双向压缩的2DPCA与PCA相结合的人脸识别算法

主成分分析(PCA)直接用于人脸识别时,需将图像矩阵转换成向量,导致求解高阶矩阵计算量大.二维主成分分析(2DPCA)的实质是对图像矩阵按行进行图像压缩抽取特征,消除了图像列的相关性,但特征教量仍然较大,影响分类速度.针对这一问题,提出了采用双向压缩的二维主成分分析消除图像行间和列间的相关性,再结合PCA进一步减少特征数量,改进人脸识别算法,该算法用于ORL人脸库上得到了较高的识别率和较快的识别速度.     

基于PCA+LDA的热红外成像人脸识别

研究热红外成像人脸识别技术,提出一种基于主成分分析(PCA)和线性鉴别分析(LDA)的热红外成像人脸识别方法.针对热红外人脸图像的特点,首先对图像进行预处理得到一组标准热红外人脸图像,利用PCA算法对图像向量进行降维并提取其全局特征,对降维后的热红外人脸全局特征采用LDA算法训练生成一个使类间离散度最大、类内离散度最小的最佳分类器.最后,进行基于PCA+LDA的热红外人脸图像识别研究,实验结果表明该方法可获得较高的识别率.     

基于PCA的特征选择算法

在人脸识别的某些应用中,最好能够找到原始特征的关键子集,减少不必要的特征计算和资源耗费,而不是得到所有原始特征的映射.主成分分析法(Principal Components Analysis,PCA)是目前比较常用的人脸识别算法,PCA将人脸图像映射到能很好地表征训练图像集的特征脸空间中,但是基于PCA的人脸识别的缺陷在于原始空间所有的特征都映射到了低维特征窄间中,是基于最佳描述性特征子集.提出了一种新的基于PCA的特征选择方法,将特征选择与特征抽取相结合,对特征脸空间再进行特征选择,选择人脸原始特征集中最关键的特征,并将其应用在基于PCA的人脸识别中.     

基于粒子群优化的支持向量机人脸识别

针对传统主成分分析(PCA)算法提取人脸特征时效率低下的问题,对其求解样本协方差矩阵的特征值和特征向量的过程进行改进,提出一种基于快速PCA降维算法的人脸识别方法。使用交叉验证方法,将支持向量机(SVM)模型训练时的识别准确率作为粒子群的适应度值,利用粒子群优化算法对SVM惩罚参数和核函数参数进行全局寻优,得到参数的全局最优解,用于训练最终的分类器模型进行人脸识别。通过对ORL和Yale数据库中的人脸图像进行实验,结果表明,与传统PCA算法结合SVM模型的识别方法相比,该方法对于人脸图像具有更高的特征提取效率及识别准确率。     

二阶分块PCA的人脸特征提取方法研究

为了提取更为有效的鉴别特征,在已有的二阶特征脸方法和分块主成分分析(PCA)方法上,提出了二阶分块PCA人脸特征提取方法.该方法对原始人脸图像和经重建得到的剩余图像分别运用分块PCA,将提取的一阶和二阶特征线性组合为一个特征矩阵,再进行分类识别.此特征能更充分反映人脸图像的低频和高频特性.采用ORL人脸库和FERET人脸库的实验结果表明该二阶分块PCA正确识别率优于普通分块PCA算法,具有较强的特征提取能力.     

基于动态主成分子空间的人脸识别算法

在基于子空间分析的人脸识别中,通常是按照特征值的大小来确认主成分的重要性,并以此为基础构造一个固定的特征子空间.通过人脸图像重建分析,发现固定的特征子空间会给人脸识别带来误差,于是采用多元线性回归分析理论,提出一个动态主成分子空间构造算法.在此基础上,得到了动态PCA(主成分分析)算法和基于Gabor特征的动态PCA算法.由ORL和Georgia Tech人脸数据库上的实验结果表明,该算法不仅减少了主成分数目,而且提高了识别率.     

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%。     

支持向量机在人脸识别中的应用研究

研究人脸图像自动识别问题,由于人脸的特征维数较高,正确识别有难度,利用计算机技术对人脸图像进行分析,从中提取有效的特征来识别出人的身份,其关键技术在于人脸特征的提取和模式识别.为此,提出了一种基于支持向量机的人脸识别方法.首先采用Gabor滤波器提取人脸图像的特征,PCA降维处理消除人脸特征之间的冗余信息,然后采用支持向量机对提取特征进行训练得到最优识别模型,用最优模型对人脸进行识别.对ORL人脸图像库进行仿真实验,识别率达98%,比传统算法高出5%,实验结果表明,既减少了计算复杂度,降低训练与识别时间,又保证实时性,提高识别正确率,为人脸识别的应用提供广泛的前景.     

融合小波变换与KPCA的分块人脸特征抽取与识别算法

鉴于小波多尺度变换对高维图像特征具有良好的压缩和表达能力,提出了一种融合小波变换与KPCA(核主成分分析)方法的分块人脸特征抽取与识别算法。该算法首先对人脸图像进行分块小波变换,再根据图像块的位置分布选取不同的频率分量;然后对此分量进行KPCA特征抽取,并通过对抽取到的特征进行融合来得到最终人脸鉴别特征;最后利用支持向量机分类器进行特征分类与识别。通过对ORL和Yale标准人脸图像库的实验仿真结果表明,该算法不仅在识别性能和分类速度上明显高于传统的PCA方法及融合小波特征的KPCA方法,而且对于人脸光照、姿态和表情变化均具有良好的鲁棒性。     

基于直方图均衡化、PCA和SVM算法的人脸识别

为了提高人脸识别的识别率,本文提出了一种基于直方图均衡化、PCA和SVM算法的人脸识别。首先将人脸图像进行直方图均衡化,这样可以很好的增强图像的对比度。然后使用主成分分析(PCA)对图像进行降维和特征提取,可以减少图像识别的计算量,有效的提高识别的效率。最后,再用支持向量机(SVM)进行分类识别。在ORL人脸数据库上进行了使用验证,表明该方法能提高人脸识别的识别率。     

Color face recognition based on quaternion matrix representation

There are several methods to recognize and reconstruct a human face image. The principal component analysis (PCA) is a successful approach because of its effective extraction of the global feature and excellent reconstruction of face image. However, the crucial shortcomings of PCA are its low recognition rate and overfitting of feature extraction which leads to the dependence of training data on training samples. In this paper, a modified two-dimension principal component analysis (2DPCA) and bidirectional principal component analysis (BDPCA) methods based on quaternion matrix are proposed to recognize and reconstruct a color face image. In these methods, the spatial distribution information of color images is used to represent a color face, and the 2DPCA or BDPCA feature of color face image is extracted by reducing the dimensionality in both column and row directions. A method obtaining orthogonal eigenvector set of quaternion matrix is proposed. Numerous experiments show that the present approach based on quaternion matrix can effectively smooth the overfitting issue and substantially enhance the recognition rate.     

基于改进灰狼算法优化支持向量机的人脸识别

针对二维主成分分析法(2DPCA)与主成分分析法(PCA)相结合提取人脸特征时效率不高的问题,提出一种2DPCA和快速PCA结合与改进灰狼算法(EGWO)共同优化支持向量机的人脸识别方法。该方法在特征提取方面运用2DPCA与快速PCA相结合,以减少提取特征的维数和提取时间,从而缩短了SVM所需的识别时间。为了提高灰狼算法的全局搜索能力,引用精英反向学习策略初始化种群个体,有效增强GWO的勘探和开采能力,再将其使用到SVM中,迭代获取最佳核参数和惩戒参数,将训练得到的最终分类器应用于人脸识别中。通过6个基准测试函数与GWO和反向学习灰狼算法(OGWO)进行性能比较,改进灰狼算法的收敛精度和收敛速度更优;经ORL和Yale中的人脸图像实验,证明了改进算法相对于GWO、粒子群算法(PSO)和差分进化算法(DE)结合SVM模型的识别结果更佳且稳定性更强。     

Improved support vector classification using PCA and ICA feature space modification

An approach that unifies subspace feature selection and optimal classification is presented. Independent component analysis (ICA) and principal component analysis (PCA) provide a maximally variant or statistically independent basis for pattern recognition. A support vector classifier (SVC) provides information about the significance of each feature vector. The feature vectors and the principal and independent component bases are modified to obtain classification results which provide lower classification error and better generalization than can be obtained by the SVC on the raw data and its PCA or ICA subspace representation. The performance of the approach is demonstrated with artificial data sets and an example of face recognition from an image database.     

改进的PCA-LDA人脸识别算法的研究

主成分分析算法(PCA)和线性鉴别分析算法(LDA)被广泛用于人脸识别技术中,但是PCA由于其计算复杂度高,致使人脸识别的实时性达不到要求.线性鉴别分析算法存在"小样本"和"边缘类"问题,降低了人脸识别的准确性.针对上述问题,提出使用二维主成分分析法(2DPCA)与改进的线性鉴别分析法相融合的方法.二维主成分分析法提取...     

应用复小波和独立成分分析的人脸识别

结合双树复小波变换（DT-CWT）和独立成分分析（ICA）提出了一种人脸识别新方法。该方法首先应用双树复小波变换提取图像的特征向量,接着通过主成分分析（PCA）降低特征向量的维数,在此基础上应用独立成分分析提取统计上独立的特征向量,然后基于相关系数的分类器对特征向量进行分类。双树复小波变换具有方向与尺度选择性,并能有效的保持图像的频域信息,其与独立成分分析相结合提取的特征具有良好的分类性能。在ORL和AR人脸图像数据库上进行算法验证的结果表明该方法的有效性。     

一种基于局部排序PCA的线性鉴别算法

主分量分析(Principal Component Analysis,PCA)是模式识别领域中一种重要的特征抽取方法,该方法通过K-L展开式来抽取样本的主要特征。基于此,提出一种拓展的PCA人脸识别方法,即分块排序PCA人脸识别方法(MSPCA)。分块排序PCA方法先对图像矩阵进行分块,对所有分块得到的子图像矩阵利用PCA方法求出矩阵的所有特征值所对应的特征向量并加以标识;然后找出这些所有的特征值中k个最大的特征值所对应的特征向量,用这些特征向量分别去抽取所属的子图像的特征;最后,在MSPCA的基础上,将抽取子图像所得到的特征矩阵合并,把这个合并后的特征矩阵作为新的样本进行PCA+LDA。与PCA和PCA+LDA方法相比,分块排序PCA由于使用子图像矩阵,可以避免使用奇异值分解理论,从而更加简便。在ORL人脸库上的实验结果表明,所提出的方法在识别性能上明显优于经典的PCA和PCA+LDA方法。     

A novel face recognition algorithm for distinguishing faces with various angles

In order to distinguish faces of various angles during face recognition, an algorithm of the combination of approximate dynamic programming （ADP） called action dependent heuristic dynamic programming （ADHDP） and particle swarm optimization （PSO） is presented. ADP is used for dynamically changing the values of the PSO parameters. During the process of face recognition, the discrete cosine transformation （DCT） is first introduced to reduce negative effects. Then, Karhunen-Loeve （K-L） transformation can be used to compress images and decrease data dimensions. According to principal component analysis （PCA）, the main parts of vectors are extracted for data representation. Finally, radial basis function （RBF） neural network is trained to recognize various faces. The training of RBF neural network is exploited by ADP-PSO. In terms of ORL Face Database, the experimental result gives a clear view of its accurate efficiency.     

基于PCA的人脸识别研究

对人脸识别进行研究,将基于主要成分分析的图像训练算法用于人脸识别中,并运用最近邻分类器欧几里德距离对处理了的人脸图像集进行分类,设计一套基于PCA的人脸识别考勤系统,并运用到公司的考勤实践当中去。实践结果表明,该套系统的识别率维持在90%以上。     

基于矩阵完备投影的快速主分量分析算法

主分量分析是模式识别中经常采用的一种方法,但是由于经典的主分量分析在处理图像矩阵需要将图像展开成向量形式,因而造成其协方差矩阵维数和计算量太大,同时由于没有注意到图像矩阵中像素之间空间相关性,使得抽取的图像特征并不是优秀的,为此提出了一种基于矩阵完备投影的快速主分量分析算法(FMPCA),该算法不仅大大降低了分析过程中的计算量,而且发挥了图像矩阵行和列之间的空间特性,从而提高了整体性能。通过对NUST603、Yale和ORL图像库进行的实验证明,该算法不仅具有快速提取图像特征的能力,而且综合性能优于相应的一些主分量分析方法。     

Diagonal principal component analysis for face recognition

In this paper, a novel subspace method called diagonal principal component analysis (DiaPCA) is proposed for face recognition. In contrast to standard PCA, DiaPCA directly seeks the optimal projective vectors from diagonal face images without image-to-vector transformation. While in contrast to 2DPCA, DiaPCA reserves the correlations between variations of rows and those of columns of images. Experiments show that DiaPCA is much more accurate than both PCA and 2DPCA. Furthermore, it is shown that the accuracy can be further improved by combining DiaPCA with 2DPCA.