基于DCT和分块2D2PCA的人脸识别

为了解决人脸识别算法双向二维主元分析(2D2PCA)表征的信息不全面,鲁棒性差、识别速率较慢的问题,提出了一种结合二维离散余弦变换(DCT)算法和改进的双向二维主成分分析算法(模块(2D)2PCA)的新的人脸图像识别算法,该算法首先利用二维离散余弦逆变换(DCT)对人脸图像进行压缩,利用二维离散余弦逆变换(IDCT)对图像进行重建,可以去除了人脸图像中的干扰冗余信息。然后通过改进的2D2PCA算法即分块2D2PCA提取重建人脸图像中的特征。最后,用最近邻法对人脸图像进行识别,并定义了人脸图像相似度的概念。本文对ORL人脸图像数据库进行了实验。实验表明,本文算法有效的增强了识别的鲁棒性,缩短了识别的时间。     

基于WT-W2D2DPCA的人脸识别算法研究

人脸识别过程中,针对二维主成分分析(2DPCA)算法在特征提取和数据降维上存在的问题,本文首先引入双向二维主成分分析(2D2DPCA)算法,该算法同时考虑图像行与列方向上的信息.考虑到人脸图像存在信息冗余而影响识别率的问题,于是本文提出一种基于小波加权双向二维主成分分析(WT-W2D2DPCA)的人脸识别算法.该算法首先采用二级小波分解对人脸图像进行预处理,提取其低频部分;然后根据人脸图像的特性,将低频部分进行奇偶分解,并引入加权思想,重组低频人脸图像,最后在ORL人脸数据库上进行双向二维主成分分析.实验结果表明,该方法不仅克服了传统2DPCA系数矩阵大的问题,而且得到了比传统的2DPCA、2D2DPCA算法更好的识别效果.     

一种基于双向2DPCA及遗传算法的人脸识别方法

提出了一种双向二维PCA((2D)2PCA)及改进遗传算法(GA)相结合的人脸识别方法.该方法首先利用(2D)2PCA分别从图像的行、列方向进行特征提取,然后通过遗传算法对提取的特征空间以并行的方式进行优化,得到最优行、列特征空间,最后根据最优特征空间进行分类.在ORL人脸库上的实验结果表明,该方法较之传统的方法具有更高的识别率及识别速度,在各种鉴别特征维数下更具鲁棒性,是有效的人脸识别方法.     

基于伪模块2D PCA的人脸识别方法

在模块2D PCA方法的基础上提出了伪模块2D PCA的人脸识别方法.该方法不仅保留了模块2D PCA方法在特征抽取之前无需将图像矩阵转化为图像向量、能快速降低鉴别特征的维数、可以完全避免使用矩阵的奇异值分解等优点,而且在降维的同时尽可能保持了原样本的变化信息,使得降维后的同类数据样本尽可能保持相似.在ORL人脸数据库上的实验结果表明,伪模块2D PCA在识别性能上优于模块2D PCA.     

基于分块的2DPCA人脸识别方法

将分块理论与2DPCA方法相结合,研究分块二维主成分分析法（M-2DPCA）在人脸识别中的应用.对人脸图像矩阵进行分块,用形成的子图像矩阵直接构造总体散布矩阵并求解对应的特征向量,利用提取的特征向量对图像进行特征的提取与分析,进行人脸识别.基于Yale人脸数据库的实验显示,在相同训练样本和特征向量条件下,M-2DPCA...     

基于分块的2DPCA人脸识别方法

文章将分块理论与2DPCA方法相结合,研究分块二维主成分分析法（M-2DPCA）在人脸识别中的应用。对人脸图像矩阵进行分块,用形成的子图像矩阵直接构造总体散布矩阵并求解对应的特征向量,利用提取的特征向量对图像进行特征的提取与分析,进行人脸识别。基于Yale人脸数据库的实验显示,在相同训练样本和特征向量条件下,M-2DPCA比2DPCA算法具有更高的识别率。结论 M-2DPCA充分利用了图像的协方差信息,在人脸识别方面具有较高的识别率和鲁棒性方面,对进一步研究人脸识别具有重要的意义。     

基于能量的信息融合步态识别

针对步态能量图(GEI)和图像序列的Radon变换可以表征图像能量的特点,提出这两种形式的能量特征相融合的方法进行身份识别.在周期分割后的特征提取阶段分别使用GEI结合行列相结合的二维主成分分析((2D)2PCA)方法和对步态序列图像进行Radon变换,在周期模板构造后用列方向的二维主成分分析(2DPCA)降维方法进行数据压缩.在识别阶段,采用多视角及多特征在决策层的融合方法.应用上述方法在CASIA步态数据库上进行实验,结果表明所提的步态识别方法具有较高的识别性能.     

基于3D-2D映射的大姿态人脸识别

为了解决真实场景下大姿态人脸识别准确率低的问题，本文从数据增广的角度，围绕三维人脸信息数据进行大姿态人脸识别关键技术的研究与探索，提出了一个基于3D-2D映射的大姿态人脸识别算法框架.区别于当前基于3D点云数据的人脸识别算法，本文提出的方法主要利用3D人脸丰富姿态信息，通过3D-2D映射的姿态数据扩充方法，进而训练特定姿态人脸特征提取模型，然后集成到统一大姿态人脸识别框架中.本文提出方法的关键是利用注册3D人脸图像信息来辅助2D人脸多姿态识别，很容易集成现有的2D人脸识别方法到提出的框架中.实验表明，本文提出的方法在无约束真实场景下能够有效提升大姿态人脸识别准确率，同时不显著增加计算负担，为当前基于3D信息解决2D人脸识别问题提供了新思路.     

Curvelet变换在人脸识别中的应用研究

针对小波只能反映信号的点奇异性,无法实现人脸图像面部轮廓和五官曲线信息的最优稀疏表示,提出了一种基于第2代Curvelet的人脸识别算法.通过对人脸图像进行第2代Curvelet变换,分解得到表征人脸基本信息的低频系数,再利用双向2维主成分分析((2D)2PCA)进行降维,并结合最近邻算法进行人脸识别.以ORL人脸数据库进行试验,结果表明:与基于小波变换的算法相比,该算法具有更高识别率和更短的识别时间.     

基于DCT和2D—PCA的人脸识别算法研究

提出了一种对角DCT和模块2DPCA相结合的人脸识别方法．该算法首先将人脸图像转换成对角图像,提取人脸的行、列与结构信息以求解最优识别向量．然后利用DCT压缩以去掉人眼不敏感的中频分量与高频分量,再由IDCT重建人脸图像,这样有限降低了所需特征的维数,减少了计算量．然后通过模块2DPCA进行特征提取得到人脸识别特征,最后运用最近邻分类器完成人脸的识别．基于ORL及Yale人脸数据库的实验结果证明了该算法的有效性与稳健性．     

结合Gabor小波变换与2DKDA特征提取的人脸识别

提出了一种结合Gabor小波变换和二维核判别分析(2DKDA)的新型特征提取方法.算法首先对人脸图像进行Gabor变换,然后通过二维核判别分析进行特征提取,可以很好地保留图像的几何特征和非线性特征.通过在标准人脸数据库上的测试表明,该方法较其他传统的二维特征提取方法具有更高的识别效率.     

基于模块C-2DPCA算法的人脸识别方法

提出了基于模块化完全二维主成分分析(modular C-2DPCA)算法的人脸识别方法,该方法首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鉴别分析,由于直接基于二维子图像矩阵,能方便地降低鉴别特征的维数,在特征提取过程中可以避免使用矩阵的奇异值分解,方法简便.该方法与改进前完全二维主成分分析(C-2DPCA)方法在ORL人脸数据库上的仿真识别效果比较表明,改进后的方法在保持较高识别率的前提下鲁棒性有很大提高.     

基于LBP和PCA特征提取的人脸识别

为有效解决局部二元模式(LBP)在人脸识别特征提取时维数过高的问题,提出了一种结合LBP特征和主成分分析(PCA)的人脸识别方法.首先,对人脸图像进行分块,提取其LBP直方图特征,然后使用PCA方法对特征向量进行降维,最后将降维后的特征向量用于识别.在FERET人脸库上的实验结果表明:相对于原始LBP表达方法,结合LBP和PCA的人脸表达能有效降低计算复杂度,同时也较好地保持了原有识别精度.     

基于小波树和二维主元分析的人脸识别

为提高人脸识别率,结合小波树和子空间分析中的二维主元分析,提出基于小波树和二维主元分析的人脸识别算法(WTMPCA).该算法先利用小波变换公式,在人脸图像上计算出一个小波近似分量和三个细节分量;分层次重组小波近似分量,得到新样本集;最后在此样本集上使用二维主元分析进行人脸识别.ORL和CAS-PEAL-R1人脸库的实验结果表明,与基于图像矩阵的二维主元分析(2D-PCA)相比较,WTMPCA方法的人脸识别率为96%,对光照条件、脸部表情变化有良好的鲁棒性.     

基于几何图像滤波的3D人脸识别算法

针对表情变化下的三维人脸识别问题,提出了一种基于几何图像滤波的特征提取方法,并根据样本图像滤波后的特征分布函数给出最优卷积滤波器的设计过程.首先,利用网格平面参数化方法,将人脸网格映射到边界为正四边形的平面区域内,经过线性插值采样得到具有三维形状的二维几何图像;然后,将整体几何图像切割成局部分块图像的集合,在每组局部分块图像构成的训练样本库中利用差分进化算法对滤波器进行优化设计;最后,利用训练得到的最优滤波器提取对应分块图像的局部特征并计算相似度,将相似度得分融合,即可得到最终识别结果.利用FRGC v2人脸数据库进行实验验证,结果表明,使用几何图像滤波能显著提高算法的精度和鲁棒性.     

一种基于联合CSVD-2DNMF的人脸识别算法

类估计基空间奇异值分解算法(CSVD)克服了奇异值分解(SVD)造成的重构图像基空间不一致的本质缺陷,但在一定程度上削弱了图像的类别特征。二维非负矩阵分解算法(2DNMF)能在一定程度上避免NMF识别算法中因图像向量化而造成的结构信息丢失、内存花销大等不足,但是随着训练样本数量的增多,迭代速度慢、训练时间长等缺陷也将凸显。根据CSVD与2DNMF的优缺点,提出了人脸识别的联合CSVD-2DNMF算法,进而运用提出的算法在Matlab平台上对ORL人脸数据库中的人脸图像进行了识别实验。实验结果表明该算法能有效的缩短训练时间和提高识别率。     

一种基于分块小波的人脸识别算法

提出一种基于分块小波的人脸识别新算法.在充分考虑提取局部特征,又克服小样本问题的基础上,提出分块小波的概念.首先,对小波分解后的低频子图进行分块,提取局部特征,从而降低图像维数并除去冗余噪声;将其先后进行PCA和LDA变换,得到组合特征向量;最后,根据KNN的快速分类能力及SVM在少数类别分类上的优势,提出KNN+SVM融合分类器对组合特征向量进行分类识别.研究结果表明:该方法识别率高,识别速度快,具有一定的实用价值.     

分块PCA和奇异值分解相结合的人脸识别算法

针对分块PCA算法对位移、旋转等几何变化比较敏感的缺点,提出一种基于分块PCA和奇异值分解相结合的人脸识别算法。该算法分别提取分块子图像的PCA特征和奇异值特征,在此基础上得到同时包含分块PCA和奇异值信息的距离测度,利用最小距离分类器进行分类识别。在ORL人脸库上的实验结果表明,该方法能够得到较高的识别率。     

人脸识别中PCA，2DPCA以及分块PCA的性能分析与比较

PCA,即Principal Component Analysis,主成分分析方法,是一种得到广泛应用的人脸识别方法。近年来,为了减少传统PCA的计算开销,出现了2DPCA和分块PCA。PCA将图像看作向量而2DPCA将图像看作矩阵,分块PCA则将图像分块运用不同的PCA算法。对PCA,2DPCA以及分块PCA的思想进行了介绍,并通过实验对他们的性能进行了比较,总结了主要的优缺点。     

基于变尺度DCT和PCA的人脸识别方法

针对实际应用中要对不同尺度的人脸图像进行匹配和识别的需求,提出一种基于变尺度DCT(离散余弦变换)结合PCA(主成分分析法)的人脸识别方法.首先将不同尺度的人脸图像进行DCT变换,然后提取出相同的DCT系数,再将提出的DCT系数进行PCA降维,最后进行匹配识别.通过对ORL人脸库及实验采集的多尺度人脸图像进行实验,证明了所提方法对不同尺度图像的匹配识别有效,并测算了DCT变换后的修剪尺度及PCA特征维数对该方法识别准确率的影响.