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。     

MEEMD特征掌纹的2DPCA识别方法

为了提高识别率,提出了基于MEEMD和2DPCA的掌纹识别方法.利用MEEMD技术对掌纹图像进行分解,得到本征模式函数（IMF）分量,用高频分量重构掌纹图像,形成掌纹识别图像集.然后利用2DPCA技术进行识别.MEEMD重构掌纹能够突出掌纹细节特征,提高识别率.采用香港理工大学掌纹数据库进行实验,将此方法与不包含MEEMD的2DPCA方法进行比较,实验结果说明此方法有较高的识别率和较快的识别速度.     

基于两级2DPCA的SAR目标特征提取与识别

对二维图像用主分量分析(PCA)来提取特征具有准确估计协方差矩阵比较困难、计算复杂度大的缺点。二维PCA(2DPCA)克服了PCA的局限性,但2DPCA仅去除了图像中各行像素间的相关性,因此它用于特征提取时得到的特征维数较大。该文采用两级2DPCA的图像特征提取方法,可进一步压缩特征维数,减少识别运算量。用运动和静止目标获取与识别(MSTAR)计划录取的合成孔径雷达(SAR)地面静止目标数据的实验结果表明,结合该文的预处理方法,两级2DPCA在大大降低了特征维数的同时,提高了识别率,且对目标方位角变化具有较强的鲁棒性。     

基于2DPCA+PCA与SVM的人脸识别

为了提高传统PCA与SVM相结合的人脸识别算法的性能,文中提出了一种基于双向压缩的2DPCA+PCA与遗传算法SVM相结合的人脸识别算法。该算法采用双向压缩的2DPCA与PCA相结合的算法来进行人脸特征提取,有效地减少了特征数量和PCA模型的计算时间;在与SVM相结合时,其训练时间和识别时间都有所降低,且提高了识别率;同时为了进一步提高SVM的性能,文中采用遗传算法来进行SVM参数寻优,并使用交叉测试识别率来作为适应度函数。在ORL人脸库上的实验表明,该算法的性能明显高于传统PCA与SVM相结合的人脸识别算法。     

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。     

一种M2DPCA和NFA相结合的人脸识别方法

针对非参数特征分析(nonparametric feature analysis,NFA)方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,计算复杂等缺点,提出M2DPCA+NFA相结合的方法。新方法对图像矩阵进行分块,再采用2DPCA进行特征提取,再实行NFA。该方法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NFA方法以及本方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NFA方法。     

基于Gabor小波和改进2DPCA的人脸识别方法

在人脸识别中,一般传统方法先用Gabor小波变换提取人脸特征后直接进行主成分分析(PCA)会遇到计算量过大,识别率不高等问题。为了克服这些影响,本文提出先对人脸进行2DGabor小波变换提取人脸特征,再用改进的2DPCA(二维主成分分析)进行降维处理,最后用最近邻法进行分类识别。在ORL人脸库上进行实验,该方法明显优于传统的2DGabor+PCA等算法。     

基于改进2DPCA的红外图像人脸识别方法

红外成像具有抗干扰性强、独立于可见光源、防伪装等优点,这使得红外图像人脸识别可以在很大程度上弥补可见光人脸识别技术的缺陷和不足。结合红外图像人脸识别的特点,提出了一种基于改进2DPCA的红外图像人脸识别方法。在特征提取中加入Fisher思想,弥补传统2DPCA的缺陷。实验结果表明,这种识别方法不论从理论上还是从实验上都是可行的,具有良好的识别能力。     

基于子模式双向二维主成分分析的人脸识别

为了减轻人脸姿态、表情和光照条件等因素变化对识别率的影响,采用了一种子模式双向二维主成分分析(Sp-(2D)2PCA)的人脸识别新方法。该方法通过对原图像进行分块处理,能有效地抽取原图像的局部特征;同时,通过采用(2D)2PCA对分块得到的子图像矩阵直接进行特征抽取,避免了矩阵向量间的转化,能精确地计算协方差矩阵的特征向量,并能有效地降低特征维数。试验结果表明,在姿态、表情和光照条件变化的情况下,Sp-(2D)2PCA都具有较好的识别性能。     

基于Gabor的特征提取算法在人脸识别中的应用

针对人脸识别中的特征提取问题,提出一种新的基于Gabor的特征提取算法,利用Gabor小波变换良好的提取区分能力和LDA所具有的判别性优势来进行特征提取。首先利用Gabor小波变换来提取人脸特征。然后对得到的高维特征采用PCA进行初次降维,再利用LDA实现再次降维,得到最终的特征向量。在ORL和YALE人脸库上的实验验证了该算法的有效性。     

一种基于Gabor小波及互协方差降维运算的人脸识别方法

针对传统的人脸识别方法对人脸图像的曝光量、表情比较敏感,并且具有较大类内离散度的缺点,该文提出一种基于Gabor小波以及加权互协方差运算的人脸识别算法。该算法首先对人脸图像提取Gabor特征,然后使用加权的互协方差矩阵对经过处理的特征图像进行降维及特征提取;最后使用最近邻分类器进行分类。在ORL数据库和AR数据库上的实验表明,该方法的降维和识别性能优于传统2DPCA及其改进算法,能兼顾维度简约性和准确性,有效地提高了识别性能。     

一种基于SIFT的仿射不变特征提取新方法

图像局部特征提取是图像理解及机器视觉领域一个非常关键的问题,其中SIFT特征因具有良好的显著性和鲁棒性而得到广泛应用。但是,SIFT采用DOG检测子,定位的特征区域为各向同尺度变化的圆形区域,故其只具有尺度不变性,并不具备仿射不变性。此外,SIFT采用128维特征向量表示,当在图像特征点较多情况下进行匹配实验时,存在存储空间大、匹配耗时多等缺点。针对这两个问题,本文提出一种新的仿射不变特征提取方法,即HA-DR-SIFT(Hessian Affine-Dimensionality Reduction-SIFT)。首先,用Hessian-Affine 检测子代替DOG检测子,使提取的椭圆图像区域满足仿射不变性需求;其次,用PCA或NLPCA方法对128维特征向量进行降维处理,提高后续运算效率。实验表明,新方法不仅具有良好的仿射不变性,而且在匹配时间和存储空间上优于SIFT算子。      

一种基于2DPCA的人耳识别方法

针对人耳识别问题,提出一种二维主分量分析(2DPCA)的人耳识别方法,该方法不需要预先将图像转换为一维向量,而是基于图像矩阵,直接计算图像协方差矩阵的特征向量作为人耳特征提取,大大加快特征提取的速度,从根本上克服了传统PCA在进行图像特征提取时耗时过多的缺点。并通过BP神经网络进行分类识别。实验结果表明,应用2DPCA方法提取人耳图像特征,可以大大提高识别效果。     

基于图像协方差无关的增量特征提取方法研究

针对2维主成分分析(2DPCA)算法无法实现在线特征提取及无法体现完整数据结构信息等问题,该文提出一种基于图像协方差无关的增量式2DPCA(I2DPCA)算法。该算法无需对图像协方差矩阵进行特征值分解奇异值分解,复杂度将大为降低,提高了特征提取速度。针对I2DPCA仅提取了横向特征的问题,又提出一种增量式行列顺序2DPCA(IRC2DPCA)算法,该算法对I2DPCA的特征矩阵再次进行纵向特征提取,保留了图像的横向与纵向结构信息,实现了行列两个方向上的特征提取与数据降维。最后,以自建的物块数据集、通用的ORL和Yale人脸数据集分别进行对比实验,结果表明,该文算法在收敛率、分类率及复杂度等性能方面均得到了显著提高,其收敛率达到99%以上,分类率可达97.6%,平均处理速度为29 帧/s,能够满足增量特征提取的实时处理需求。     

基于2D-PCA特征描述的非负权重邻域嵌入人脸超分辨率重建算法

在基于邻域嵌入人脸图像的超分辨率重建算法中,训练和重建均在特征空间进行,因此,特征选择对算法性能具有较大影响。另外,算法模型对重建权重未加限定,导致负数权重出现而产生过拟合效应,使得重建人脸图像质量衰退。考虑到人脸图像的特征选择以及权重符号限定的重要作用,该文提出一种基于2维主成分分析(2D- PCA)特征描述的非负权重邻域嵌入人脸超分辨率重建算法。首先将人脸图像分成若干子块,利用K均值聚类获得图像子块的局部视觉基元,并利用得到的局部视觉基元对图像子块分类。然后,利用2D-PCA对每一类人脸图像子块提取特征,并建立高、低分辨率样本库。最后,在重建过程中使用新的非负权重求解方法求取权重。仿真实验结果表明,相比其他基于邻域嵌入人脸超分辨率重建方法,所提算法可有效提高权重的稳定性,减少过拟合效应,其重建人脸图像具有较好的主客观质量。     

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。