一种改进的基于二维局部保留投影的人脸识别方法

提出了一种改进的基于二维局部保留投影的人脸识别方法．首先使用2DPCA进行降维处理,最大限度保留显著的二维信息,在降维后的特征空间里,使用优化2DLPP方法构建出最优投影矩阵,优化的2DLPP能够保留更多的特征矩阵内在的流行结构,相比将特征矩阵作为一个整体的2DLPP方法具有更好的识别率．由于同时在行、列方向上应用了2DPCA和2DLPP方法,使得在图像的表示和识别过程中产生了较少的参数,提高了整个算法的运行效率．最后用欧式距离和最近邻分类器实现了分类识别,通过在ORL人脸库的对比实验,改进的算法具有更高的识别准确率和速度。     

基于2DPCA-2DLDA的人脸识别算法

提出一种2DPCA-2DLDA方法来对人脸进行识别.该方法同时运用基于行的2DPCA和基于列的2DLDA方法直接在2维图像上进行投影,避免了对大矩阵的计算,同时也充分提取了图像的有效信息,在ORL人脸库上的实验结果表明该方法较优于其他方法.     

融合2DUDT与2DLDA的人脸识别研究

提出了一种融合二维非相关判别转换和二维线性鉴别分析分别提取人脸图像矩阵行方向的非相关鉴别信息和列方向的线性鉴别信息的人脸识别方法。该融合方法将线性鉴别向量提取方法与非相关鉴别向量提取方法相结合。首先计算进行人脸图像矩阵列压缩时的类间散射矩阵和类内散射矩阵,用二维线性鉴别分析计算特征值和所对应的特征向量,用特征向量集对人脸图像矩阵进行列压缩。其次,计算人脸图像矩阵行压缩时的类间散射矩阵、类内散射矩阵和总体散射矩阵,用二维非相关判别转换求出最优投影矩阵并用最优投影矩阵的转置矩阵对人脸图像矩阵行压缩。最后用最近邻分类器对压缩的ORL人脸图像测试样本进行分类处理,可实现人脸图像的准确识别。     

两向2DLDA与SVM相结合的SAR图像识别

针对线性判决分析（LDA）用于图像特征提取时存在破坏二维空间结构、特征向量维数过大的缺点。二维线性判决分析（2DLDA）直接对图像矩阵进行运算,在一定程度上弥补了LDA的缺陷,但其实质是按行压缩图像矩阵进行特征提取,只消除了图像列的相关性,所提取的特征维数依然过大。为解决以上问题,本文采用两向2DLDA的方法,在行和列方向同时压缩图像矩阵进行特征提取。并结合支持向量机（SVM）进行分类识别,用MSTAR计划发布的实测合成孔径雷达（SAR）图像数据进行实验。结果表明,该方法在减少计算量的同时能达到较高的识别率。     

基于二维广义主成分分析的人脸识别

针对人脸识别中的特征提取问题，提出了一种基于二维广义主成分分析（2DIMPCA）的人脸识别方法.有别于传统的人脸识别算法需要将二维人脸图像矩阵压缩成一维向量，该方法直接采用二维图像矩阵来构建方差矩阵，通过在水平和垂直2个方向上顺序执行2次广义主成分分析（IMPCA）运算，消除了人脸图像行和列的相关性，大大压缩了特征的维数.选用二维最小近邻分类法进行分类，计算识别率.在AT&T人脸库以及Yale人脸库上的测试结果表明，与主成分分析（PCA）和IMPCA相比，该方法具有更高的识别率和更快的识别速度.     

一种自适应加权的双向二维线性鉴别分析算法

二维线性鉴别分析是一种直接基于矩阵的特征提取方法,有效地提高了特征提取速度且避免了小样本问题,但是提取的特征向量维数高,不利于后期分类,而且获得的最佳投影矩阵只是来自于图像的列信息.另外,不同的样本在求取最佳投影矩阵时,所起的作用是不一样的,因此提出了一种自适应加权的双向二维线性鉴别分析算法,即是对图像矩阵顺序地进行水平和垂直2个方向的二维线性鉴别分析,自适应加权处理则是使不同的样本带有不同的权值,以提高样本在低维线性空间中的可分性.在ORL和Yale人脸库上的实验结果表明,改进的算法在降低了原算法提取的特征向量维数的同时,较原二维线性鉴别分析的识别性能有了较明显的改善.     

基于四元数矩阵表示的彩色人脸图像LDA方法

为了缓解线性判别分析(linear discriminant analysis,LDA)方法在小样本情况下出现的矩阵奇异性问题,针对彩色人脸图像,利用其四元数矩阵表示模式,在人脸识别中引入基于四元数表示的二维LDA、双向LDA方法.这些方法充分利用了彩色图像的空间分布信息,通过在行、列方向降维提取图像的2DLDA、BDLDA特征,缓解了类内散度矩阵的奇异性问题.在FERET彩色人脸数据库及AR彩色人脸数据库上的大量实验证明,本文方法与基于四元数矩阵表示的2DPCA、BDPCA算法相比,识别性能均有提高.     

一种改进的2DPCA方法在人脸识别中的应用

为了提高二维主成份分析(2DPCA)方法在人脸识别中的识别率,提出了一种改进的2DPCA和分块图像相结合的人脸识别方法。该方法根据类内图像与该类平均图像的距离,引入加权函数,重新定义2DPCA的总体散布矩阵,并应用到分块图像中,对训练样本子图像采用改进的2DPCA方法进行特征提取,实现模式分类。在ORL标准人脸库上的实验结果表明,它可以有效地提高识别率。     

基于改进BEMD的Gabor-2DPCA掌纹识别

为了提高掌纹识别的准确率,提出一种基于二维经验模式分解(bidemensional empirical mode decomposition,BEMD)的掌纹重构改进算法。该算法首先对预处理掌纹图像采用改进二维经验模式分解算法分解,提取前4个本征固有模态分量重构掌纹;其次,将重构掌纹通过二维Gabor滤波器分解成20个特征子图,利用二维主成分分析(two-dimensional principal component analysis,2DPCA)算法数据降维,提取掌纹特征;最后,计算样本的欧氏距离,实现掌纹识别。采取香港理工大学的PolyU掌纹数据库中的600张掌纹图像实验,结果表明,该算法重构掌纹含有更多纹理特征,在训练样本不同的情况下识别率均有提升,最高可达99.33%。提出的改进算法可以应用于掌纹识别。     

基于2DUGDP的戴眼镜人脸识别

针对戴眼镜人脸识别问题,提出了二维非监督测地线判别投影(2D unsupervised geodesic discriminant projection,2DUGDP)方法.该方法在扩充虚拟样本库的基础上,分析戴眼镜人脸图像和不戴眼镜人脸图像的差异及戴不同眼镜人脸图像的差异,提取判别特征用于识别.该特征考虑局部特征的同时考虑非局部特征,寻找一种最优投影在最大化非局部散度矩阵的同时最小化局部散度矩阵,使得距离近的数据投影后仍然近,距离远的数据投影后仍然远.考虑到人脸是非线性的流形结构,文中采用测地线距离表示样本间的差异.在FERET人脸库和CAS-PEAL人脸库上分别进行了实验,实验结果表明,该方法相比较其他方法更能提高戴眼镜人脸的识别率.     

基于改进的有监督无参局部保持投影算法的人脸识别

针对局部保持投影算法的无监督性质和参数选择复杂性问题,提出一种改进的有监督无参数局部保持投影算法(supervised dice parameter-free locality preserving projection, SdPLPP)。SdPLPP算法使用广义Dice系数构建近邻矩阵,有效避免局部保持投影(locality preserving projection algorithm, LPP)算法参数选择调整的问题,采用监督模式对数据进行特征提取。SdPLPP在Iris数据集进行了图像可视化试验,直观分析试验分类后的样本距离值与算法性能的关系,并在ORL, Yale, FERET 3种人脸库上进行试验,通过对人脸数据的特征提取,采用最近邻分类法统计识别率,验证SdPLPP算法的有效性。试验结果表明:在人脸识别率方面, SdPLPP算法优于PCA, ULDA, LPP, SPLPP和EP-SLPP的算法,并优于已提出的其他有监督无参数局部保持投影算法。     

一种用于人脸识别的非迭代GLRAM算法

利用二维主成分分析算法通过协方差矩阵获得右投影变换矩阵,进一步对其投影特征矩阵降维获得左投影变换矩阵,提出了一种矩阵广义低秩逼近的新的非迭代算法．ORL和AR人脸数据库的实验研究表明,新的非迭代算法在图像重建和图像识别都取得了和矩阵广义低秩逼近的迭代算法相近的效果,同时节省了大量的训练时间,而较二维主成分分析,新算法以较大的压缩率取得了更好的图像重建效果和识别率．     

典型相关分析的局部保持投影算法

针对传统子空间线性分析方法无法准确地描述样本具有的流形结构的问题,依据典型相关分析算法和局部保持投影算法的理论,将两种算法结合起来,提出了限制类别的典型相关分析的局部保持投影算法,该算法通过引入类信息,在区分了样本类信息的基础上,又保持样本类内的局部信息结构,而且还使两组样本间达到最大相关化以及各个特征投影之间具有不相关性,极大地提高了算法的识别率.该算法分别在YALE人脸库和AR人脸库上进行实验,识别率最高可达98％.     

Novel algorithm for pose-invariant face recognition

By combining the AdaBoost modular locality preserving projection(AMLPP) algorithm and the locally linear regression(LLR) algorithm,a novel pose-invariant algorithm is proposed to realize high-accuracy face recognition under different poses.In the training stage of this algorithm,the AMLPP is employed to select the crucial frontal blocks and construct effective strong classifier.According to the selected frontal blocks and the corresponding non-frontal blocks,LLR is then applied to learn the linear mappings which will be used to convert the non-frontal blocks to visual frontal blocks.During the testing of the learned linear mappings,when a non-frontal face image is inputted,the non-frontal blocks corresponding to the selected frontal blocks are extracted and converted to the visual frontal blocks.The generated virtual frontal blocks are finally fed into the strong classifier constructed by AMLPP to realize accurate and efficient face recognition.Our algorithm is experimentally compared with other pose-invariant face recognition algorithms based on the Bosphorus database.The results show a significant improvement with our proposed algorithm.     

大型人脸库上基于局部二元模式直方图映射的快速识别

传统的基于局部二元模式(LBP)的人脸识别方法采用卡方统计度量LBP直方图间的差异,由于卡方统计度量的复杂性以及是在高维空间进行判别,此方法在大型人脸库上的识别速度低,为此提出一种LBP直方图映射(LBPHP)方法.将LBP直方图映射到保局投影(LPP)空间获取低维LBPHP特征,当判别新样本时只须比较新样本与训练样本的LBPHP特征,识别过程简单且在低维空间进行,识别速度很快.鉴于LPP强大的鉴别特性,此方法的识别率很高.在2个知名人脸库上对LBPHP方法进行实验验证,结果表明,相比于传统识别方法,LBPHP的识别速度快,尤其在大型人脸库上优势更加明显,适于在此类人脸库上的实际应用如身份认证等.     

An infrared human face recognition method based on 2DPCA

Aimed at the problems of infrared image recognition under varying illumination,face disguise,etc.,we bring out an infrared human face recognition algorithm based on 2DPCA.The proposed algorithm can work out the covariance matrix of the training sample easily and directly;at the same time,it costs less time to work out the eigenvector.Relevant experiments are carried out,and the result indicates that compared with the traditional recognition algorithm,the proposed recognition method is swift and has a good adaptability to the changes of human face posture.