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。     

基于主成分分析的特征脸提取及人脸识别实现

基于主成分分析的方法,对OLR人脸图像样本库做特征脸提取,然后作人脸识别。依据SVD定理及其推论,使得计算特征值和特征向量在计算机上实现成为可能。从而使得提取的特征脸组成的特征空间从原来的高维空间降到了低维空间,这为后续的人脸识别研究打下了基础。     

基于特征脸加权组合的人脸识别

将基于主成分分析的特征脸人脸识别方法进行改进,以提高人脸识别率.首先利用主成分分析法提取人脸图像的特征脸,然后经图像重构得到二阶特征脸,最后将两种特征脸组合,构造组合特征,用三阶近邻法进行识别.在ORL人脸数据库上的试验结果表明,组合特征脸法用于人脸识别有较高的可行性和较好的稳定性,且在识别率上优于特征脸方法,准确率达到93.8%.     

基于2DPCA和改进的LDA算法的人脸识别技术

为提高人脸识别的准确率,缩短图像特征提取的时间,提出了一种将二维主成分分析（简称2DPCA）与改进的线性鉴别分析（简称LDA）相结合的人脸识别方法。该法首先以图像矩阵为分析对象,直接利用原始图像矩阵构造图像的协方差矩阵。以进行特征提取和2DPCA分析;再采用改进的线性鉴别分析。得到最佳的分类特征,从理论上有效解决了传统的线性鉴别分析在人脸识别中存在的“边缘类”问题：最后．在ORL人脸库上检验了该识别方法的性能。实验结果表明,该方法抽取的鉴别特征有较强的鉴别能力。     

一种基于PCA类内平均脸法和支持向量机模型的人脸识别算法

针对现有人脸识别算法存在的一些问题,利用PCA类内平均脸方法对获得的人脸图像数据进行预处理,再通过支持向量机模型对其进行分类和识别。最后,以具体的实验数据验证了所使用PCA-SVM算法的有效性,为日后对人脸识别技术的继续研究提供了依据。     

基于PCA算法的人脸识别技术研究

随着社会的发展,各种安全领域都需要高效、迅速的身份认证,生物特征是身份认证最理想的依据,而人脸识别因其识别特征的独特性、唯一性和相对稳定性,逐渐从众多识别方法和技术中脱颖而出,并逐渐进入社会生活的各个领域。本文深入地研究了经典的人脸识别算法PCA和2DPCA算法,研究了算法的基本原理,并总结了其优缺点,并做了相关的实验验证。     

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。     

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。     

PCA算法在图像特征降维中的应用研究

对PCA算法进行了深入的研究,并将其应用到图像的特征降维中,有效降低了数据的复杂度,对图像自动标注、检索、识别等领域中的特征提取工作,具有一定的参考价值。     

基于支持向量机的人脸融合特征提取方法

针对人脸识别系统中的主成分分析和线性判别分析两种特征提取方法的优缺点,提出了一个融合特征提取方法,并构造了一个能够将图像数据空间的人脸映射到人脸特征空间中并实施识别的实验系统。最后分析了该系统的构成与特点,并给出了实验测试结果。     

基于PCA和Fisher线性判别技术的人脸识别算法

人脸识别技术是生物特征识别技术的一种,它根据人脸来识别人的身份。人脸识别技术具有准确、经济、可扩展性良好等特点,更重要的是,它比其它生物特征识别技术更加简便、直观、可靠。现在应用于人脸识别的算法有3种：基于PCA的人脸识别算法、基于Fisher线性判别的人脸识别算法、基于LBP特征的人脸识别算法。对前两种算法进行了深入研究,在人脸数据库上进行识别,取得了预期效果。     

基于PCA的人脸识别算法在考试身份验证中的应用研究

研究了主成分分析(PCA)人脸识别算法的原理及实现,并将该算法应用于考试身份验证中,结果发现,该算法简单、快速、易行。     

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。     

基于改进特征提取方法的五线谱识别

针对传统五线谱识别方法存在谱线过删和漏删的缺点,以及现有音符特征提取方法与谱线删除相互制约的问题,提出一种改进的、无需删除谱线的特征提取方法。在图像预处理阶段保留谱线,将音符与谱线同时投影,结合音符符杆垂直像素数据与音符其它部位像素数据携带的映射特征,对横纵向投影数据进行数理统计分析,得到供音符类型识别的归一化特征值,再利用基准谱线与音符符头的相对位置获取音调信息。实验结果表明,该方法在保证较高识别精度的基础上,进一步提高了识别速率,可以有效识别音符组合形式较复杂的乐谱,对于五线谱识别应用具有重要意义。     

基于PCA-L1范式特征提取的大学图书馆人脸识别

大学图书馆是大学很重要的一个场所,人工检测进入图书馆的各类人员耗时费力.为了有效提高图书馆管理效率,本文对大学图书馆人脸识别问题做了研究.主成分分析(PCA)是解决人脸识别等多维数据分析问题的关键方法之一.然而,经典的PCA是基于L2范式,它对噪声非常敏感.最近,一种新的具有鲁棒性的PCA方法被提出,用PCA-L1范式代替L2范式.但是PCA-L1范式需要花费很多时间来计算投影基数.为了解决这一问题,提出采用小波特征提取方法作为人脸识别的预处理步骤.在ORL和GTFD两个公开的人脸图像数据集上进行的实验表明,该方法的执行时间大大降低,而且人脸识别率也有很大提高.     

基于PCA人脸识别的智能防盗报警系统的设计与实现

针对我国智能安防行业中普遍使用指纹识别系统,而传统的人脸识别系统使用范围小、售价高、普及率低的现状,设计了一种基于PCA人脸识别的智能防盗报警系统。该系统采用PCA算法进行人脸特征降维,识别后设置警报阀值,采用GSM通信实现智能防盗报警功能。通过硬件与软件的设计安装与调试,以及系统整体的测试调试,该系统能有效识别人脸,并在系统出发警报时通过GSM短信进行实时通信报警。     

彩色人脸鉴别特征抽取及识别

目前存在的彩色人脸识别方法大多是将彩色图像转换为灰度图像后,采用基于灰度图像的特征抽取与识别算法进行分类识别.本文根据彩色人脸图像的构成特点,对彩色人脸图像的R、G、B三个分量色彩信息进行特征抽取与分析,进而找出适合对彩色人脸图像进行自动识别的鉴别特征.最后,在国际通用的AR标准彩色人脸库中进行了大量实验,验证了本文算法的有效性.     

改进的基于谱直方图人脸图像特征提取方法

提出了一种基于谱直方图的人脸图像特征提取的方法．使用梯度滤波器、高斯-拉普拉斯滤波器和局域二值模式（LBP）构成的滤波器组来计算待测图像的谱直方图．仿真实验结果和分析表明,该算法具有较高的效率和准确性．     

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.