基于2DPCA+PCA与SVM的人脸识别

为了提高传统PCA与SVM相结合的人脸识别算法的性能,文中提出了一种基于双向压缩的2DPCA+PCA与遗传算法SVM相结合的人脸识别算法。该算法采用双向压缩的2DPCA与PCA相结合的算法来进行人脸特征提取,有效地减少了特征数量和PCA模型的计算时间;在与SVM相结合时,其训练时间和识别时间都有所降低,且提高了识别率;同时为了进一步提高SVM的性能,文中采用遗传算法来进行SVM参数寻优,并使用交叉测试识别率来作为适应度函数。在ORL人脸库上的实验表明,该算法的性能明显高于传统PCA与SVM相结合的人脸识别算法。     

基于2DPCA的红外显微图像分析

为了提高光谱分解效率,提出一种基于光谱方向的2DPCA的光谱分解方法,该方法可以直接利用原始图像矩阵进行光谱分解。通过对兔子动脉和多层油漆中红外显微图像的分解实验,验证了2DPCA光谱分解方法的可行性和有效性。实验表明,当光谱数大于通道数时,采用2DPCA的光谱分解效率高于PCA的光谱分解效率,并且随着光谱数与通道数比值的增大,2DPCA的优势更明显。     

改进的基于Gabor小波和二维平均邻域边缘的人脸识别方法

主成分分析(PCA)和线性判别分析(LDA)是人脸识别的特征提取中最为经典和广泛使用的方法,鉴于PCA和ANMM各自的优点,本文提出了称为Gabor-2DIANMM的方法,引入二维处理方法,使用从训练图像中提的Gabor特征对子空间进行训练,同时通过实验数据选取了ANMM中异类相近数据集的最佳取值范围.实验表明,这种方...     

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。     

基于DCT的PCA人脸识别系统研究

人脸识别是一种重要的生物特征识别技术,它广泛应用于电脑开机、门禁系统、安全监控和重要场所的身份验证。该文提出了一种基于DCT的PCA特征提取方法,该算法先对整个原始人脸图像进行DCT变换得到系数矩阵,再提取包含原始图像大部分信息的少量系数作PCA,提取出特征脸,再进行分类识别。对ORL人脸库的仿真实验表明,该方法优于单独DCT与PCA特征提取的识别方法,并且减少了运算量。     

基于AdaBoost和PCA的动态人脸考勤技术研究

设计并实现了基于Adaboost和PCA的动态人脸识别考勤系统。利用AdaBoost快速人脸检测方法为基础,然后使用PCA方法来实现人脸识别.实验结果表明,利用该方法开发的动态人脸识别考勤系统具有识别率高、实用性好、可靠性强等特点.     

基于小波变换的人脸识别方法

人脸识别技术是让机器具有人的智能,可以记忆、辨认人的一种前沿技术。它结合了计算机图形学,计算机图象处理和模式识别等多种学科领域。本文研究本文提出一种基于小波包和PCA变换相结合的特征及融合人脸识别方法,首先对人脸图像进行二维小波包分解,对融合后的高频子图再进行PCA分解,得低频主分量,足后对高低频主分量进行融合处理,得最终的鉴别特征。分别在ORL和YaleA人脸库上进行试验,试验结果表明该方法提高了识别率。     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

基于两级2DPCA的SAR目标特征提取与识别

对二维图像用主分量分析(PCA)来提取特征具有准确估计协方差矩阵比较困难、计算复杂度大的缺点。二维PCA(2DPCA)克服了PCA的局限性,但2DPCA仅去除了图像中各行像素间的相关性,因此它用于特征提取时得到的特征维数较大。该文采用两级2DPCA的图像特征提取方法,可进一步压缩特征维数,减少识别运算量。用运动和静止目标获取与识别(MSTAR)计划录取的合成孔径雷达(SAR)地面静止目标数据的实验结果表明,结合该文的预处理方法,两级2DPCA在大大降低了特征维数的同时,提高了识别率,且对目标方位角变化具有较强的鲁棒性。     

人脸识别系统在嵌入式ARM上的实现

由于通用RU-LBP和PCA结合的人脸识别算法得到的子空间内各类之间距离不均衡导致人脸识别低,提出一种岭回归人脸识别方法。通过使用 RU-LBP 和 PCA 进行人脸特征提取,然后对这些特征使用岭回归算法进行识别,该算法能够最大程度上均化各类之间的距离,提高分类能力。在 FERET 标准的人脸库上的实验结果表明,该算法能够显著改进人脸识别率。     

基于PCA算法的人脸识别方法研究比较

主成分分析(Principal Component Analysis,PCA)方法是人脸识别技术中一种广泛应用的数据降维技术。当通过使用PCA变换获得的主成分去重建原始人脸图像时,能使均方误差最小。在传统的PCA基础上,Yang等人提出了2DPCA方法,避免了从图像矩阵向一维向量的转换,并在人脸识别中获得了满意的效果。文章对这两种方法做了理论上比较并给予实验数据支持,实验证明,2DPCA在识别方面略优于传统PCA算法。     

基于子模式双向二维主成分分析的人脸识别

为了减轻人脸姿态、表情和光照条件等因素变化对识别率的影响,采用了一种子模式双向二维主成分分析(Sp-(2D)2PCA)的人脸识别新方法。该方法通过对原图像进行分块处理,能有效地抽取原图像的局部特征;同时,通过采用(2D)2PCA对分块得到的子图像矩阵直接进行特征抽取,避免了矩阵向量间的转化,能精确地计算协方差矩阵的特征向量,并能有效地降低特征维数。试验结果表明,在姿态、表情和光照条件变化的情况下,Sp-(2D)2PCA都具有较好的识别性能。     

基于改进二维主成分分析的在线掌纹识别

掌纹识别是生物特征识别技术的新热点,论文提出使用二维主成分分析算法(2D PCA)提取掌纹图像的统计特征,实验表明其泛化能力优于传统主成分分析算法(PCA).在此基础上,论文提出且定义了改进的二维主成分分析,并证明它在保持训练样本图像总体散度的同时更有效的提取样本特征.改进的算法在得到99.72%高识别率的同时,大幅降低了原算法的特征维数、识别计算的复杂度,使系统的实用性进一步提高.     

Time Series Segmentation Using a Novel Adaptive Eigendecomposition Algorithm

In this paper we present a new technique for time series segmentation built around a fast principal component analysis (PCA) algorithm that is on-line and stable. The traditional Generalized Likelihood Ratio Test (GLRT) has been used to solve the segmentation problem, but this has enormous limitations in terms of complexity and speed. Newer methods use gated experts and mixture models to detect transitions in time series. These techniques perform better than GLRT, but most of them require extensive training of relatively large neural networks. The segmentation method discussed in this paper is based on a novel idea that involves solving the generalized eigendecomposition of two consecutive windowed time series and can be formulated as a two-step PCA. Thus, the performance of our segmentation technique mainly depends on the efficiency of the PCA algorithm. Most of the existing techniques for PCA are based on gradient search procedures that are slow and they also suffer from convergence problems. The PCA algorithm presented in this paper is both online, and is proven to converge faster than the current methods.     

一种基于2DPCA和SVM的人脸识别方法

在人脸识别过程中,基于2DPCA特征提取方法具有直接、高效等特点。但它只包含了二阶统计信息,因而丢失了可能对分类很有用的高阶统计信息而使识别率受到一定影响。SVM采取升维的方法把线性不可分问题转变为线性可分问题,识别率较高,但直接对图像分类时运算量大、运行时间长。文章结合两者的优点,使用了2DPCA和SVM相结合的人脸识别方法,即先利用2DPCA进行特征提取,然后把降维后的数据输入SVM进行分类识别。该方法在ORL、YALE人脸库上的实验表明,不但可以提高识别率,而且所用时间明显减少。     

一种M2DPCA和NFA相结合的人脸识别方法

针对非参数特征分析(nonparametric feature analysis,NFA)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,计算复杂等缺点,提出M2DPCA+NFA相结合的方法。新方法对图像矩阵进行分块,再采用2DPCA进行特征提取,再实行NFA。该方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、NFA方法以及本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NFA方法。     

一种新的二维特征抽取算法及应用

二维主成分分析方法是直接利用二维图像来构建方差矩阵的。为了充分利用样本类别信息,文章以类间散布矩阵特征向量作为投影方向进行特征抽取。首先用2DPCA先作一次横向压缩,对抽取出的特征矩阵再用2DPCA作一次纵向压缩。与传统二维主成分算法比较,极大压缩了特征的维数,加快了分类速度,提高了识别率。用ORL人脸数据库进行了实验验证,证明了本方法的可行性。