基于二维复判别分析的人脸识别研究

为了提高人脸正确识别率和效率,在行列方向的二维线性判别分析((2D)2LDA)基础之上,提出了一种二维复判别分析(2DCCDA)的人脸识别方法.该方法通过(2D)2LDA并行提取到的行和列特征矩阵,利用复二维鉴别式分析(C2DLDA)将行和列特征融合成复数特征矩阵,从复数特征矩阵中提取出最具分类能力的系数组成特征向量.相比较二维线性判别分析(2DLDA)和(2D)2LDA方法,2DCCDA需要更少的特征系数来表征一幅图像,并且正确识别率也相应提高.     

融合2DPCA和模糊2DLDA的人脸识别

结合模糊集理论、双向二维主成分-线性鉴别分析((2D)2PCALDA)的特点,提出一种新的人脸图像特征提取方法。算法首先对人脸图像进行二维主成分分析(2DPCA)处理,再用模糊K近邻算法计算图像的隶属度矩阵,并将其融入到2DLDA过程中,从而得到模糊类间散射矩阵和模糊类内散射矩阵。与(2D2PCALDA相比,该算法充分利用了(2D)2PCALDA的优点,有效地提取了行和列的识别信息,并充分考虑了样本的分布信息。在Yale和FERET人脸数据库上的实验结果表明,该方法识别效果优于(2D)2PCALDA、双向二维主成分分析((2D)2PCA)等方法。     

基于DCT融合2DPCA与DLDA的人脸识别

传统的基于主成分分析的人脸识别需要将图像矩阵转化为向量,特征提取需要花费大最时间.二维主成分分析直接利用图像矩阵,特征提取速度快,但特征数量大,影响分类速度.因此,提出了一种基于离散余弦变换(DCT)的二维主成分分析(2DPCA)和直接线性判决分析(DLDA)结合的人脸识别方法.算法首先用DCT对人脸图像进行压缩并重建,然后利用2DPCA和DLDA对人脸图像进行特征提取.最后选用最近邻分类器进行分类.在ORL人脸库上的测试结果表明,与DLDA或2DPCA算法相比,算法具有更高的识别率.     

基于双向2DLDA与LDA相结合的SAR目标识别算法

线性判决分析(LDA)用于图像特征提取时,存在着损失二维空间结构信息、计算复杂度大的缺点。二维线性判决分析(2DLDA)弥补了LDA的缺点,但2DLDA仅消除了图像各列间的相关性,所提取的图像特征维数仍然较大。为解决上述问题,采用双向2DLDA与LDA相结合的特征提取算法对图像的行和列同时进行压缩,减少特征矩阵维数,降低计算量。实验结果表明,所提出的SAR(Synthetic Aperture Radar)图像目标识别方法有效地降低了图像数据维数,提高了识别率,并克服了方位角变化对识别结果的影响。     

一种对角LDA算法及其在人脸识别上的应用

2维特征抽取方法(如2DPCA、2DLDA),因为其抽取特征的速度和识别率要比1维的方法好,所以在人脸识别中得到了广泛的应用。最近基于2DPCA又提出了对角主成份分析(diagonal principal component analysis,DiaPCA),该方法由于保持了图像的行变化和图像的列变化之间的相关性,从而克服了2DPCA仅能反映图像行之间的变化,而忽略了图像列之间变化的缺点。但是,由于DiaPCA并没在特征抽取中融入鉴别信息,同时2DLDA也具有与2DPCA同样的缺点,从而分别影响了DiaPCA与2DLDA两种方法的识别性能。针对这一问题,提出了一种对角线性鉴别分析(diagonal linear dicriminant analysis,DiaLDA)的新算法,该新算法是基于对角人脸图像来求解最优鉴别向量。该新算法在ORL和FERET人脸库进行了实验,并与PCA、Fisherface、DiaPCA、2DLDA等方法进行了比较。实验结果表明,该方法比其他方法的识别性能要好。     

融合2DDCT、2DPCA和2DLDA的人脸识别方法

二维主分量分析(2DPCA)是人脸识别中的一种非常有效的特征提取方法。二维线性判别(2DLDA)方法具有很好的分类效果。在研究这两种理论的基础上提出一种基于2DDCT(二维离散余弦变换)与2DPCA+2DLDA相结合的人脸识别方法,并在0RL人脸库上分别对单一的方法与相融合的方法进行识别比较研究。实验结果表明,提出的方法不仅提高了识别率,而且减少了训练与分类时间。     

基于小波分解和K2DPCA-2DLDA的手背静脉识别

提出了一种基于小波分解和二维主成分分析-二维线性判别式分析(K2DPCA-2DLDA)的手背静脉识别方法,选用db4小波基对原图进行小波分解。对其低频子图进行K2DPCA映射获得低维空间特征,通过对此低维空间特征进行2DLDA变换得到最终特征表达,利用最近邻法则进行了分类。实验结果表明,该方法能提高手背静脉识别率,有效减少识别时间。     

基于分块二维线性鉴别分析的人脸识别

基于2DLDA方法,提出了一种基于图像分块的二维线性鉴别分析(M2DLDA)的人脸识别方法。该方法首先对原始人脸图像进行必要的预处理后进行分块,再对分块后的子图像分别采用2DLDA方法进行特征提取,最后用最小距离分类器进行识别。该方法的优点：分块后能有效的抽取人脸图像的局部特征有利于分类;降低了2DLDA方法提取的特征矩阵的维数;特征提取是基于图像矩阵的,抽取方便快速。在ORL人脸数据库上的实验结果表明：该方法在识别性能上优于2DLDA方法。     

二维PCA非参数子空间分析的人脸识别算法

提出一种结合二维PCA(2DPCA)的二维非参数子空间分析(2DNSA)人脸识别算法.利用2DPCA对原始图像矩阵进行特征降维,以降维后的特征为训练样本,进行二维非参数判别分析,并综合考虑类边界样本对分类的影响,采用2DNSA实现更合理的特征提取.基于Yale、LARGE人脸数据库的实验结果表明,与(2D)2pCA、2...     

基于子模式行列方向二维线性判别分析特征融合的特征提取

针对人脸识别中表情和光照变化引起的面部变化、灰度不均匀等识别问题,提出一种基于子模式行列方向二维线性判别分析(Sp-RC2DLDA)的特征提取方法。该方法通过对原图像进行子模式分块处理,能有效提取图像的局部特征,减少表情、光照变化的影响,通过把相同位置的子图像组成子样本集,合理利用了子块间的空间关系,进一步提高了识别率;同时,对各个子样本集分别利用行方向二维线性判别分析(2DLDA)和列方向扩展2DLDA(E2DLDA)进行特征抽取,得到互补的行、列方向子图像特征,并分别把子图像特征组合成原图像的特征矩阵,然后利用一种特征融合方法对行、列方向特征矩阵进行有效融合,对互补的特征空间进行融合有效地改善了识别性能;最后采用最近邻分类器进行人脸识别实验。在Yale及ORL人脸库上的实验结果表明,Sp-RC2DLDA有效地减少了表情和光照变化的影响,具有较好的鲁棒性。     

基于改进二维保局投影算法的人脸识别

传统的二维保局投影(2DLPP)算法未考虑样本邻域间局部信息,并且所提取的特征矩阵分量间存在相关性。针对该问题,提出基于大间距准则的最小相关性监督2DLPP算法。引入类间局部散度矩阵和类内局部散度矩阵,最大化带权的散度矩阵迹差,以增大样本类间散度,减小样本类内散度,从而更好地刻画数据的流形结构。计算所提取特征矩阵各分量间的协方差矩阵,通过最小相关性分析,减少特征信息的冗余。在Yale和ORL人脸库上进行仿真实验,结果显示,当训练样本数为5时,该算法的最高识别率分别为92.5%和96.2%,与传统2DLPP算法、二维主成分分析法、二维线性判别分析法和二维大间距准则法相比,识别率均有所提高。同时对不同训练样本数下识别率均值和方差进行分析,验证了算法的稳定性。     

基于自适应特征融合的人脸识别

针对单一人脸特征在人脸识别中的局限性问题和二维主成分分析人脸特征缺少判别信息的问题,利用互补思想,提出了一种改进的二维主成分分析与二维线性鉴别分析加权融合的人脸识别算法。利用离散余弦变换对原始人脸图像进行压缩并重建,以滤除图像中人眼并不敏感的中高频部分,再利用二维主成分分析方法进行人脸特征的提取;运用二维线性鉴别分析方法提取原始人脸图像中具有鉴别性的人脸特征;最后,提出一种自适应的权值选取方法,将两种人脸特征进行加权融合以实现分类识别。在ORL和Yale人脸数据库上的实验结果证明了该方法的有效性。     

(2D)LDA: An efficient approach for face recognition

Although 2DLDA algorithm obtains higher recognition accuracy, a vital unresolved problem of 2DLDA is that it needs huge feature matrix for the task of face recognition. To overcome this problem, this paper presents an efficient approach for face image feature extraction, namely, (2D)²LDA method. Experimental results on ORL and Yale database show that the proposed method obtains good recognition accuracy despite having less number of coefficients.     

随机采样的2DPCA人脸识别方法

在2DPCA的基础上提出一种随机采样的2DPCA人脸识别方法--RRS-2DPCA.同传统通过对特征或投影向量进行采样的方法不同的是,RRS-2DPCA(Row Random Sampling 2DPCA)将随机采样建立于图像的行向量集中,然后在行向量子集中执行2DPCA.在ORL、Yale和AR人脸数据集上进行实验,结果表明RRS-2DPCA不仅具很好的识别性能和运算效率,而且对参数具有很大的稳定性.另外针对2DPCA和RRS-2DPCA对光线、遮挡等不鲁棒问题,进一步提出了局部区域随机采样的2DPCA方法LRRS-2DPCA(Local Row Random Sampling 2DPCA),将RRS-2DPCA执行在人脸图像的局部区域中.实验结果表明LRRS-2DPCA不仅具有较好的鲁棒性更大大的提高了RRS-2DPCA的识别性能.     

基于PCA和LDA结合的人脸识别方法的比较研究

针对用于人脸识别的主分量分析(PCA)计算量大、识别效果不佳和分类时间长,线性判别分析(LDA)存在小样本问题,比较研究几种基于PCA和LDA的人脸识别方法,这些方法包括PCA+ LDA、2DPCA+ DLDA和2DPCA+2DLDA.在理论和实验上比较研究这些方法,且在ORL和Yale人脸库的实验数据表明,结合后的方法比结合前的方法分类效果好,分类时间短,且在这几种方法中,2DPCA+2DLDA的效果最佳.     

Multi-directional two-dimensional PCA with matching score level fusion for face recognition

The traditional matrix-based feature extraction methods that have been widely used in face recognition essentially work on the facial image matrixes only in one or two directions. For example, 2DPCA can be seen as the row-based PCA and only reflects the information in each row, and some structure information cannot be uncovered by it. In this paper, we propose the directional 2DPCA that can extract features from the matrixes in any direction. To effectively use all the features extracted by the D2DPCA, we combine a bank of D2DPCA performed in different directions to develop a matching score level fusion method named multi-directional 2DPCA for face recognition. The results of experiments on AR and FERET datasets show that the proposed method can obtain a higher accuracy than the previous matrix-based feature extraction methods.