基于2DGabor小波与2DPCA的人脸识别方法

2DGabor小波变换能够将相邻区域的像素联系起来,从不同的频率尺度和方向反映局部范围内图像像素灰度值的变化,2DGabor小波变换系数描述了图像上各给定位置附近区域的灰度特征。2DPCA方法,避免了从图像矩阵向一维向量的转换,并在人脸识别中获得了满意的效果。提出了2DGabor小波变换和2DPCA相结合的人脸识别方法,实验证明,2DGabor小波变换＋2DPCA的算法在识别效果上优于Gabor小波变换＋DPCA的算法。     

一种改进的核二维主成分分析人脸识别算法

结合二维主成分分析(two-dimensional principal component analysis,2DPCA)、核二维主成分分析(kernel two-dimensional principal component analysis,K2DPCA)、二维最佳判别式(two-dimensional Linear Discriminant Analysis,2DLDA)的特点,本文提出了一种改进的核二维主成分分析人脸识别算法,可以巧妙地将图像同时映射到最佳投影空间和最优判别空间。首先通过标准的K2DPCA算法在图像的行方向上去相关性;其次在K2DPCA空间通过2DLDA算法对图像做进一步投影;最后利用最近邻准则分类器计算相似度进行判别。在标准人脸库ORL和Yale进行验证,结果表明,所提出算法可以获得更高的识别率。     

基于改进2D-DLPP算法的人脸识别

在二维局部保持投影中引入类间结构信息和类标签,得到有监督的二维判别局部保持投影算法,从而提高了特征集的鉴别性。针对算法中参数的选取问题,建立无参数权重矩阵,提出无参数的二维判别局部保持投影(无参数2D-DLPP)算法。在Yale和ORL人脸库上的仿真实验结果表明,该算法与二维判别局部保持投影(2D-DLPP)、二维局部保持投影法(2D-LPP)和二维线性判别分析法(2D-LDA)相比能够取得更高的识别率。     

模块2DPCA算法在人脸识别中的应用和讨论

文章讨论了模块2DPCA(two-dimensional principal eomponent anallysis)的人脸识别方法.传统的PCA方法是在特征抽取之前将子图像矩阵转化为图像向量,这样会造成维数增大.二维主成分分析算法(2DPCA)作为模式识别领域的一种重要算法,它直接利用原始二维图像矩阵,生成特征提取所需的图像协方差矩阵,具有较高健壮性.模块2DPCA是2DPCA的推广,模块2DPCA方法先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于构造总体散布矩阵,然后利用总体散布矩阵的特征向量进行图像特征提取.与2DPCA相比,模块2DPCA方法在识别性能上优于PcA.、比2DPCA更具有鲁棒性.最后就模块2DPCA存在的问题进行了讨论.     

改进的人脸识别主分量分析算法

在应用于人脸识别领域的主分量分析(PCA)算法中,为了降低与外界光照变化相关的特征向量对提取特征的影响,提出了一种改进的主分量分析(MPCA)算法,利用相对应的标准方差对提取的特征矢量元素进行归一化处理.采用耶鲁大学的2个人脸数据库(Yale face database和Yaleface database B)进行了验证,实验结果表明,对于正面人脸和具有小角度姿态变化情况下的人脸,提出方法的性能优于传统的PCA和LDA(线性判别分析)算法,而运算量和PCA算法相同,大大低于LDA算法.     

二维PCA人脸特征提取算法及其改进

基于DiagPCA（对角主成分分析）及平均脸的方法对二维主成分分析（2DPCA）方法进行了改进,既考虑到构造2DPCA训练样本人脸间散布矩阵时使特征最大化,减少了同类人脸之间的特征差异,又利用图像矩阵对角化将图像的行、列关系联系起来,并利用ORL人脸数据库进行实验。结果显示,该方法可提高人脸识别率,且降低了特征提取的时间。     

人脸识别算法分析与研究

首先针对两种常用的人脸识别方法:改进主成分分析算法与隐马尔科夫模型算法进行了分析和比较:改进主成分分析算法能更好的保持样本间的分类信息,适合分类识别研究,同一人的面部经过隐型马尔科夫模型算法处理能够看作一种状态产生的一系列的实现,而不同的HMM是用来表现不同的人脸等等,然后分别对它们进行了算法改进,最后对这两种算法进行了总结和展望.     

一种改进的基于遗传算法的人脸识别方法

针对常见的基于PCA的人脸识别方法在识别过程中所遇到的计算量大、分类特征不佳等问题,提出了基于遗传算法的PCA+2DPCA的人脸识别方法,并通过实验,利用ORL人脸数据库验证了该方法的可行性。     

基于多通道Gabor滤波和2DPCA的虹膜识别算法

为提高虹膜识别系统的识别率和识别时效性,设计了基于多通道Gabor滤波和二维主分量分析(2DPCA)的虹膜识别算法。利用多通道Gabor滤波器对采集的虹膜进行特征提取。由于得到的特征向量矩阵的维数通常较大,会影响特征匹配和虹膜识别的运算速度,因而需要对特征矩阵进行降维处理。2DPCA算法能有效地克服传统虹膜识别系统中的"维数危机"问题,在保留虹膜特征主分量的基础上,降低虹膜匹配运算量,提高虹膜系统的识别效率。虹膜识别采用差异度匹配法,通过阈值比较得到识别结果,对容量不等的各类虹膜图库均具有良好的适应性。实验中对容量为50的虹膜图库进行了算法测试,系统的最低识别率达到了88%,识别时间仅为传统非降维识别方法的一半。理论分析和实验结果表明,该算法对虹膜纹理的特征提取精度高,识别率高,识别速度快。     

基于二维 PLA 的半监督动态人脸识别算法

提出一种结合二维PCA和二维LDA的降维方法,并将方法应用于人脸识别研究.对传统的半监督模糊聚类算法进行改造,使之可以直接用于二维数据矩阵进行动态聚类,并据此设计了一种动态学习算法.实验结果表明,与其他降维方法和聚类算法比较,这种结合了二维LDA的半监督聚类模型具有更好的识别率.     

插值后的PCA和2DPCA人脸识别方法

提出了对PCA和2DPCA人脸识别方法进行先插值。该方法先对原始图像插值,降低图像的维数,再用PCA和2DPCA方法进行鉴别分析。在ORL人脸库和YALE人脸库上的实验表明,插值后的PCA和2DPCA人脸识别方法可以在低失真的情况下较大的提高效率。     

一种基于gamma分布的NMF算法及其在人脸识别中的应用

提出了一种基于gamma分布的NMF算法(GNMF),并将之用于人脸特征抽取.构造了特征子空间,并在特征子空间内实现脸部识别.结果表明,GNMF算法可行且有效,以GNMF为基础的人脸识别率较高.     

基于图像矩阵变换的PCA及人脸自动识别

在图像主分量分析的基础上,提出了一种基于图像矩阵变换的主分量分析方法．该方法首先对图像矩阵进行适当的变换,用得到的新的图像矩阵构造图像总体散布矩阵后,再运用图像投影主分量分析进行特征抽取．该方法在ORL标准人脸库上的试验结果表明,经过适当的变换后抽取的鉴别特征在识别性能和速率上均优于单纯的图像主分量分析方法．另外,在AR人脸库上的试验结果也表明该方法对光照变化具有较强的鲁棒性．     

图像二维鉴别特征矩阵融合及人脸识别

二维最大散度差鉴别准则和二维Fisher鉴别准则抽取的特征具有很强的相关性.本文在此基础上,通过对传统的基于向量的典型相关分析方法进行分析改进,提出了一种新的直接基于图像二维鉴别特征矩阵融合的二维典型相关分析方法,并将其应用于人脸识别的特征融合过程中.较基于向量的典型相关分析,该方法计算过程中构造的协方差矩阵维数大幅度减小.这在一定程度上避免了人脸识别中存在的"高维小样本问题",另一方面也使算法的速度明显提高.     

基于DSP的人脸识别系统的设计与实现

为了提高身份识别系统的实时性、可靠性和便捷性,设计了基于DSP的人脸识别系统。基于肤色的人脸检测算法和基于小波变换的主成分分析的人脸识别算法构成了所设计系统的软件算法;DSP(DM642)微处理器、CCD传感器摄像头和显示屏等构成了该系统的硬件平台。测试结果表明,设计的人脸识别系统具有识别速度快和成功率高等优点。     

基于PCA算法的摄像头人脸识别研究

研究一种基于摄像头的快速人脸识别方法,具体步骤为:利用摄像头捕捉人脸图像,采用图像处理算法从所抓取的图像中提取能代表人脸的特征信息;然后对这些信息进行分析和处理利用主成分分析算法对人脸进行识别;最后采用VC++程序语言开发了基于摄像头的人脸识别系统。实验结果表明,该系统具有采集速度快,易读性和可移植性强的特点,并且具有很强的实用性。     

自适应非负矩阵分解的人脸识别方法研究

在单样本或者小样本的人脸识别系统中,常常会面临样本数量不足的问题,为解决少样本情况下的分类精度,以及利用原始特征或者目标特点重构的虚拟样本过于单一等问题,提出一种自适应非负矩阵分解（NMF）的人脸识别方法。该方法首先在矩阵分解过程中构造不同矩阵维度和迭代次数参数下的重构样本;然后利用QR分解稀疏表示方法进行人脸分类;最后,通过选取最优参数组合,调整重构样本,直至达到最佳分类效果。在ORL、Yale和AR 3个数据库上的实验结果表明,该算法在最佳参数下,尤其是单样本情况下对比基于原样本方法的准确率平均提高了约5%,最高提高了约10%～15%。     

基于小波变换与Boosting的人脸识别方法

文章首先对人脸图像做三层小波变换,分析了小波分解后的各个小波子带图像,研究了每一个小波子带单独运用主成份分析方法进行人脸识别的识别率,然后利用Boosting算法中的投票组合原则,组合各小波子带来进行人脸识别,与传统的主成份分析方法相比,具有更高的识别率.