基于复合核函数KPCA的红外人脸识别

研究人脸优化识别问题,提出一种复合核函数KPCA的红外人脸特征提取法.利用最优或者接近最优的复合核函数主元分析KPCA方法对训练样本核映射到高维空间进行特征提取预处理,并结合最近邻法分类器分类进行红外人脸识别.该方法不仅有效的提取了训练样本的非线性信息,而且有效的改进了识别效果.多次实验结果表明了,基于复合核函数KPCA的红外人脸识别率优于传统的核主元分析法(KPCA)和主元分析法(PCA).结果表明,改进方法可减少识别时间,并保证了识别率一直稳定在比较高的水平.     

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。     

基于小波分析和KPCA的人脸识别

本文探讨了基于核函数的主成分分析方法在人脸识别中的应用，首先对人脸进行haar小波分析，得到对应的人脸小波系数，再通过计算其内积核函数实现从低维空间到高维空间的非线性映射，对高维数据进行主成分分析得到用于分类的主成分，最后采用支持向量机进行分类，实验结果表明，该方法具有良好的分类性能和鲁俸性。     

基于核函数的逆Fisher人脸识别

传统Fisher判别方法存在小样本问题,而逆Fisher判别方法的识别率较低.为此,提出一种基于核函数的逆Fisher人脸识别方法,在逆Fisher准则的基础上引入核函数映射,选取合适的核函数在高维空间里提取人脸图像特征.实验结果表明,该方法能保持逆Fisher判别的鲁棒性,人脸识别率较高.     

基于测地映射分析的核稀疏描述人脸识别

针对人脸识别系统在非控制环境下易受姿态、表情和遮挡变化影响的问题,提出了一种基于测地映射分析（Geodesic Mapping Analysis,GMA）的特征提取方法。通过计算两个像素点间的测地距离来度量相似性,对提取的GMA特征进行核稀疏描述建模,并在非线性空间中实现特征的分类识别。在ORL和Yale-B人脸数据库上的实验表明,该方法在应对重度遮挡、姿态和表情变化的自由形式人脸图像方面具有更高的识别率,大大提高了人脸识别系统应对真实复杂环境的能力。     

基于KL距离的KPCA人脸识别算法

针对核主成分分析（KPCA）人脸识别算法中对全局特征变化敏感和忽略局部特征的问题,研究了一种基于KL距离的KPCA人脸识别算法。利用KL距离定义了类间距离和类内差异,设定了一个非线性优化函数来最大化类间距离,同时最小化类内差异,使提取的特征更为紧凑可分,并将其应用于KPCA算法中,利用ORL人脸图像库对算法的性能进行了测试。实验结果表明,该算法相对于传统KPCA算法具有更好的识别效果和稳定性。     

核主成分分析与典型相关分析相融合的人脸识别

人脸识别具有小样本、高维等特性。典型相关分析算法(CCA)无法准确提取人脸识别特征,不能准确刻画人脸图像的局部变化,导致人脸识别率低。为提高人脸识别率,提出一种核主成分分析与典型相关分析相融合的人脸识别算法(KPCA-CCA)。首先将人脸图像划分多个子模块,然后提取局部特征,同时采用KPCA提取全局特征,并采用CCA将两种特征进行融合,降低特征向量的维数,最后采用子模式进行人脸识别,以投票方式确定人脸的类别。采用AR与Yale数据集对KPCA-CC性能进行测试,仿真结果表明,相对于对比模型,KPCA-CCA提高了人脸识别的识别率。     

融合整体与局部特征的人脸识别算法

针对光照、表情、遮挡物等因素的影响,本文提出了一种融合整体和局部特征的人脸识别算法。首先,通过KPCA提取人脸的全局特征;然后,采用简单的图像划分方法将人脸划分成均匀小块,并用KPCA方法分别提取各块特征;最后,基于D-S证据理论的原理对整体与局部特征进行决策级融合得出最终识别结果。实验表明,该算法适应性强,识别率高。     

基于核主成分分析的步态识别方法

为了从多帧步态序列中更有效地提取步态特征并实时性地进行身份识别,提出一种有效的基于平均步态能量图(MGEI)的核主成分分析(KPCA)的身份识别方法。通过预处理技术提取出运动人体的侧面轮廓,根据步态下肢的摆动距离统计出步态周期,得到MGEI。KPCA采用非线性方法提取主成分,描述待识别图像中多个像素之间的相关性。利用KPCA的方法在高维空间对MGEI提取特征,选择合适的核函数,用方差倒数加权欧氏距离进行身份识别。实验结果表明,该算法具有较好的识别性能,并且耗时大大缩短。     

一种高性能的人脸识别方法

在基于人脸图像的身份认证系统中,最关键的技术就是如何提取人脸图像的高质量特征以及如何进行分类识别,该文就提出了一种快速、准确的人脸图像识别方法。该方法利用基于核函数的学习算法,进行人脸图像的特征提取和分类。首先,该方法分别利用核主分量分析以及核Fisher算法提取人脸图像的特征,然后对这些特征进行合理的组合以构成组合特征向量,再利用支持向量机进行识别。实验结果显示,所提出的高性能人脸识别方法的识别率高,即使对于轻度光照不均匀的人脸图像、人脸姿势的有限变化图像,也能获得较高的识别率;同时,该方法的训练速度和识别速度也非常快,完全满足人脸识别系统实时性要求。     

基于局部测地距离的TMFA的人脸识别

人脸嵌入在高维观测空间中的低维流形上,为了更精确地描述人脸空间的细微结构,提出了一种基于局部测地距离的张量边界Fisher分析的人脸识别方法。采用二维张量表示人脸空间中的样本图像和局部测地距离来计算样本近邻点。该方法更好地揭示了流形内在的几何结构,能够更精确地选择位于流形上数据点的同类和异类近邻点,同时避免小样本问题。在PIE和FERET人脸数据库上的实验表明,用该方法能够获得更高的识别率,验证了其改进的有效性。     

基于核主元分析和支持向量机的人脸识别

核主元分析(KPCA,Kernel Principal Components Analysis)具有能较好地提取非线性特征的优势;支持向量机(SVM,Support Vector Machine)具有较好的非线性映射能力,且泛化能力强。结合核主元分析与支持向量机的特点,提出了一种基于核主元分析与支持向量机的人脸识别方法。该方法首先利用核主元分析对人脸图像进行特征提取,然后依据支持向量机与最近邻准则对所提取的核主元特征进行分类识别。基于ORL(Olivetti Research Laboratory)人脸数据库的实验结果表明了该方法的有效性。     

Identity management based on PCA and SVM

A new approach for face recognition, based on kernel principal component analysis (KPCA) and support vector machines (SVMs), is presented to improve the recognition performance of the method based on principal component analysis (PCA). This method can simultaneously be applied to solve both the over-fitting problem and the small sample problem. The KPCA method is performed on every facial image of the training set to get the core facial features of the training samples. To ensure that the loss of the image information will be as less as possible, the facial data of high-dimensional feature space is projected into low-dimensional space, and then the SVM face recognition model is established to identify the low-dimensional space facial data. Our experimental results demonstrate that the approach proposed in this paper is efficient, and the recognition accuracy of the proposed method reaches 95.4 %.     

Kernel ICA: An alternative formulation and its application to face recognition

This paper formulates independent component analysis (ICA) in the kernel-inducing feature space and develops a two-phase kernel ICA algorithm: whitened kernel principal component analysis (KPCA) plus ICA. KPCA spheres data and makes the data structure become as linearly separable as possible by virtue of an implicit nonlinear mapping determined by kernel. ICA seeks the projection directions in the KPCA whitened space, making the distribution of the projected data as non-gaussian as possible. The experiment using a subset of FERET database indicates that the proposed kernel ICA method significantly outperform ICA, PCA and KPCA in terms of the total recognition rate.     

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。     

科技期刊综合评价模型-KPCA

论文提出了一种新的科技期刊综合评价模型:核主成分分析(KPCA)。通过一个非线性变换,KPCA首先将原变量空间映射到高维特征空间,然后在这个高维特征空间中进行线性主成分分析。通过核技巧,KPCA评价方法只需在原空间进行点积计算,而不必知道非线性变换的确切形式。十种科技期刊综合评价的实证表明,KPCA综合评价方法具有一定的实际应用价值。     

Kernel-based nonlinear discriminant analysis for face recognition

Linear subspace analysis methods have been successfully applied to extract features for face recognition.But they are inadequate to represent the complex and nonlinear variations of real face images,such as illumination,facial expression and pose variations,because of their linear properties.In this paper,a nonlinear subspace analysis method,Kernel-based Nonlinear Discriminant Analysis (KNDA),is presented for face recognition,which combines the nonlinear kernel trick with the linear subspace analysis method-Fisher Linear Discriminant Analysis (FLDA).First,the kernel trick is used to project the input data into an implicit feature space,then FLDA is performed in this feature space.Thus nonlinear discriminant features of the input data are yielded.In addition,in order to reduce the computational complexity,a geometry-based feature vectors selection scheme is adopted.Another similar nonlinear subspace analysis is Kernel-based Principal Component Analysis (KPCA),which combines the kernel trick with linear Principal Component Analysis (PCA).Experiments are performed with the polynomial kernel,and KNDA is compared with KPCA and FLDA.Extensive experimental results show that KNDA can give a higher recognition rate than KPCA and FLDA.     

人脸识别中基于核的子空间鉴别分析

尽管基于Fisher准则的线性鉴别分析被公认为特征抽取的有效方法之一，并被成功地用于人脸识别，但是由于光照变化、人脸表情和姿势变化，实际上的人脸图像分布是十分复杂的，因此，抽取非线性鉴别特征显得十分必要。为了能利用非线性鉴别特征进行人脸识别，提出了一种基于核的子空间鉴别分析方法。该方法首先利用核函数技术将原始样本隐式地映射到高维（甚至无穷维）特征空间；然后在高维特征空间里，利用再生核理论来建立基于广义Fisher准则的两个等价模型；最后利用正交补空间方法求得最优鉴别矢量来进行人脸识别。在ORL和NUST603两个人脸数据库上，对该方法进行了鉴别性能实验，得到了识别率分别为94％和99．58％的实验结果，这表明该方法与核组合方法的识别结果相当，且明显优于KPCA和Kernel fisherfaces方法的识别结果。     

黎曼流形的距离均方差最小降维改进算法

TRIMAP算法重新定义了图上距离的表达形式,并用近邻点对的测地距离的误差和作为衡量投影函数好坏的标准,通过这种方法可以较好地找到所需的从高维空间到低维空间转换的媒介,但是这种衡量标准不能很好地表达出TRIMAP中定义的图上距离与投影到低维空间中两点实际距离的对比关系。针对这个不足,采用了一个新的衡量标准表达式,定义一个参数m来代表对比关系,以此来解决这个缺陷,从而更好地获得最佳投影,提高识别率。实验结果表明,在ORL人脸图像的分类识别问题中获得了较好的识别性能。     

基于小波特征的快速核主分量分析技术

论文提出了基于小波特征的核主分量分析技术,即在进行非线性映射之前,首先利用小波变换对原始输入训练样本进行预处理,获取低频平滑、水平细节和垂直细节等三个子图的小波特征,然后在频域上,对它们分别进行核主分量分析(KPCA),对最终获得的3组特征向量设计了一种特征融合的方法。在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核主分量分析方法,而且,特征抽取速度提高了11倍。