基于梯度信息的人脸识别方法

光照、表情等外部条件的变化是影响人脸识别效果的重要因素。梯度信息反映了图像信息变化幅度的大小,对边缘敏感,对光照不敏感。基于梯度信息的人脸识别方法能够缓解光照等变化对人脸识别的影响,具有一定的鲁棒性。提出两种基于梯度信息的人脸识别方法,即基于梯度幅值的人脸识别方法和基于方向梯度的人脸识别方法。抽取梯度信息,借助于2DPCA或2DFLD对抽取的梯度信息进行特征抽取,通过相似性进行分类。在AR和Yale-B人脸库上的实验表明所提出的两种方法均具有较好的识别效果。     

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。     

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...     

二维主元分析在人脸识别中的应用研究

结合二维主元分析（two-dimensional principal component analysis,2DPCA）的特点,将2DPCA算法用于人脸识别。它与主元分析（principal component analysis,PCA）的不同之处在于,2DPCA算法以图像矩阵为分析对象;而PCA算法以图像的一维向量为分析对象。2DPCA算法是直接利用原始图像矩阵构造图像的协方差矩阵。而PCA算法需对原始图像矩阵先降维、再将降维矩阵转换成列向量,然后构造图像的协方差矩阵。为了测试和评估2DPCA算法的性能,在ORL（olivetti research laboratory）与Yale人脸数据库上进行了实验,结果表明,2DPCA算法用于人脸识别的正确识别率高于PCA算法。同时,也显示了2DPCA算法在特征提取方面比PCA算法更有效。     

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。     

基于对角DCT与2DPCA算法的人脸识别

提出了一种对角离散余弦变换（Discrete Cosine Transform,DCT）和二维主元分析（Two－Dimensional Principal Component Analysis,2DPCA）相结合的人脸识别方法。该算法首先将人脸图像转换成对角图像,同时利用DCT压缩并重建人脸图像;然后通过2DPCA进行特征提取得到人脸识别特征;最后运用最近邻分类器进行识别。基于ORL（Olivetti Research Laboratory）、受污损ORL及Yale人脸数据库的实验结果证明了该算法的有效性。     

基于小波变换和多特征融合算法的人脸识别

提出了基于小波变换和多特征融合算法的人脸识别方法。该方法先对原始人脸图像进行简单加权小波变换以降低维数,施行改进的模块二维主成分分析（M2DPCA）抽取特征,再进行加权最大散度差鉴别分析（WMSD）得到最终的特征图像,采用最近邻分类器对人脸分类识别。该方法不仅利用了人脸图像的局部特征和类别信息,而且避免了矩阵的奇异值分解可能遇到的问题。在ORL人脸库上实验,以验证该方法的有效性。     

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。     

改进的2DPCA人脸识别算法

在对2DPCA人脸识别方法研究的基础上,提出一种改进的2DPCA人脸识别算法,该算法对训练集进行两次2DPCA特征提取,以此重建散布矩阵,从而大大降低特征矩阵的存储空间.并在标准Yale与ORL人脸识别数据库上进行对比实验,改进的2DPCA人脸算法能有效改善识别性能,优于传统的2DPCA方法.最后,再通过和PCA,LD...     

一种基于完全2DPCA的二次特征选择方法

提出一种基于完全二维主元分析(2DPCA)的二次特征选择方法用于人脸识别。该方法针对PCA及其改进方法的不足,结合完全2DPCA方法,用免疫算法和基于最近邻分类器的5阶交叉验证方法完成对人脸特征二次选择。基于ORL人脸数据库和Yale人脸数据库的实验结果表明,该方法识别效果较好。     

非负二维主成分分析及在人脸识别中的应用

二维主成分分析是一种基于整体脸的方法,保留人脸部件之间的拓扑关系.而非负矩阵分析是基于局部特征的识别,是通过提取局部信息来实现分类.文中将两种思想的优点融合在一起,提出非负二维主成分分析.该方法改善传统非负矩阵分解只是从矩阵分解的角度考虑,没有加强分类的问题.此外,该方法在矩阵分解之前不需要将图像矩阵转换为图像向量,能快速降低鉴别特征的维数.在ORL和FERET人脸库上的实验结果表明,该方法在识别性能上优于其它方法,且更具有鲁棒性.     

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。     

Face recognition by generalized two-dimensional FLD method and multi-class support vector machines

This paper presents a novel scheme for feature extraction, namely, the generalized two-dimensional Fisher's linear discriminant (G-2DFLD) method and its use for face recognition using multi-class support vector machines as classifier. The G-2DFLD method is an extension of the 2DFLD method for feature extraction. Like 2DFLD method, G-2DFLD method is also based on the original 2D image matrix. However, unlike 2DFLD method, which maximizes class separability either from row or column direction, the G-2DFLD method maximizes class separability from both the row and column directions simultaneously. To realize this, two alternative Fisher's criteria have been defined corresponding to row and column-wise projection directions. Unlike 2DFLD method, the principal components extracted from an image matrix in G-2DFLD method are scalars; yielding much smaller image feature matrix. The proposed G-2DFLD method was evaluated on two popular face recognition databases, the AT&T (formerly ORL) and the UMIST face databases. The experimental results using different experimental strategies show that the new G-2DFLD scheme outperforms the PCA, 2DPCA, FLD and 2DFLD schemes, not only in terms of computation times, but also for the task of face recognition using multi-class support vector machines (SVM) as classifier. The proposed method also outperforms some of the neural networks and other SVM-based methods for face recognition reported in the literature.     

分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。     

最小化相关性的二维主成分分析

指出在二维主成分分析中,特征向量的任意两个分量之间是相关的,并给出此相关性的数学表达,进一步提出最小化相关性的二维主成分分析。该方法改进二维主成分分析的目标函数,最大化特征向量间总体散度的同时,最小化特征向量各分量间的相关性。最后,在Yale标准人脸库上的实验结果表明,文中方法有较强的特征抽取能力,在识别性能上优于二维主成分分析及对角二维主成分分析。     

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。     

基于强度图和深度图的多模态人脸识别

提出将全局特征表征方法2DFLD、2DPCA与局部特征表征方法LBP相结合,应用到人脸二维强度图和三维深度图进行识别;对不同分类方法的识别得分再进行归一化加权融合。对比实验结果表明,LBP对2DFLD和2DPCA的识别结果有改善作用,二维强度图和三维深度图的得分归一化加权融合对整个识别率也有一定的改善,在CASIA3D人脸数据库上的识别率最高可达94.68%。     

非线性角度2DPCA及其在人脸识别中的应用

K2DPCA（Kernel-based 2D Principal Component Analysis）能够刻画图像的非线性特征,同时保留原始图像的二维数据结构和邻域信息,在人脸识别领域具有成功的运用,但其对异常值比较敏感。为克服此问题,将“角度”的概念引入非线性空间,基于核方法提出Sin-K2DPCA,并采用F范数度量,将样本数据经非线性映射到高维空间后极小化相对重构误差。为进一步解决非线性的核矩阵规模较大、计算复杂度高的问题,利用Cholesky分解方法,计算大规模核矩阵[K]的低秩近似,提出了基于Cholesky分解的Chol+SinK2DPCA。实验结果表明,在ORL、Yale人脸数据库中,Chol+SinK2DPCA提高了识别率,并克服噪声的影响;在大规模数据集Extended YaleB中,Chol+SinK2DPCA有效解决了K2DPCA由于核矩阵规模过大而不能实现的问题。