主成分分析法在掌纹图像识别中的应用

掌纹识别技术是生物特征识别领域的又一新兴技术,在网络安全、身份鉴别等方面有广阔的应用前景。将主成分分析法应用于掌纹图像的特征提取,阐释了传统主成分分析与加权主成分分析在处理掌纹图像时的差异,并在不同数据库上对两种方法进行了实验,结果表明传统主成分分析比加权主成分分析有更高的识别率以及加权主成分分析能够削弱光照对识别结果的影响。     

组合方法在人脸表情识别中的应用研究

研究人脸表情识别问题,应有效挺取脸表情特征,消除与识别无关的信息.传统的Gabor滤波器在人脸表情特征提取过程中,针对存在提取特征时间较长和特征数据存在冗余性的缺点,提出了一种Gabor和PCA相结合的特征提取,并通过支持向量机进行表情识别方法.方法首先对人脸表情进行预处理得到纯表情图像,采用Gabor提取表情特征,用PCA进行数据冗余处理和用支持向量机识别人脸表情并进行仿真.仿真结果表明,相对于传统的Gabor方法,不仅提高了人脸表情识别的正确率,而且加快了识别的速度.改进办法非常适合于人脸表情图像的分析.     

探究FactoredPCA方法及其在人脸识别中的应用

人脸识别是计算机技术与生物特征识别技术的结合,目前它在计算机与生物识别两大领域都很热门。它基于了人的脸部特征,通过图像或视频流进行判断并提取特征,再进一步与已知人脸对比,最终识别出人脸所属的身份。在这一系列环节当中,特征提取是重中之重。现如今人们已经研究出了许多种具有非接触特性的人脸识别方式。本文就利用FPCA算法对人脸特征数据库进行了特征提取计算,并通过MATLAB系统仿真功能让人脸识别应用得以实现。     

模块主成分分析在人脸重建中的应用

模块主成分分析是人脸重建中一种重要的子空间学习方法,鲁棒性不足是传统的基于L2范数的模块主成分分析(BPCA-L2)的主要问题。为此,提出了一种新的基于L1范数的模块主成分分析(BPCA-L1)方法。该方法使用了对奇异值不太敏感的L1范数。基于L1范数的模块主成分分析方法简单并易于实现,在一些人脸数据集上的重建实验验证了其有效性。     

降维方法在人脸图像识别中的分析与评估

为了提高人脸图像识别的速度和准确率,将多元统计分析中的降维方法引入到人脸图像识别系统中,分析并对比了主成分分析法（PCA）线性判别分析法（LDA）和局部保留投影（LPP）三种方法用于人脸图像识别的效果,采用YaIe B作为识别的样本和测试库,在光照条件和姿态变化条件下对三种算法进行了比较实验。实验结果表明,三种方法对人脸图像识别均能够达到一定效果,在姿态变化条件下,LDA和LPP均优于PCA,但三种方法对于光照变化均不能保持很好的鲁棒性。     

人脸识别技术在门禁系统中的应用

射频识别(RFID)技术与生物特征识别技术如今已经成为当代门禁技术的主流。提出了一种在门禁系统中利用RFID技术与人脸识别技术相结合进行身份验证的设计方案。实验表明,结合两种技术将会提高身份识别的安全性和有效性,满足了高度机密性场所安全保护和高效率管理的需要。     

基于增强的2维主成分分析的特征提取方法及其在人脸识别中的应用

为了对图像进行最优压缩,提出了两步2维主成分分析方法进行特征提取,称为增强的2维主成分分析。增强的2维主成分分析首先对图像进行行方向的2维主成分分析,再进行列方向的2维主成分分析。增强的2维主成分分析对图像进行了行方向和列方向的压缩,因此增强的2维主成分分析比2维主成分分析需要更少的系数来表示图像,需要更少的存储空间和分类时间。在ORL和FERET人脸库上的实验证明了该方法的有效性。     

对称核主成分分析及其在人脸识别中的应用

核主成分分析(KPCA)没有充分利用人脸的对称性特征,在人脸识别中缺少训练样本,致使其识别率较低。为此,提出一种对称KPCA算法。利用人脸的镜像对称性,通过对训练样本进行镜像变换,得到奇对称样本和偶对称样本,分别提取各奇/偶对称样本的特征分量,使用最近邻距离分类器完成分类。实验结果表明,该算法能扩大样本容量,当多项式阶数为2时,该算法的识别率高于KPCA算法,识别时间短于KPCA算法。     

基于统计学习的人脸表情分类

人脸表情分类是一个跨学科富有挑战性的前沿课题.采用主动外观模型(AAM)提取人脸表情特征,建立统计线性的外观模型.建模时分三步:外形建模,纹理建模和外观建模.在纹理建模中针对光照不均的情况,采用直方图均衡化的方法代替原来的迭代法,即缩小了光照偏差又提高了运算速度.分类器的设计对分类效果十分重要,根据样本训练集的概率统计特点设计了一类简单的表情分类器.最后用该方法对Yale人脸库中的表情分类进行实验,实验结果表明:该算法简单易行,运行速度比较快,具有一定的可行性.     

基于特征块主成分分析的人脸表情识别

使用特征块主成分分析(FBPCA)对人脸表情进行特征提取,然后输入最近邻分类器得到分类结果.同时,讨论了特征脸个数在实验中的影响,总结出了识别率与特征脸数量的关系.分别在JAFFE表情库上做了训练数据包含测试数据和训练数据不包含测试数据等情况的表情识别.     

分块类增广PCA及其在人脸识别中的应用

提出一种分块类增广PCA方法并应用于人脸识别中。对原始图像矩阵进行分块,对各个分块子图像施行自适应的CAPCA方法进行特征提取,将提取到的特征依次整合,从而达到降维的目的。该方法不仅能有效提取图像的局部特征,而且能适应不同的光照条件。实验结果表明,该方法在识别性能上优于CAPCA方法和分块PCA方法。     

基于特征的弹性图匹配人脸识别算法改进

针对传统人脸识别弹性图匹配算法空间复杂度高、实时性较差的问题,提出一种弹性图匹配改进算法,将人脸图片特征点经Gabor小波预处理后,结合主成分分析(PCA)和Fisher线性判别方法(FLD)对生成的特征矢量进行处理,降低维数,减少计算量,同时在不降低识别率的前提下,提高识别速度。与传统的PCA算法、FLD算法、EGM算法进行仿真比较,证明该改进算法识别率高、实时性好。     

基于主成分分析的人脸个体差异识别算法

传统基于主成分分析(PCA)的人脸识别算法不能最优区分不同种类样本。为此,提出一种新的基于PCA的人脸识别算法。利用PCA降维方法提取人脸的个体差异特征,并采用最近邻距离分类器对该特征进行分类。在ORL人脸数据库上的实验结果表明,与传统算法相比,该算法的正确识别率较高。     

人脸识别视频分析的设计与实现

智能视频监控随着大数据视频分析技术的应用得到迅速发展,通过实时监控,视频分析系统即时反应。识别出视频监控采集到的目标人脸。在基于ARM11的S3C6410嵌入式硬件平台,以Linux操作系统为软件平台,用LBP算法对人脸图像进行预处理,减少光照对识别的干扰;用PCA算法对经一致模式统计后的均衡直方图进行特征提取和降维,降低数据的计算量;对降维后的数据运用岭回归算法进行分类,设计并优化LBP＋PCA算法,结合RidgeRegression分类技术作为人脸识别视频分析的解决方案。     

人脸识别中PCA方法的推广

主成分分析(PrincipalComponentAnalysis,PCA)是公认的特征抽取的最为重要的工具之一,目前仍然被广泛地应用在人脸等图像识别领域。基于PCA,该文提出了分块PCA的人脸识别方法。分块PCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵利用PCA进行鉴别分析。其特点是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。与PCA方法相比,由于使用子图像矩阵,分块PCA可以避免使用奇异值分解理论,过程简便。此外,PCA是分块PCA的特殊情况。在Yale和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上明显优于经典的PCA方法,识别率可以分别提高6.7和4个百分点。     

基于模糊主成分分析的步态识别

提出针对步态能量图的基于模糊主成分分析的步态识别算法。通过对原始步态序列进行预处理得到步态能量图,利用模糊主成分分析提取出特征值和对应的特征向量,获得模糊主成分后将其映射到低维空间,并使用最近邻法进行分类。在CASIA数据库上对算法进行验证,实验结果证明,该算法与同类算法相比具有更好的识别性能。     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

融合PCA、LDA和SVM算法的人脸识别

为了提高人脸识别效率,提出了一种基于PCA、LDA和SVM算法融合的人脸识别方法。使用主成分分析（PCA）将人脸图像变换到新的特征空间中,消除图像特征间的相关性和噪声,提取人脸全局特征,在实验阶段取较多的投影方向使其尽可能多的保持原始信息;使用线性判别分析（LDA）算法进一步投影变换降低数据维度;使用支持向量机（SVM）分类识别。将PCA、LDA和SVM三种算法的优点结合起来,在ORL数据库上进行仿真实验,结果表明该方法的识别率可达99.0%。     

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。     

改进的模块2DPCA人脸识别算法

提出一种改进的模块2DPCA人脸识别算法,即基于子距离的模块2DPCA人脸识别算法。该算法对图像进行分块,对每一子块独立地利用2DPCA进行处理,求出测试样本子块与训练样本对应子块间的子距离,将所有子距离相加得到测试样本与训练样本的距离,用最近距离分类器分类。在ORL人脸库上的实验结果表明,该算法在识别性能上优于普通的模块2DPCA算法和修正的模块2DPCA算法。