一种基于图像分块加权的（2D）2PCA人脸特征提取方法

论文针对二维主成分分析法（2DPCA）表征信息不全面且系数多的不足,提出分块加权处理的双向2DPCA（（2D）2PCA）方法提取人脸特征。该方法利用（2D）2PCA方法对人脸的各个分块提取特征,并对各分块的特征进行加权处理,然后应用支持向量机（SVM ）实现分类识别。经过在ORL人脸库的实验研究表明,该方法压缩了人脸识别系数,缩短了识别时间,提高了识别准确率。     

人脸识别中优化特征空间方法的研究

在人脸识别领域的诸多算法中,PCA(主分量分析)作为一种经典的算法,仍有其独特的生命力.本文在分析传统PCA算法的基础上,结合其它一些变形,提出一种二次PCA和NFL(最近邻特征线)级连判决的方法.针对Manchester和ORL人脸库的实验表明该算法确实提高了识别率.实验前对M锄chester人脸库进行了必要的预处理,在一定程度上弥补了光照、人脸大小、头发等的影响.     

基于局部二元模式的快速红外人脸识别系统

红外人脸成像具有对光照、人脸皮肤、表情、姿态等因素变化不敏感的特点,可以在一定程度上弥补这些因素对可见光人脸识别影响的不足。为了充分提取红外人的局部鉴别特征,文中提出了一个基于局部二元模式的快速红外人脸识别系统。该系统首先通过thermoVision A40型红外热像仪获分辨率为320240的红外人脸图像,并通过人脸检测和归一化方法提取大小为6080的标准红外人脸图像。其次,基于人脸图像的对称性,将红外人脸图像分块。通过局部二元模式直方图提取每一分块所包含的纹理模式特征。最后,采用Kruskal-Wallis（KW）特征选择算法,进一步抽取对识别有贡献的局部纹理特征用于分类识别。实验结果表明:提出的热红外人脸系统识别率明显优于基于主成分分析（PCA）和线性鉴别分析（LDA）的传统红外人脸识别系统,可以达到98.6%的识别率。与此同时,提出的红外人脸识别系统识别速度也快于传统基于PCA和LDA系统,可以广泛应用于实时人脸识别中。     

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。     

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。     

基于小波变换的人脸识别技术研究

文章提出了基于小波分解与PCA变换相结合的人脸特征提取方法,首先对人脸图像进行二维小波变换,对变换后的低频分量做PCA变换以提取人脸特征,最后,使用SVM分类器进行人脸识别。为了验证方法的有效性,文章以ORL人脸库作为测试数据库,前5幅人脸作为训练样本,后5幅人脸作为测试样本,实验结果表明该方法能有效的识别处理过的人脸图像。     

一种基于人脸核心特征的PCA人脸识别算法及应用

传统的PCA人脸识别算法是直接从图像中提取人脸进行识别,由于人脸的大小、角度,光照等原因导致识别率低。本文提出的基于人脸核心特征的人脸识别算法是通过人脸核心特征,包括左眼、右眼、鼻子、嘴巴进行人脸识别。这种算法能有效克服人脸识别中的大小、角度、光照等不利因素,显著提高了人脸识别率,并成功应用于智能相片搜索系统。     

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。     

一种改进的基于主成分分析的人脸识别技术

人脸识别的研究内容主要包括人脸特征提取和识别两部分。文章基于传统的PCA(主成分分析)人脸识别原理及优缺点,采用KPCA(核主成分分析)实现人脸识别的改进。该算法通过非线性映射,把原始图像数据变换到特征空间,再利用PCA实现人脸识别。在MATLAB环境下,进行基于ORL(Olivetti研究实验室)人脸库的实验仿真,KPCA能较好地提取非线性成分,其识别性能优于传统的PCA方法。     

基于PCA和ICA的人脸识别

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法。     

多层融合深度局部PCA子空间稀疏优化特征提取模型

子空间方法是主要利用全局信息的经典模式识别方法,随着深度学习思想的引入,局部自学习结构特征模型得到大家的关注.利用深度学习原理,本文提出一种多层融合的深度局部子空间稀疏优化特征自学习抽取模型解决目标识别问题.首先,对训练样本集通过最小化重构误差得到第一层的主成分（Principal Component Analysis,PCA）特征映射矩阵;然后,通过L₁范数约束对特征映射结果进行稀疏优化,提高算法鲁棒性.接着,在第二层映射层以第一层的特征输出为输入,进行同样的特征矩阵学习操作,最终将图像映射至深层PCA子空间;然后,对各个映射层的特征提取结果进行加权融合,进行二值化哈希编码和直方图分块编码,提取图像的深度子空间稀疏特征.在FERET、AR、Yale等经典人脸数据库以及MNIST、CIFAR-10等目标数据库上的实验结果表明,该算法可以取得较高的识别率以及较好的光照、表情、人脸朝向鲁棒性,并且相对于卷积神经网络等深度学习框架具有结构简洁、收敛速度快等优点.     

采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式（Center Quad Binary Pattern, C-QBP）和用于描述图像小尺度局部特征的简化四点二元模式（Simplified Quad Binary Pattern, S-QBP）两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。      

基于K-L交叉熵的岭回归人脸识别

岭回归人脸识别利用正则单形的顶点对每类人脸进行多元标记,通过投影实现高维人脸特征的降维。该算法首先提取人脸图像的局部二进制（LBP）直方图特征向量,通过主成分分析（PCA）和岭回归对该特征向量进行两次降维。识别阶段利用K-L交叉熵计算标记向量和投影后特征向量的相似性,根据熵值最小原则完成对测试样本的类别判断。实验选取ORL和YALE两个标准人脸库对算法进行测试,结果表明,K-L交叉熵测度比传统的欧氏距离测度获得更高的识别率。     

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。     

Gabor-based kernel PCA with doubly nonlinear mapping for face recognition with a single face image.

In this paper, a novel Gabor-based kernel principal component analysis (PCA) with doubly nonlinear mapping is proposed for human face recognition. In our approach, the Gabor wavelets are used to extract facial features, then a doubly nonlinear mapping kernel PCA (DKPCA) is proposed to perform feature transformation and face recognition. The conventional kernel PCA nonlinearly maps an input image into a high-dimensional feature space in order to make the mapped features linearly separable. However, this method does not consider the structural characteristics of the face images, and it is difficult to determine which nonlinear mapping is more effective for face recognition. In this paper, a new method of nonlinear mapping, which is performed in the original feature space, is defined. The proposed nonlinear mapping not only considers the statistical property of the input features, but also adopts an eigenmask to emphasize those important facial feature points. Therefore, after this mapping, the transformed features have a higher discriminating power, and the relative importance of the features adapts to the spatial importance of the face images. This new nonlinear mapping is combined with the conventional kernel PCA to be called "doubly" nonlinear mapping kernel PCA. The proposed algorithm is evaluated based on the Yale database, the AR database, the ORL database and the YaleB database by using different face recognition methods such as PCA, Gabor wavelets plus PCA, and Gabor wavelets plus kernel PCA with fractional power polynomial models. Experiments show that consistent and promising results are obtained.     

一种基于分块个体子空间的人脸识别方法

针对传统PCA算法的局限性,本文提出了一种基于个体子空间和分块特征提取的人脸识别方法。该方法不同于传统的PCA算法,它为每一个体人脸对象建立一个该个体对象所独有的人脸子空间,并且运用分块特征提取,加强了对样本局部特征信息的提取。在识别过程中,将待测人脸图像对不同个体人脸子空间进行投影后,再运用最近距离分类原则进行分类识别。该方法相对于传统的PCA算法能够更好地描述不同个体人脸之间的差异性,克服各类噪声。本文的实验结果表明,该方法的识别率相对于传统PCA特征脸算法具有一定的提高,能够较好地克服光照、表情和姿态变化的影响。     

基于2DDPCA人脸识别算法

主成分分析法(PCA)是人脸识别传统方法之一,是模式识别中一种普遍的线性组合算法.传统PCA算法因光照等外界因素和计算量较大等问题导致识别率较低.为了抑制这些缺点,主要研究基于PCA人脸识别算法改进的二维主成分分析法(2DPCA)和在2DPCA算法的基础上进行第二次特征提取的2DDPCA算法,并对PCA,2DPCA,2DDPCA这3种人脸识别算法在ORL和Yale人脸数据库上进行实验.实验主要从两方面进行分析,特征向量的维数、训练样本数与识别率的关系以及3种方法分别在数据库的时间对比.实验结果表明,提出的2DDPCA算法在不明显降低识别率的基础上,能有效提高识别速率,重建性能好.     

一种消除光照影响的人脸识别方法

光照变化容易使人脸图像的灰度分布不均匀,造成局部对比度差别较大,影响人脸识别的效果。为此本文首先分别对人脸图像进行直方图均衡化和对数变换,接着将处理后的图像进行融合,然后运用PCA算法对人脸图像进行特征提取,最后采用三阶近邻分类法来实现人脸识别。通过对Yale、ORL和FERET人脸库的仿真实验结果表明,该方法在人脸图像光照变化的情况下,能够较好地改善人脸补偿的效果,具有较高的平均识别正确率。     

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。