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.     

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.     

改进双向二维局部保持投影的人脸识别算法

为更好地处理图像小样本问题,且克服二维局部保持投影（2DLPP）算法只能保持数据局部性质的缺陷,通过结合二维主成分分析（2DPCA）和二维线性鉴别分析（2DLDA）的算法特性,提出了一种改进的双向二维局部保持投影的人脸识别算法。首先,引入样本类别信息改进权重矩阵,增强2DLPP算法对样本变化的鲁棒性;其次,提出改进2DLPP+2DPCA、2DLPP+2DLDA两种融合算法并分别用于输入样本图像数据的行、列方向特征提取。在特征选择后得到行、列方向上的最优投影;最后,通过对样本数据进行行、列方向投影,利用最近邻分类器对样本数据进行分类并获得在给定数据集上的识别结果。在人脸数据集ORL、YALE和AR上的实验结果表明,该算法在人脸识别性能上总体优于2DPCA、2DLDA、2DLPP、（2D）2PCA、（2D）2LDA、（2D）2PCALDA和（2D）2LPP-PCA等算法。     

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。     

一种非限制性条件下人脸识别的方法

针对非限制性条件下人脸识别准确率较低的问题,提出了一种基于方向梯度直方图特征提取和快速主成分分析算法的人脸识别方法。首先,利用Haar特征分类器对原始数据进行人脸的检测与提取,并进行有序化保存;然后,对有序数据进行方向梯度直方图特征提取,再使用快速主成分分析算法进行降维处理,并对其进行归一化处理;最后,采用支持向量机算法(SVM)对所得到的实验数据进行最终的分类与识别。实验结果表明,与单一的支持向量机算法、主成分分析算法以及方向梯度直方图算法相比,本文方法能有效地提高非限制性条件下人脸识别的准确率,且耗时较短。     

基于小波子空间集成的人脸识别

基于小波变换的人脸识别方法通常选用低频子图进行人脸识别,这样会丢失其他子段图像中的识别信息。针对这一问题,提出了两种小波子空间集成人脸识别方法并与其他相关方法进行了实验比较。第1种方法集成每1层小波低频子空间图像进行人脸识别;第2种方法首先对人脸图像做L层小波分解,然后对每1层的3个高频子空间图像求平均,连同每层的1个低频子空间图像得到L个小波子空间图像,最后集成这L个小波子空间图像进行人脸识别。本文提出的方法充分利用了不同频率小波子段图像的识别信息,能够提高人脸识别的精度。在ORL、YALE和JAFFE 3个人脸数据库上的实验结果显示,本文提出的方法特别是方法2在识别精度方面都优于其他方法。     

一种基于数值逼近的KPCA改进算法

核方法广泛应用于模式识别等领域,但其存在着特征抽取效率和样本集的大小成反比的瓶颈问题.因此提出一种基于数值逼近的方法确定虚拟样本矢量,以此代替训练样本,提高KPCA(Kernel Principle Component Analysis)特征抽取效率.在确定虚拟样本矢量时,只需将样本矢量的初值设定为随机变量,算法实现简单、高效.在基准数据集上的实验结果显示该算法优于同类算法.     

矩阵求秩的一种算法及实现

给出了求任意m×n阶矩阵秩的一种算法,并能在计算机上实现。     

一种自商图与压缩感知相结合的人脸识别算法

鉴于SRC人脸识别方法在实际运用中遇到的高维、光照变化问题,该文提出了Q_SRC解决方法,即在基于稀疏表示算法的基础上,利用自商图提取光照不变量,通过主成分析法将图像数据进行降维处理,实现了在实际环境中的人脸识别。实验结果表明,Q_SRC提高了识别率。     

一种融合改进LBP与主成分分析的人脸识别方法

针对传统的LBP算子局部纹理特征提取方式单一、未考虑邻域相关性等问题,提出一种改进的LBP算子与PCA主成分分析法相结合的人脸识别方法。该方法在特征提取的过程中削弱了噪声的影响,更好地突出了子块区域的特征信息,相比于PCA、LBP和PCA相结合的方法,在识别率上有显著提高。     

基于广义主成分分析的步态识别算法研究

步态识别是根据人行走方式的不同对人的身份进行识别的.通过背景减除实现人体检测,运用形态学操作和图形几何变换实现了图像的标准中心化.在特征提取阶段使用步态能量图(GEI)来描述每个步态序列,分别使用主成分分析、二维主成分分析、完全的二维主成分分析以及加权完全的二维主成分分析对特征进行降维,最后采用最近邻分类器来测试识别结果作对比研究.实验结果表明权衡计算量和识别率,二维主成分分析对于GEI的步态识别比较有效,识别率可达95.43%.     

基于主元分析法的特征脸法在人脸识别中的应用

简要叙述了人脸识别的方法，详细讨论了主元分析法．并且用这种算法实现了人脸的识别。通过实验得出了主元分析法的识别率，提出了改进的方法。     

基于小波子图和决策融合的人脸识别算法

提出了一种基于小波子图和决策融合的人脸识别算法。首先将图象进行适当层数的小波分解 ,每次分解只取最低频子图。然后对低频子图再进行一次小波全分解得到不同方向的四个子图。在这四个子图上分别进行传统的主分量分析 (PCA)或者进行傅立叶变换(即频谱脸算法 ) ,可得到四个识别结果 ,再跟据一种决策融合方案得出最终的识别结果。最后 ,我们用 Olivetti人脸数据库对本文的算法与传统的 PCA算法 ,基于单一小波子图的PCA算法以及频谱脸算法进行了比较。实验结果显示 :应用了多个小波子图以及决策融合方案后 ,识别率都有一定的提高     

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.     

KSLPP：新的人脸识别算法

针对人脸识别中的特征提取问题，提出了一种新的核有监督保局投影人脸识别算法,即KSLPP.该算法通过非线性映射将人脸样本投影到高维空间，通过可调因子有效地结合人脸局部流形的结构信息和样本的类别信息，提取人脸的非线性特征.采用最小近邻分类器估算识别率.采用AT&T人脸库以及Yale人脸库，对该方法进行了测试.结果表明，与Eigenface、Fisherface以及Laplacianface等方法相比，该方法具有较好的识别率.     

直接LDA在人脸识别中的鉴别力分析

直接线性鉴别分析(DLDA)曾被声明利用类内离散矩阵零空间内外所有鉴别信息,为了分析声明的理论缺陷,对DLDA在人脸识别中的鉴别特性进行了研究.鉴于DLDA是在类间离散矩阵列空间中寻找最优解,理论分析从下面3方面内容展开:类间和类内离散矩阵的列空间之间的关系、类间离散矩阵列空间与类内离散矩阵零空间的关系以及在保留全部鉴别矢量下的DLDA特性,结果表明,在小样本条件下,DLDA几乎没利用零空间内的信息,导致一些有用的鉴别信息的丢失;若保留全部的鉴别矢量,DLDA退化为类间离散矩阵的保留所有非零成分的主成分分析.在人脸数据库ORL和YALE上的比较实验结果显示:DLDA的识别率都次于其它几种线性鉴别分析扩展方法,与理论分析一致.     

基于二维Fisher线性判别的人脸耳组合识别

针对人脸易受到年龄、表情等影响,提出了脸和耳相结合的组合识别方法。利用二维Fisher线性判别(2DFLD)方法分别进行了脸、耳图像层和特征层的组合识别。在北京科技大学人耳库和ORL人脸库上进行实验,结果表明,图像层组合和特征层组合的识别率分别为97.5%、95.0%,分别比人脸识别提高了12.5%和10.0%,比人耳识别提高了5.0%和2.5%;与同样应用于组合识别的主成分分析(PCA)、二维PCA(2DPCA)比较,也取得了较好识别效果。这说明,多生物特征组合识别是一种有效的识别方法。     

一种应用于人脸识别的核正交等度规映射算法

针对人脸识别中的特征提取,提出了一种新的核正交等度规映射(KOIsoP,kernel orthogonal isometric projection)人脸识别算法。首先用核方法提取人脸图像中的非线性信息,并将其投影在一个高维非线性空间,从而更好地提取人脸非线性流形结构信息。然后通过等度规映射做一线性映射得到基向量。最后正交化得到的基向量,使得算法更利于保留人脸非线性子流形空间与距离有关的结构信息和重构样本,以便获得更好的识别效果。ORL和PIE库上的人脸识别实验验证了算法的有效性。