二阶分块PCA的人脸特征提取方法研究

为了提取更为有效的鉴别特征,在已有的二阶特征脸方法和分块主成分分析(PCA)方法上,提出了二阶分块PCA人脸特征提取方法.该方法对原始人脸图像和经重建得到的剩余图像分别运用分块PCA,将提取的一阶和二阶特征线性组合为一个特征矩阵,再进行分类识别.此特征能更充分反映人脸图像的低频和高频特性.采用ORL人脸库和FERET人脸库的实验结果表明该二阶分块PCA正确识别率优于普通分块PCA算法,具有较强的特征提取能力.     

基于识别信心决策融合的分块PCA方法

分块主成分分析(BPCA)方法忽视模块间特征向量的质量差异,在遮挡环境中的识别率较低。为此,提出基于识别信心决策融合的分块PCA人脸识别方法。该方法将人脸图像划分为子模块,利用PCA和最近邻分类器分别识别各模块,得到模块识别结果及其对应的识别距离,依据识别距离区分各模块识别信心的大小,最终决策结果判定为对应最大识别信心的模块识别结果。AR人脸库的实验结果表明,该方法在遮挡环境中的识别率明显优于PCA和BPCA方法,对遮挡环境的适应能力显著增强。