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。     

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。     

基于主元分析与支持向量机超参数调节的人脸识别研究

该文阐述了基于主元分析和支持向量机的人脸识别算法,并对算法进行了改进。实验使用的是ORL人脸库,该方法先用PCA方法进行特征提取,再用支持向量机构造分类器进行分类,最后利用支持向量机超参数调节的方法进一步提高了识别率,实验结果验证了该算法的可行性并得到了较好的识别率。     

主成分分析及支持向量机在人脸识别中的应用

文中利用主成分分析提取图像的特征信息，然后将此特征数据作为分类器的输人数据。文中采用的分类器——支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法。再利用二叉树判别策略来对多类人脸图像进行了识别，实验取得了较好的效果。     

主成分分析及支持向量机在人脸识别中的应用

文中利用主成分分析提取图像的特征信息,然后将此特征数据作为分类器的输入数据。文中采用的分类器———支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法。再利用二叉树判别策略来对多类人脸图像进行了识别,实验取得了较好的效果。     

基于支持向量机的人脸识别

由于支持向量机(SVM)有着适合处理小样本问题、高维数及泛化性能强等多方面的优势,并且基于核函数主元分析的方法对于非线性问题的特征提取来说较为合理,因此提出了一种基于核函数主元分析(KPCA)与支持向量机(SVM)的人脸识别方法。在使用KPCA方法对人脸图像进行特征提取后,用SVM对特征向量进行分类识别。利用剑桥ORL的人脸数据库进行的实验结果验证了本算法的有效性。     

基于核主元分析的支持向量机识别方法研究

主元分析、核主元分析、支持向量机等方法在分类与识别中应用时都各有自己的优点,本文提出一种基于核主元分析的支持向量机识别方法,用该方法分别对ORL人脸库和iris数据集中的数据进行分类与识别,结果表明:如果调整好了核函数的参数,可以得到极高的识别率。     

核主成分分析在异型纤维识别中的应用

异型纤维自动检验过程中,传统边沿检测方法受到图片质量的影响较大。核主成分分析,直接从原始的灰度图像提取高阶统计信息,相对受图片质量影响较小。本文中,通过核主成分分析方法,提取图像特征,利用支持向量机分类器,实现对异性纤维的自动检验,并应用到异型纤维识别系统中,取得了预期的效果。同时实验结果表明,使用非线性核函数的识别率明显优于线性核函数的识别率。     

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。     

基于分块核主元分析的人脸识别方法研究

传统的基于数据二阶统计矩的主元分析法（PCA）是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。而KPCA方法只考虑了人脸图像的整体信息,没有考虑到局部特征信息。文章提出了分块核主元分析（MKPCA）的方法进行人脸识别,取得了很好的效果。     

利用组合核函数提高核主分量分析的性能

为了提高图像分类的识别率，在对基于核的学习算法中，核函数的构成条件以及不同核函数的特性进行分析和研究的基础上，提出了一种新的核函数——组合核函数，并将它应用于核主分量分析(KPCA)中，以便进行图像特征的提取，由于新的核函数既可以提取全局特征，又可以提取局部特征，因此，可以提高KPCA在图像特征提取中的性能。为了验证所提出核函数的有效性，首先利用新的核函数进行KPCA，以便对手写数字和脸谱等图像进行特征提取，然后利用线性支持向量机(SVM)来进行识别，实验结果显示，从识别率上看，用组合核函数所提取的特征质量比原核函数所提取的特征质量高。     

核方法在人脸识别中的应用

1 引言人脸识别技术广泛应用于身份验证、门检系统以及人员监视等方面,在过去的几年里,人脸识别技术有了很大的发展。人脸识别技术与普通的模式识别不同,主要是因为在一般的模式识别中,有几个分类,每个分类中有很多样本,这样可以安排大量样本进行训练;相反,人脸识别中通常会有很多不同的人脸,每个人脸代表一个分类,而每个分类中的样本数都比较少,在很多情况下,甚至每个人只有一张图片(如身份证照片),在文[4]中提出了处理只有一个样本情况下的人脸识别。     

基于KPCA和FMSD的人脸识别

针对核最大散度差(KMSD)方法在人脸识别中存在边缘类和次优性问题,提出一种基于核主成分分析(KPCA)与模糊最大散度差(FMSD)的人脸识别方法(KFMSD)。利用KPCA方法提取人脸的非线性结构特征,选取投影后类间散度大于类内散度的特征向量作为最优投影轴,采用FMSD方法,根据隶属度函数将样本的原始分布信息完全融入人脸的特征提取中,采用最近邻分类器进行分类识别。在ORL和YALE人脸库上的实验证明了KFMSD方法的有效性。     

基于LMP和KPCA的人脸识别

提出一种基于拉普拉斯矩阵投影变换和核主成分分析的人脸图像识别方法。对人脸图像做拉普拉斯矩阵变换,通过核主成分分析提取特征,再利用最近邻分类器进行分类。拉普拉斯矩阵变换在保持人脸图像的局部特性的前提下,有效地降低了图像维数。在ORL数据库上的实验表明,进行拉普拉斯矩阵变换后人脸识别精度相差不大,但计算量得到减少。     

应用小指数多项式的KPCA+零空间人脸识别

利用小指数多项式核主分量分析(KPCA)提取人脸样本的非线性特征，提高对光照、姿态及面部表情变化的鲁棒性，构造训练样本的类内散布矩阵零空间，在此零空间内找到令类间离散度最大的投影方向，往此方向投影得到人脸样本的最优分类特征矢量。实验结果表明；该方法的识别率和对光照、姿态及面部表情变化的鲁棒性比Fisher脸方法有显著提高。     

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。     

电影视频人像检索系统

针对电影视频中序列特征,提出了一种人脸检索的方法及在电影视频中的应用.首先,运用训练好的Cascade Ada-Boost人脸检测器选检测视频序列中的人脸图像,将检测到的人脸图像经标准化处理后投影到增量特征人脸空间中,得到人脸图像的向量表述,应用单类支持向量机进行训练和分类,同时根据分类的结果动态调整增量特征人脸空间方向和分类器的最佳分类超平面,实现对电影视频中特定演员的检索功能,对电影<小花>等的实验表明,这个方法可以得到理想的检索结果.     

广义主分量分析及人脸识别

传统的主分量分析和Fisher线性鉴别分析在处理图像识别问题时都是基于图像向量的。该文提出了一种直接基于图像矩阵的主分量分析方法,它的突出优点是大大加快了特征抽取的速度。在ORL标准人脸库上的试验结果表明,该文所提出的方法不仅在识别性能上优于传统的主分量分析方法和Fisher线性鉴别分析方法,而且特征抽取的速度得到了很大的提高。