一种基于2D-DWT和2D-PCA的人脸识别方法

提出了一种联合图像二维离散小波变换（2D-DWT）和二维主成分分析（2D-PCA）的人脸识别方法。首先通过2D-DWT将当前图像分解成四个子图像,其中一子图像对应原图像的主体部分（低通部分）,其余三个子图像则对应图像的细节部分（高通部分）。在此基础上,采用2D-PCA方法分别对每一子图像进行特征提取。此外,文中还提出了一种简单有效的方法对各子图像中所提取的特征进行融合,根据所得到的特征进行人脸识别。同其他基于小波分解的人脸识别方法相比,所提出的方法能更充分地利用人脸图像的有用判别信息,并得到更好的识别结果。     

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.     

基于环形对称Gabor变换和2DPCA的人脸识别算法

与传统Gabor小波变换相比,环形对称Gabor变换（CSGT）具有信息冗余度低和严格的旋转不变性的优点。提出了一种基于环形对称Gabor变换与2DPCA的人脸识别新算法,首先将所有人脸图像都变换到环形对称Gabor变换域,然后按照两种融合方案将不同尺度的特征融合到一起,最后采用2DPCA方法进行特征提取和分类。在ORL人脸数据库上进行仿真实验并与传统的2DPCA、GT+2DPCA等方法做了对比,实验结果表明提出的算法不但取得了更好的识别效果,而且提高了识别速度。     

基于2D-PCA的两级LDA人脸识别方法

线性鉴别分析(LDA)小样本问题的已有解决方法在构造最优投影子空间时未完整利用LDA的4个信息空间,为此,提出一种基于二维主成分分析(2D-PCA)的两级LDA人脸识别方法。采用减法运算对样本类内散度矩阵和类间散度矩阵的特征值矩阵求逆,以解决小样本问题,并连续应用Fisher准则和修改后的Fisher准则连接2个投影子空间,获取包含LDA的4个信息空间的最优投影方向,利用2D-PCA对输入样本做预处理,以减少计算复杂度。在ORL和YALE人脸库上的实验结果表明,该方法虽然训练时间略有增加,但识别率分别为92.5%和95.8%,优于其他常用LDA算法。     

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。     

2DPCA+2DLDA和改进的LPP相结合的人脸识别算法

针对局部保持投影（LPP）算法无监督且只保留局部信息的特性,提出一种2DPCA+2DLDA和改进的LPP相结合的人脸识别算法。将训练集样本用2DPCA+2DLDA算法进行投影,保留数据整体空间信息和分类信息;引入类内、类间信息对LPP算法的关系矩阵进行优化,使LPP成为有监督的非线性学习方法,采用改进的LPP（ILPP）算法对训练集图像进行二次投影,提取样本的局部流形信息,并作为人脸识别信息进行鉴别。在Yale和ORL人脸库的测试结果验证了该方法的有效性。     

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。     

基于PCA和SVM算法的人脸识别

人脸识别是计算机视觉和图像模式识别领域的一个重要技术。主成分分析（PCA）是人脸图像特征提取的一个重要算法。而支持向量机（SVM）有适合处理小样本问题、高维数及泛化性能强等多方面的优点。文章将两者结合,先用PCA算法进行人脸图像特征提取,再用SVM进行分类识别。通过基于ORL人脸数据库的计算机仿真实验表明,该方法具有很好的可行性和实际意义。     

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。     

巴氏距离与PCA结合的人脸识别

利用巴氏距离（Bhattacharyya Distance）和PCA（Principal Component Analysis）相结合进行人脸识别研究,提出了使用巴氏距离和PCA相合的算法对特征进行提取。当特征向量维数高时,首先对样本K-L（Karhunen-Loeve）变换进行降维,然后采用巴氏距离特征的迭代算法,得到最小错误率上界。基于ORL人脸数据库的实验表明该方法的识别性能优于LDA、HPCA、HLDA,采用文中的算法可以有效地提高识别率,减少巴氏距离特征计算时间,具有较强的实用性。     

基于小波包融合与矩阵主成分分析的人脸识别

提出一种改进的小波包融合＋2DPCA方法,先对图像进行二层小波包分解,再选取最利于判别分类的4幅高频子图进行融合,将融合子图与低频子图分别进行2DPCA降维和特征提取,最后进行决策级融合,得到识别结果。在Yale和JAFFE标准人脸库上的实验结果表明,该改进方法能有效提高识别率。     

一种改进的2DPCA人脸识别方法

在小样本情况下,传统的2DPCA算法中采用的训练样本的平均值不一定就是训练样本分布的中心,为了解决这个问题,提出了一种基于样本中间值的2DPCA人脸识别算法（M2DPCA）,该算法采用训练样本的中间值代替训练样本的平均值,以此重建总体散布矩阵。在ORL和FERET人脸数据库上的实验结果证明,新方法可以有效改善识别性能,优于传统的PCA和2DPCA方法。     

融合小波与2D PCA的贝叶斯人脸识别

提出了融合小波和2DPCA进行贝叶斯人脸识别的方法。对原始图像采用小波分解后,利用2DPCA计算人脸的特征矢量空间。首先对低频子图进行贝叶斯人脸识别,然后对得分前五名的图像再次利用高频子图并行进行识别,通过加权排序得到最后结果。实验表明,与传统的方法相比较,该方法降低了运算量,提高了识别率。     

复杂背景下的人脸定位识别方法

现有的人脸识别算法多在标准库上进行,缺少对复杂背景下人脸识别问题的研究。提出一种快速的人脸定位识别方法,旨在解决复杂背景中人脸的定位和识别问题。在定位方面,提出一种新的自适应肤色分割的人脸定位算法,充分考虑类肤色背景对定位算法的影响,使该算法在户外环境下的人脸定位精度较传统方法有了一定的提高;识别方面,采用局部SVD方法提取人脸图像特征值,以PCA算法加以识别,新算法改进了传统PCA训练速度慢、内存占用大的缺陷。通过对ORL人脸库以及自制人脸库的实验分析,结果表明该方法不仅能解决复杂背景中人脸定位识别问题,并且高效、快速、有较好的实用性。     

一种M2DPCA和NSA相结合的人脸识别方法

将非参数子空间分析方法（NSA）和模块化2DPCA方法相结合,提出了一种模块化2DPCA+NSA方法。NSA方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,没有考虑到图像的局部特征,对图像矩阵进行分块,采用2DPCA进行特征提取,得到替代原始图像的低维新模式,施行NSA。该法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA 的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NSA方法以及该方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NSA方法。     

二维主成分分析方法的推广及其在人脸识别中的应用

提出了分块二维主成分分析(分块2DPCA)的人脸识别方法。分块2DPCA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:能方便地降低鉴别特征的维数;可以完全避免使用矩阵的奇异值分解,特征抽取方便;与2DPCA方法相比,使用低维的鉴别特征矩阵,而达到较高(至少是不低)的正确识别率。此外,2DPCA是分块2DPCA的特例。在ORL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优于2DPCA方法。     

基于自适应预处理和PCA的人脸识别方法的研究

针对传统预处理方法在特征提取之前不能对人脸图像进行局部化处理,不能分析出感兴趣区域及受背景环境影响等缺点,提出一种人脸图像的自适应预处理方法。该方法通过二维Gabor滤波器从人脸图像中确定人眼位置,通过图像分割算法提取出感兴趣区域,缩放图像,运用主分量分析方法进行特征提取,通过二维最小近邻分类法进行分类,从而完成人脸识别过程。实验结果表明,基于自适应预处理的人脸识别方法能够有效去除头发、脖子、肩及与人脸无关的部分,提高了人脸识别率,且对一定的平移、旋转、尺度变化和表情有良好的鲁棒性。     

改进的模块2DPCA与MSD结合的人脸识别

提出了一种改进的模块2DPCA与最大散度差鉴别分析相结合的人脸识别方法。该方法先对原始人脸图像采用改进的模块2DPCA抽取特征,然后对得到的特征图像的子图像块施行最大散度差鉴别分析,得到最终的特征图像。该方法不仅利用了原始图像的局部特征和类别信息,而且完全避免了使用矩阵的奇异值分解。在ORL人脸库上的实验结果验证了该方法的有效性。