BP神经网络,以有效匹配特征作为输入,匹配位置作为输出,按照经验公式确定隐层节点个数,基于样本集对红外目标在可见光基准图像中的匹配过程进行训练,最终形成智能化景象匹配识别器。实验结果表明,与常用的景象匹配算法相比,提出方法不仅具有更高的匹配精度和速度,而且鲁棒性好,能抵抗实测图像的旋转几何畸变。     

对称主分量分析及其在人脸识别中的应用

镜像对称性是人脸的一个直观显然的自然特性，有助于开发面向人脸图像的识别技术与算法，该文将在人脸识别中应用这一自然特性，提出一种新算法——对称主分量分析，该算法首先引入镜像变换，生成镜像样本；然后依据奇偶分解原理，生成镜象奇、偶对称样本，并分别进行KL展开，提取镜象奇／偶对称KL特征分量；最后，根据奇／偶对称KL特征分量在人脸中所占能量比例的不同以及对视角、旋转、光照等干扰的不同敏感程度进行特征选择，理论分析与实验证明，该算法巧妙地利用镜像样本，增强人脸识别：既扩大样本容量，显著提高识别率；又节省计算与存储开销，增强算法的实用性能。     

基于BP神经网络的2DPCA人脸识别算法

提出了基于BP神经网络的2DPCA人脸识别算法.通过图像预处理改善图像质量,降低图像维数,然后用2DPCA进行特征提取,作为BP神经网络的输入,用改进的BP神经网络作为分类器,并通过仿真证明了算法的可行性和有效性.     

基于BP神经网络的人脸检测AbaBoost算法

人脸检测在日常生产和应用非常重要。本文提出了一种基于BP神经网络的AdaBoost人脸检测算法。首先,使用BP神经网络代替YCbCr高斯模型建立肤色模型。同时,针对AdaBoost算法提出了一种新的权值更新方法。在权值更新中引入阈值与样本之间的距离。另外权重有一个边界值。最后,利用BP神经网络提取图像中的肤色候选区域,并采用改进的AdaBoost算法对图像中的人脸进行精确检测。实验结果表明,利用BP神经网络和改进的AdaBoost算法的新的解决方案比现有的方法具有更高的精度。     

基于PCA和蜂群算法优化的BP神经网络

在研究BP神经网络的基础上,针对其收敛速度慢、容易陷入局部极小值等问题进行分析,设计实现一种新的混合神经网络模型。通过引入主成分分析的思想对样本进行降维,简化BP网络的结构,之后采用蜂群算法来优化BP网络的权值,把得到的最优权值赋予该神经网络,从而使优化后的神经网络具有结构简单、泛化性好和不易陷入局部极小值等优点。仿真实验结果表明,该网络模型能够达到比较高的分类精度。     

广义主分量分析及人脸识别

传统的主分量分析和Fisher线性鉴别分析在处理图像识别问题时都是基于图像向量的。该文提出了一种直接基于图像矩阵的主分量分析方法,它的突出优点是大大加快了特征抽取的速度。在ORL标准人脸库上的试验结果表明,该文所提出的方法不仅在识别性能上优于传统的主分量分析方法和Fisher线性鉴别分析方法,而且特征抽取的速度得到了很大的提高。     

基于BP神经网络的人脸识别研究

为了对人脸图像的特征向量进行分类以达到人脸识别的目的,本文提出了运用BP神经网络进行人脸识别的方法。将人脸图像矩阵的奇异值作为识别特征,将BP神经网络作为分类器,通过实验表明该方法操作性强,结果可靠,可以快速的进行人脸图像识别。     

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。     

基于WT/PCA的自适应神经网络人脸识别方法

提出一种基于小波变换和自适应人工神经网络的PCA人脸识别方法。该方法首先在预处理中对图像进行光照强度的补偿，然后用小波变换的方法提取人脸图像的低频子带，再用PCA方法提取特征分量，并用BP人工神经网络进行训练和识别。此算法将PCA优化的特征抽取与神经网络的自适应性相结合，取得了较高的识别率和优良的抗噪声性能。     

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。     

基于多分离部件稀疏编码的人脸图像分析

考虑到不同部件(眼睛,嘴等)对人脸分析的贡献差别,提出基于多部件稀疏编码的人脸图像分析方法.首先,选取对人脸(表情)分析影响较大的几个人脸部件,然后,利用多视角稀疏编码方法学习各部件的字典,并计算相应的稀疏编码,最后,将稀疏编码输入分类器(支持向量机和最小均方误差)进行判决.分别在数据库JAFFE和Yale上进行人脸(表情)识别及有遮挡的人脸(表情)识别实验.实验结果表明,基于多部件稀疏编码的人脸分析能较好地调节各部件的权重,优于各单一部件和简单的多部件融合方法的性能.     

基于主成分分析和BP 神经网络的气体识别方法研究

本文将主成分分析法与BP算法相结合应用于气体传感器阵列信号的处理,并以一个由4个SnO2气体传感器组成的阵列为例,对其受到不同浓度的汽车、酒精二元气体的响应信号进行了分析,结果表明,主成分分析能够在保留测试数据量大量信息的前提下,给数据有效降维和预分类,以消除样本间的相关性。然后,再将所产生的新的样本空间作为BP网络输入,使之减少网络的输入数,简化网络结构,并在保持相同正确率的前提下,大大提高网络的学习速率。     

Weighted Modular Image Principal Component Analysis for face recognition

This paper proposes two feature extraction techniques that minimizes the effects of distortions generated by variations in illumination, rotation and, head pose in automatic face recognition systems. The proposed techniques are Modular IMage Principal Component Analysis (MIMPCA) and weighted Modular Image Principal Component Analysis (wMIMPCA). Both techniques are based on PCA and they use the modular image decomposition to minimize local variation. Also, the covariance matrix is calculated directly from the original image matrix. This strategy generates a smaller matrix compared with traditional PCA and reduces the computational effort. wMIMPCA assumes that parts of the face are more discriminatory than others, so a Genetic Algorithm is used to obtain weights for each region in the face image. The proposed techniques are compared with Modular PCA and two-dimensional PCA using three well-known databases, showing better results.     

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。