基于对称核主成分分析的人脸识别

为了提高人脸识别技术的实用性,结合人脸镜像对称性和核主成分分析提出了一种新的人脸识别方法。首先利用小波变换压缩人脸图像数据,获取小波分解的低频分量,再通过镜像变换得到镜像偶对称图像和镜像奇对称图像,然后分别对奇偶对称图像进行核主成分分析提取奇偶特征,并且通过加权因子对奇偶特征进行融合,最后采用最近邻分类器分类。基于ORL人脸数据库的实验结果表明：该算法增大了样本容量,在一定程度上克服了光照、姿态的不利因素,提高了人脸识别率。     

基于完全二维对称主成分分析的人脸识别

镜像对称性是人脸的一个直观明显的自然特性,结合该特性在完全二维主成分分析的基础上提出完全二维对称主成分分析的人脸识别方法。该方法通过镜像变换得到奇对称样本和偶对称样本,分别对奇偶对称样本进行完全二维主成分分析,通过奇偶加权因子对奇偶对称样本的特征矩阵进行组合,并采用最近邻距离分类器分类。在ORL人脸数据库上的实验表明,该方法有较好的识别效果。     

基于对称二维主成分分析的人脸识别

提出一种基于人脸直观上镜像对称的算法--对称二维主成分分析,并成功应用于人脸识别.该算法引入镜像变换,根据奇偶分解原理,分别生成奇偶对称样本,再分别进行二维PCA变换,生成奇偶本征空间.根据选择性集成的思想,从奇偶本征空间挑选出更具有鉴别信息的本征向量构造人脸特征提取的本征空间.提取人脸图像的各奇偶对称的二维主成分特征进行识别.理论分析与实验证明,该算法既扩大样本容量,又提高识别率,同时该算法对光照变换有一定的不敏感性.     

基于对称的二维主成分分析及其在人脸识别中的应用

在二维主成分分析算法中引入了对称性思想,提出了基于对称的二维主成分分析算法（STDPCA）。在该算法中,首先把人脸图像分解成奇对称图像和偶对称图像,然后分别在这两类图像中进行二维主成分分析,提取所需要的特征。该算法不仅有效利用了二维主成分分析算法的优点,而且也考虑了人脸对称性的特点,因此在人脸识别中有较高的识别率。在著名人脸库ORL、YALE中的实验证明了该算法的有效性。     

基于神经网络的二维主成分分析人脸识别算法

提出基于神经网络的二维主成分分析人脸识别算法.通过图像的预处理改善了图像的质量,提高了图像的亮度和对比度,降低了图像的维度,然后利用二维主成分分析方法进行人脸关键特征的提取,并将该特征作为神经网络的输入,用改进的神经网络作为分类器,并通过实验证明了算法的有效性和可行性.     

基于特征脸的主成分分析人脸识别

采用基于PCA（主成分分析）的特征脸人脸识别方法,判断一张给定的图像是否为人脸图像。该方法通过计算训练集的特征向量,得到一个由特征脸组成的子空间,并将训练集中的人脸图像投影到该子空间中。检测人脸时,将二维的人脸图像投影到脸空间,并计算该图像与脸空间之间的欧几里得距离,以距离是否小于某一设定的阀值来识别是否人脸图像,实验测试结果准确率为97.5%。     

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。     

基于主成分分析的超声人脸识别算法研究

针对超声波探测人脸识别系统中多通道探测模式,从数据融合的角度对特征进行了优化,研究了基于主成分分析(principal components analysis,PCA)的数据降维和人脸特征提取算法.利用该算法对100人的自由表情样本进行特征提取,在保证识别率超过80％前提下,可显著降低特征向量的维数达80％以上,提高系统速度85％以上.实验结果表明,PCA算法能有效降低特征数据的维数,提高运算速度.     

鲁棒自适应概率加权主成分分析

主成分分析(Principal component analysis, PCA) 是处理高维数据的重要方法. 近年来, 基于各种范数的PCA模型得到广泛研究, 用以提高PCA对噪声的鲁棒性. 但是这些算法一方面没有考虑重建误差和投影数据描述方差之间的关系; 另一方面也缺少确定样本点可靠性(不确定性)的度量机制. 针对这些问题, 本文提出一种新的鲁棒PCA模型. 首先采用$L_{2, p}$模来度量重建误差和投影数据的描述方差. 基于重建误差和描述方差之间的关系建立自适应概率误差极小化模型, 据此计算主成分对于数据描述的不确定性, 进而提出了鲁棒自适应概率加权PCA模型(RPCA-PW). 此外, 本文还设计了对应的求解优化方案. 对人工数据集、UCI数据集和人脸数据库的实验结果表明, RPCA-PW在整体上优于其他PCA算法.     

基于主成分分析方法的人脸识别研究

本文以MATLABE作为工具平台．通过计算输入图像和训练集图像的欧几里得距离对主成分分析算法的人脸识别效果作了仿真研究。结果表明了主成分分析算法识别人脸的有效性，论文还通过对不同光照条件建筑物的识别验证了PCA对光照条件的鲁棒性．最后提出了改进的识别方法。     

基于2D-PCA和2D-LDA的人脸识别方法

提出了基于2D-PCA、2D-LDA两种特征采用融合分类器的人脸识别方法.首先提取人脸图像的2D-PCA和2D-LDA特征,对不同特征在决策层对分类器进行融合.在ORL人脸库上的试验结果表明,分类器决策层融合方法在识别性能上优于2D-PCA和2D-LDA,更具有鲁棒性.     

基于对角PCA的人脸识别方法

针对主成分分析(PCA)算法中存在没有提取人脸对角方向特征的问题,提出了先对人脸图像进行对角化的表示,然后利用PCA提取图像特征,最近邻法分类的人脸识别改进方法。基于ORL数据库的相关实验表明,这样的系统能够取得比传统PCA更好的识别性能。     

基于模糊隶属度的人脸识别应用*

针对人脸图像特征提取,应用主成分分析和二维主成分分析方法,提出用二维特征求解样本的隶属度,用主成分特征进行支持向量机分类的方法。该方法结合了二维主成分特征在选取少量分量时人脸重构图像稳定的优点和主成分特征重构图像局部特征清晰的优点。为了与二维主成分特征分类结果进行比较,通过引入矩阵内积,给出了针对二维特征的三类核函数。实验表明利用两种特征进行分类的方法在人脸识别中具有较高的精度。     

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MB-LBP算子和Multilinear PCA算法的人脸识别

针对运用MB-LBP算法提取的人脸特征维数较高、而直接用MB-LBP算法提取的特征进行人脸识别时计算量较大的问题,提出一种融合MB-LBP和Multilinear PCA算法的新的人脸识别方法。首先利用MB-LBP算法提取人脸图像的特征;然后用Multilinear PCA算法对提取的人脸特征进行降维;最后用最近邻分类器进行人脸识别。在FERET人脸库上进行验证,实验结果表明,该方法的识别率高于传统PCA、分块PCA、LBP和PCA相结合的方法。     

基于MCD稳健估计的PCA人脸识别算法

针对人脸识别中,识别效果易受人脸修饰、部分遮挡、噪声干扰等不确定因素影响的问题,提出一种MCDPCA人脸识别算法以改进识别效果。基于主成分分析（PCA）进行特征脸提取,结合最小协方差行列式方法（MCD）进行异常点检测和抗噪。针对人脸图像使用MCD算法,求出稳健的协方差矩阵估计,基于此协方差估计矩阵使用PCA技术提取重要的人脸特征用于识别。实验结果表明,在有遮挡和噪声干扰的情况下,相比传统PCA方法,该方法明显提高了人脸图像识别率。     

基于二阶双向二维主成分分析的人脸识别方法

为了克服光照变化较大的情况对识别率的影响,提出基于二阶双向二维主成分分析(Sec-(2D)2PCA)的人脸识别方法。丢弃提取人脸图像的(2D)2PCA的前几个反映光照信息的主成分。在剩余图像中再次使用(2D)2PCA方法。Yale人脸库B和Yale人脸库上的试验结果表明,该方法在识别性能上优于2DPCA、(2D)2PCA、Sec-2DPCA方法。     

基于2DPCA和RBF神经网络的人脸识别方法

采用2DPCA方法提取人脸图像的特征值,通过RBF神经网络进行训练和识别,提出一种基于2DPCA和RBF神经网络的人脸识别方法,并将此方法应用于ORL人脸库。实验结果表明,该方法不仅具有较好的人脸图像识别能力,而且能明显缩短识别算法的运行时间。     

小波包变换和二维四元数主成分的人脸识别

提出了一种用小波包变换（WPT）和二维四元数主成分分析（2DQPCA）的灰度人脸图像识别算法。将对人脸灰度图像经小波包变换得到的分解系数构成四元数矩阵,通过2DQPCA实现数据降维并构造四元数特征空间,将其划分为若干子块,对每个子块根据最近邻算法进行分类并对分类结果投票,根据投票结果实现最终的人脸识别。该方法与PCA等传统方法在Orl、Yale等四个人脸数据库上的实验结果比较表明,该方法在识别率上有明显优势,且对光照、表情变化具有鲁棒性。     

一种改进的模块PCA方法及其在人脸识别中的应用

提出了一种改进的模块PCA方法,即基于类内平均脸的分块PCA算法。该算法对每一类训练样本中每个训练样本的每一子块求类内平均脸,并用类内平均脸对训练样本类内的相应子块进行规范化处理,然后由所有规范化后的子块构成总体散布矩阵,从而得到最优投影矩阵;由训练集的全体子块的平均值对训练样本的子块和测试样本的子块进行规范化后投影到最优投影矩阵,得到识别特征;最后用最近距离分类器分类。在ORL人脸库上的试验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。