2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

自适应通用学习框架改进FLDA的人脸识别

针对传统的Fisher线性判别分析(FLDA)算法在处理单训练样本人脸识别时由于类内散布矩阵为零而不能进行特征提取的问题,提出了一种基于自适应通用学习框架改进FLDA的人脸识别算法。首先选取一个合适的通用训练样本集,计算其类内散布矩阵和样本平均向量;然后,利用双线性表示算法预测单训练样本的类内、类间散布矩阵,巧妙地解决了单训练样本类内散布矩阵为零的问题;最后,利用Fisher线性判别分析进行特征提取,同时借助于最近邻分类器完成人脸的识别。在Yale及FERET两大通用人脸数据库上的实验验证了所提算法的有效性及可靠性,实验结果表明,相比其他几种较为先进的单样本人脸识别算法,所提算法取得了更好的识别效果。     

基于图像隶属度的主分量分析人脸识别算法

提出了基于图像隶属度的主分量人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间.计算训练样本和待测样本在人脸特征空间中的投影向量间的距离.引入图像隶属函数,作为识别分类器进行人脸识别.针对ORL人脸库的实验结果表明该方法具有良好的识别分离能力.     

行列分块的核独立成分分析的人脸识别

提出一种行列分块的核独立成分分析(RC-KICA)的人脸识别方法。RC-KICA先对人脸图像矩阵按行列分块;然后对训练样本集依次进行行和列的核独立成分分析,得到左右解混矩阵;最后把训练样本子块投影到解混矩阵构成的特征空间进行特征提取及分类识别。RC-KICA更大程度地降低了样本维数,更好地解决了KICA高维小样本的缺陷。在YALE人脸库上的实验结果表明RC-KICA优于KICA和B-KICA。     

改进的分块2DPCA人脸识别方法

将样本中间值融入模块二维主成分分析方法进行人脸识别。该算法首先对图像矩阵进行了模块化得到子图像矩阵,之后直接把子图像矩阵集作为样本集。与原始模块二维主成分分析算法不同之处在于,将子块的类内中间值引入到总体协方差矩阵的求解过程中。通过ORL数据库的测试,融合后的算法继承了模块二维主成分分析的强鲁棒性,提高了识别率,证明了改进后的方法相对普通的二维主成分分析和模块二维主成分分析算法而言,性能得到提升。     

基于K-L变换和平均近邻法的人脸识别

首先介绍了K-L变换和近邻法判别的原理;然后以MATLAB R2009b为实验平台,分别利用类间散布矩阵和总体散布矩阵作为K-L变换的的产生矩阵,对ORL人脸库的400幅图片进行K-L变换,一部分作为训练样本,一部分作为待识别样本,训练样本以产生特征脸空间;接着计算出待识别图片在特征脸空间的坐标,采用平均近邻法进行人脸识别.最终的实验结果给出了基于两种产生矩阵的算法时间和正确识别率,实验证明采用K-L变换对人脸提取特征很有效,本文基于K-L变换和平均近邻判别法的人脸识别的方法正确率最高可达到95％.     

基于分块小波变换和2DPCA的人脸特征提取与识别算法

从最优化的角度出发,提出了一种基于分块小波变换和二维主成分分析法(2DPCA)的人脸特征提取与识别算法。该方法首先对人脸图像进行分块小波变换,并对各分块的高、低频分量进行组合处理,然后对小波系数特征应用2DPCA方法进行变换并将分块特征进行融合得到人脸鉴别特征,最后在ORL人脸库上应用支持向量机(SVM)对该特征进行分类识别。试验结果表明,该算法能有效地提高人脸识别性能,具有较短的识别时间和较高的识别准确率,优于传统的人脸识别方法。     

基于低秩特征脸与协同表示的人脸识别算法

在人脸识别中,人脸图像往往受到表情、光照、遮挡、姿态变化的影响,对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像,再分别对训练样本与误差图像提取特征构造特征字典,计算测试样本图像特征字典下的协同表示系数,最后通过重构误差进行分类。通过AR和ORL人脸库进行实验,结果表明,本文提出的人脸识别算法的识别率、识别速率得到有效提高。     

基于加权KPCA和融合极限学习机的人脸识别

针对传统的核主成分分析(KPCA)人脸识别算法的投影变换矩阵未必是最佳鉴别矩阵的问题,提出一种加权核主成分分析(WKPCA)的人脸识别算法。高分辨率人脸图像包含图像的大部分纹理信息,而低分辨率人脸图像体现了图像的大量形状信息,两类图像经WKPCA提取的特征具有一定的互补性,根据此特性将提取的特征融合以实现分类识别。所提算法采用ELM神经网络作为分类器,在ORL人脸库和Yale人脸库上的实验验证了算法的有效性。     

单训练样本条件下的人脸识别算法研究

由于主成分分析法和线性判别分析法等传统方法对单训练样本的识别能力弱,甚至直接失效。本文提出了二维小波变换与矩阵的最大间距准则或矩阵的线性判别分析相融合的人脸特征提取算法。即首先将原图像进行三层二维小波变换,然后对每层的近似分量分别进行最大间距准则或线性判别分析处理,最后用欧氏距离判别。在ORL人脸数据库上取得的实验结果表明,本文提出的算法能够提高单训练样本条件下的人脸识别率,同时也满足实时性要求。