融合2DDCT、2DPCA和2DLDA的人脸识别方法

二维主分量分析(2DPCA)是人脸识别中的一种非常有效的特征提取方法。二维线性判别(2DLDA)方法具有很好的分类效果。在研究这两种理论的基础上提出一种基于2DDCT(二维离散余弦变换)与2DPCA+2DLDA相结合的人脸识别方法,并在0RL人脸库上分别对单一的方法与相融合的方法进行识别比较研究。实验结果表明,提出的方法不仅提高了识别率,而且减少了训练与分类时间。     

基于改进的二维线性判别分析的人脸识别

本文提出一种新的特征提取方法,人脸图像在2DPCA投影的基础上进行B2DLDA投影提取出人脸特征.这种方法克服了传统PCA和LDA方法的小样本问题和维数灾难问题,并且充分利用了二维人脸图像矩阵空间结构信息,大幅度降低了人脸特征维数.实验证明这种方法的识别率比传统的PCA和2DPCA方法高,识别时间和训练时间比传统的PCA和2DPCA方法少.     

双向压缩二维特征抽取人脸识别新方法

提出了二维主成分分析(2DPCA)与二维线性鉴别分析(2DLDA)相结合的双向压缩投影的子空间人脸识别方法.该方法在进行一次2DPCA运算后,对特征矩阵进行转置,再进行2DLDA运算,与(2D)~2PCA与(2D)~2LDA相比,充分利用了2DPCA和2DLDA的优点,既包含了样本的类别信息,又消除了图像矩阵行和列的相关性,有效地提取了行和列的识别信息,识别特征维数也大幅度减少.在ORL和PERET人脸库上的实验表明,在不影响识别速度的情况下,其识别率优于现有二维特征提取方法.     

基于DCT融合2DPCA与DLDA的人脸识别

传统的基于主成分分析的人脸识别需要将图像矩阵转化为向量,特征提取需要花费大最时间.二维主成分分析直接利用图像矩阵,特征提取速度快,但特征数量大,影响分类速度.因此,提出了一种基于离散余弦变换(DCT)的二维主成分分析(2DPCA)和直接线性判决分析(DLDA)结合的人脸识别方法.算法首先用DCT对人脸图像进行压缩并重建,然后利用2DPCA和DLDA对人脸图像进行特征提取.最后选用最近邻分类器进行分类.在ORL人脸库上的测试结果表明,与DLDA或2DPCA算法相比,算法具有更高的识别率.     

基于稀疏表征的单样本人脸识别

提出2种基于稀疏表征SRC的单样本人脸识别方法。通过Shift或PCA重构的方法产生冗余样本,将生成的新样本作为训练样本,运用SRC进行识别分类。在ORL人脸库上的实验证明,在单样本情况下,2种方法分别比原SRC方法提高了5.56%和1.67%。与Shifted images +PCA、Shifted images +LDA、PCA重构人脸图像+LDA、PCA、LDA等方法做比较,实验表明,2个方法均具有良好的识别性能。     

基于2DPCA和LDA的人脸图像预处理与RBF神经网络的人脸图像识别研究

本文针对人脸识别应用中存在的人脸图像的高维特点,对人脸图像如何快速降维以及提取人脸主要特征,同时实现人脸识别的高效性问题进行研究。首先,分别研究了2DPCA、LDA、RBF神经网络算法。然后,综合设计了应用2DPCA+LDA方法对人脸图像进行降维和特征提取,同时利用RBF神经网络方法对人脸图像进行分类识别。最后,将本方法在ORL人脸数据库上进行实验验证,证明在识别率和时间上得到了很好的效果。     

基于2DLDA与SVM的人脸识别算法

二维线性鉴别分析（2DLDA）算法能有效解决线性鉴别分析（LDA）算法的“小样本”效应,支持向量机(SVM)具有结构风险最小化的特点,将两者结合起来用于人脸识别。首先,利用小波变换获取人脸图像的低频分量,忽略高频分量;然后,用2DLDA算法提取人脸图像低频分量的线性鉴别特征,用“一对多”的SVM多类分类算法完成人脸识别。基于ORL人脸数据库和Yale人脸数据库的实验结果验证了2DLDA+SVM算法应用于人脸识别的有效性。     

一种基于同态滤波器与Radon变换的光照不变人脸识别方法

为了减轻光照变化对人脸识别精度的影响,提出了一种结合同态滤波器与Radon变换的人脸识别方法。首先用高斯同态滤波器对人脸图像进行处理,然后进行Radon变换,将变换得到的Radon特征用2DPCA/2DLDA进行降维。在Yale和PIE人脸数据库上的实验结果表明,提出的方法在光照变化较大时,其识别精度远高于2DPCA和2DLDA,是一种高精度的人脸识别算法。     

基于2DPCA和流形学习LPP算法的人脸特征提取应用

人脸图像的特征提取是人脸识别系统中最关键同时也是难题之一。流形学习算法是近些年的人脸识别和语音识别两个领域应用较多的非线性降维方法。通过对人脸识别系统的研究,现提出一种全新的基于2DPCA(Two-Dimentional PCA)和流形学习LPP(Locality Preserving Projections)算法的特征提取方法,可为今后深入研究人脸识别技术提供较好的参考。仿真实验表明,该算法与传统特征提取PCA、LDA算法相比,可以取得更好的识别率。     

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PCA非参数子空间分析的人脸识别算法

提出一种结合二维PCA(2DPCA)的二维非参数子空间分析(2DNSA)人脸识别算法.利用2DPCA对原始图像矩阵进行特征降维,以降维后的特征为训练样本,进行二维非参数判别分析,并综合考虑类边界样本对分类的影响,采用2DNSA实现更合理的特征提取.基于Yale、LARGE人脸数据库的实验结果表明,与(2D)2pCA、2...     

On image matrix based feature extraction algorithms.

Principal component analysis (PCA) and linear discriminant analysis (LDA) are two important feature extraction methods and have been widely applied in a variety of areas. A limitation of PCA and LDA is that when dealing with image data, the image matrices must be first transformed into vectors, which are usually of very high dimensionality. This causes expensive computational cost and sometimes the singularity problem. Recently two methods called two-dimensional PCA (2DPCA) and two-dimensional LDA (2DLDA) were proposed to overcome this disadvantage by working directly on 2-D image matrices without a vectorization procedure. The 2DPCA and 2DLDA significantly reduce the computational effort and the possibility of singularity in feature extraction. In this paper, we show that these matrices based 2-D algorithms are equivalent to special cases of image block based feature extraction, i.e., partition each image into several blocks and perform standard PCA or LDA on the aggregate of all image blocks. These results thus provide a better understanding of the 2-D feature extraction approaches.     

一种对角LDA算法及其在人脸识别上的应用

2维特征抽取方法(如2DPCA、2DLDA),因为其抽取特征的速度和识别率要比1维的方法好,所以在人脸识别中得到了广泛的应用。最近基于2DPCA又提出了对角主成份分析(diagonal principal component analysis,DiaPCA),该方法由于保持了图像的行变化和图像的列变化之间的相关性,从而克服了2DPCA仅能反映图像行之间的变化,而忽略了图像列之间变化的缺点。但是,由于DiaPCA并没在特征抽取中融入鉴别信息,同时2DLDA也具有与2DPCA同样的缺点,从而分别影响了DiaPCA与2DLDA两种方法的识别性能。针对这一问题,提出了一种对角线性鉴别分析(diagonal linear dicriminant analysis,DiaLDA)的新算法,该新算法是基于对角人脸图像来求解最优鉴别向量。该新算法在ORL和FERET人脸库进行了实验,并与PCA、Fisherface、DiaPCA、2DLDA等方法进行了比较。实验结果表明,该方法比其他方法的识别性能要好。     

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...     

A two-dimensional Neighborhood Preserving Projection for appearance-based face recognition

This paper presents a two-dimensional Neighborhood Preserving Projection (2DNPP) for appearance-based face representation and recognition. 2DNPP enables us to directly use a feature input of 2D image matrices rather than 1D vectors. We use the same neighborhood weighting procedure that is involved in NPP to form the nearest neighbor affinity graph. Theoretical analysis of the connection between 2DNPP and other 2D methods is presented as well. We conduct extensive experimental verifications to evaluate the performance of 2DNPP on three face image datasets, i.e. ORL, UMIST, and AR face datasets. The results corroborate that 2DNPP outperforms the standard NPP approach across all experiments with respect to recognition rate and training time. 2DNPP delivers consistently promising results compared with other competing methods such as 2DLPP, 2DLDA, 2DPCA, ONPP, OLPP, LPP, LDA, and PCA.     

基于二维复判别分析的人脸识别研究

为了提高人脸正确识别率和效率,在行列方向的二维线性判别分析((2D)2LDA)基础之上,提出了一种二维复判别分析(2DCCDA)的人脸识别方法.该方法通过(2D)2LDA并行提取到的行和列特征矩阵,利用复二维鉴别式分析(C2DLDA)将行和列特征融合成复数特征矩阵,从复数特征矩阵中提取出最具分类能力的系数组成特征向量.相比较二维线性判别分析(2DLDA)和(2D)2LDA方法,2DCCDA需要更少的特征系数来表征一幅图像,并且正确识别率也相应提高.     

基于自适应特征融合的人脸识别

针对单一人脸特征在人脸识别中的局限性问题和二维主成分分析人脸特征缺少判别信息的问题,利用互补思想,提出了一种改进的二维主成分分析与二维线性鉴别分析加权融合的人脸识别算法。利用离散余弦变换对原始人脸图像进行压缩并重建,以滤除图像中人眼并不敏感的中高频部分,再利用二维主成分分析方法进行人脸特征的提取;运用二维线性鉴别分析方法提取原始人脸图像中具有鉴别性的人脸特征;最后,提出一种自适应的权值选取方法,将两种人脸特征进行加权融合以实现分类识别。在ORL和Yale人脸数据库上的实验结果证明了该方法的有效性。     

二维投影与PCA相结合的人脸识别算法

传统的特征抽取算法是基于向量的,在模式是图像时并不方便。二维投影方法利用图像矩阵直接计算,虽然抽取特征速度快,但抽取出的特征是矩阵,对应的特征数量大,影响分类速度。该文结合二者的优点,先用二维投影处理原始图像,降维后再做主分量分析,抽取出少量的特征进行分类,识别率和分类速度均有提高。在ORL人脸库上20次实验的平均识别率达95.83%。