基于PCA算法的人脸识别研究

介绍了PCA算法及其在人脸识别中的应用。PCA算法是一种基于统计的算法,其优点是识别率高,速度快。基于PCA算法的特征脸方法首先根据人脸数据库训练出一系列的特征脸,然后把人脸数据库中的每个人脸图片进行映射,得出每个人的特征系数,这组系数可以表示该张图片。最后计算出待识别样本的特征系数,并与人脸数据库中的特征系数一一进行比较,以距离相近的作为识别结果。     

基于PCA算法对人脸识别的认识

随着现在科学技术的进步,信息安全越来越受到人们的重视,传统的身份证,信用卡,储蓄卡和密码等手段,具有易被攻击,丢失和携带不方便的缺点,而人脸识别作为计算机视觉和模式识别领域中的一个前沿话题,使身份认证具有较大的方便和安全性。本文基于PCA算法利用MATLAB对OLR人脸数据库进行处理,并介绍人脸识别的应用。     

一种基于Retinex和PCA的人脸图像识别方法

针对目前人脸识别算法在光照条件恶劣时识别精度较低的缺陷,提出一种基于Retinex和PCA的人脸图像识别方法.Retinex算法能够有效去除图像中光照恶劣导致的阴影,而PCA能够有效提取图像中有代表性的特征,从而使得快速准确的识别成为可能.在Yale和Yale B数据库上验证该算法的性能,结果证明,此算法简单快速,且具有较高的识别精度,是一种实用的人脸图像识别方法.     

视频监控系统中基于PCA算法的人脸识别

PCA算法提供了一个高维和低维间的线性变换矩阵,这个变换矩阵可以通过求取协方差矩阵的特征向量获得。特征值较大的特征向量反映人脸最大差异性;根据脸部固定结构特点构造人脸平均模板,利用模板匹配来检测图像中的人脸,计算待测图像与特征空间的距离进一步判别是否是数据库中人脸。实验表明,PCA算法在视频监控系统的人脸识别中可以很好地实现人脸特征提取和检测。     

一种融合Gabor+SIFT特征的人脸识别算法

姿态变化和光照干扰对于人脸识别的准确率和效率有很大影响。针对这一问题,文中采用结合Gabor特征和SIFT特征的人脸识别方法进行识别,提取一幅人脸图像的多个方向和多个尺度的Gabor特征,并将提取得到的Gabor特征图像进行分块。对分块后的子图像进行提取SIFT特征的操作,将得到的Gabor特征全部SIFT向量级联作为最终特征向量。使用主成分分析方法对得到的最终特征向量进行降维处理,随后使用最小二乘支持向量机进行训练识别。在FERET人脸数据库中进行的实验结果表明,相对于传统单一的人脸识别方法,利用本文方法在姿态变化和光照干扰情况下对人脸识别的准确率达到98.1%,证明了新算法的有效性。     

基于PCA的人脸识别方法的比较研究

主成成份分析(PCA)方法是人脸识别技术中常用的一种一维特征抽取方法。传统PCA方法用于人脸识别常常面临图像维数高,直接计算量的问题。为了解决这2个问题,人们对PCA进行了改进,提出并实现了多种基于PCA的人脸识别。对3种基于PCA的人脸识别方法做了理论上的研究和实验上的性能比较。实验结果表明PCA 2DPCA是其中综合效果最好的一种方法。     

基于PCA的实时人脸识别系统

人脸识别有着许多重要的应用,因此它在图像处理领域是一项重要的研究课题。本文介绍了在Open CV和c＋＋环境下开发的实时人脸识别系统的算法原理,给出了系统在静态和实时情况下的测试结果。     

基于PCA算法的人脸识别技术研究

身处信息时代,为了保护信息安全,如何准确鉴定某个人的身份,已经成为社会各界的难点.作为生物识别技术的一个重要分支,人脸识别技术在商业、安全、身份认证等领域有着广泛的应用.通过对传统PCA、分块PCA、MPCA以及二维PCA的人脸识别算法中的特征抽取方法以及对算法取不同参数情况下的性能和算法间性能对比,得出二维PCA性能...     

用于人脸识别系统的一种新PCA算法

在人脸识别系统设计中引入了一种新的基于加权主分量分析的人脸算法,该算法利用加权主分量分析的原理,将特征加权和主分量分析相结合,构造了一个新的3个中心的高斯分布函数作为加权函数对人脸各维特征进行加权,从而利用主分量分析的方法进行人脸识别.实验证明,该方法与已有的WPCA算法相比,具有更高的识别率.     

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PCA算法和小波包变换的人脸识别技术

在人脸识别领域,如何提取人脸特征和降低特征维数是关键.提出了一种基于小波包变换和主元分析相结合的人脸识别方法.小波包具有能够保留图像的主体信息又保留不同方向细节信息的优点.算法首先利用小波包变换,把人脸图像分解成不同尺度的低频和高频部分,提取最优基,再采用PCA方法进行人脸的识别.在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率.     

基于PCA算法的人脸识别

PCA算法作为一种数值分析技术,主要的应用是用于简化数据、降低数据维度。将PCA算法应用到人脸识别,能提取出人脸图像中最主要特征,去除数据的冗余和噪声。文中采用PCA进行人脸识别,能为人脸识别提取区分度高的特征数据,有效提高了识别的准确性。且在ORL和YALE人脸库进行了实验。实验结果表明,该方法对实验的人脸图像有较高的识别率。     

结合主分量分析及Fisher准则的说话人识别方法研究

本文提出了一种基于主分量分析和Fisher准则的新的Mel频率域特征参数。它是在Mel域频谱的基础上做主分量分析，并且根据Fisher准则，按Fisher比的大小进行特征参量的选择而得到的。它充分的利用了各频带间的相关统计信息，能更紧致有效的区分说话人，这样得到的特征矢量，与传统的按相应特征值进行特征选择的方法相比，在相同维数时具有最大的类别区分度。最后我们实现了一个文本无关的说话人自动识别系统，它的后端采用矢量量化实现聚类分析。在语音库上的实验表明本文的特征矢量在说话人识别上比相同维数的传统特征矢量识别率更高，证实了它紧致、区分度好、冗余信息少的优良性能。     

基于Fihserfaces算法的人脸识别

Fisher鉴别是一种有监督的特征提取技术,因其计算简单、分类效果良好而得到广泛应用。文中使用基于Fisher鉴别数值分析技术,对人脸数据进行特征提取,再使用最小距离分类器进行分类识别。该算法在ORL和YALE人脸库进行了实验,根据统计对ORL人脸库和YALEA人脸库的识别率分别为94.00%和89.33%。实验结果表明,Fisherfaces算法对于人脸库中的图像有较高的识别率。     

基于环形对称Gabor变换和分块PCA的人脸识别

提出了利用一种新方法获取合适的环形对称Gabor核函数窗口提取人脸图像的纹理信息,并结合改进的PCA进行人脸识别的方法.首先将人脸与环形Gabor小波函数卷积得到图像在5个尺度上的变换,该过程采用一种新方法获取合适的Ga-bor核函数窗口,以保证与人脸图像卷积后得到更为合理的人脸特征,同时利用一种新的分块PCA方法,将环形Gabor滤波后的子图像分组,对分组后的图像平均分块再进行降维,在空间位置上提取出Gabor人脸细节的主要特征,有效降低了人脸特征冗余.通过实验验证该方法在3.5m内对人脸识别率达到95％,单个人脸识别时间小于0.22 s.     

一种基于独立成分分析和最小最大概率机的人脸识别系统

提出了一种基于独立成分分析和最小最大概率机的人脸识别系统。该系统首先从摄像头中捕捉包含人脸的实时图像，利用haar特征人脸检测算法定位人脸区域，并将其从原始图像中分割出来。为了更好地提取有效特征，采用了ICA的特征提取方式，结合改进误差估计的最小最大概率机的分类方法对输入的测试图像进行识别。实验证明，该系统能够快速有效地处理实时状态下的人脸识别任务，准确率达到了96．8％，并且对多姿态的人脸具有一定的鲁棒性。     

一种基于改进主成分分析的人脸识别算法

提出一种主成分分析(PCA)和遗传算法(GA)相结合的人脸识别方法.利用遗传算法进行特征矢量的选择,以构成最有利于分类的特征空间.通过对ORL和Yale两个人脸数据库的实验结果,表明PCA和GA相结合的人脸识别算法优于传统的PCA人脸识别算法.