基于张量脸的多姿态人脸识别算法

提出了一种新的多姿态人脸识别算法,在原有的张量脸算法(TensorFaces)基础上结合了流形学习方法和统计学聚类的方法,首先将训练图库中不同姿态的人脸图像通过保局映射投影(LPP)的姿态聚类特性投影到二维空间上,然后将待测图库中的未知姿态人脸图像投影到该二维空间并找到其最近邻的两个姿态,根据两个最近邻姿态库作为训练库修正张量脸识别算法的判别系数.实验结果表明,该算法的识别率优于原有的张量脸算法.     

光强倒数色度空间的彩色人脸光照预处理

为了解决彩色人脸识别中色彩信息易受光照影响的问题,提出一种基于光强倒数色度空间（IICS）的彩色人脸图像预处理方法。本方法首先将图像均匀地分割成子块;将每个图像块变换为 IICS 空间中的一个二维数据集,并根据数据集的线性分布特性估计图像块的光照颜色;然后对全部图像块的光照估计进行颜色直方图统计,根据直方图对分块估计的结果进行合并;最后,利用估计得到的光照和对角模型将图像光照校正到标准白光下,用于人脸识别。在 AR 和 FERET 人脸库上的实验表明,通过引入本光照预处理,有效增强了彩色人脸识别方法对光照变化的鲁棒性,提高了识别精度。     

基于分块2D DCT和(2D)~2PCA的人脸识别

人脸识别是生物特征识别技术中的重要研究领域,应用前景广阔.研究者们虽然提出了很多人脸识别算法,但其性能仍需进一步改进.为了提高现有人脸识别算法的识别准确率,提出了一种新的基于分块二维离散余弦变换(2DDCT)和双向二维主成分分析((2D)2PCA)的人脸识别算法.首先,将图像分块,利用2DDCT进行图像压缩,去除冗余信息,并通过逆2DDCT重建图像;其次,通过(2D)2PCA消除图像的行、列相关性,降低特征维数;最后,应用最近邻分类器进行人脸识别,在ORL人脸数据库中的实验证明了本算法的有效性.     

基于相关滤波算法的光照变化人脸识别

为了减少人脸识别中由于光照变化而严重影响识别性能的问题,设计了一种基于相关滤波器的最优相关滤波算法.采用二维主成分分析法重构人脸图像,生成相关性过滤器(OPICF)及重构相关性滤波器(RCF);再将测试图像投影到二维子空间,利用重构相关性滤波器重构图像;最后,根据提前设定的光照容限阈值完成人脸的识别.在扩展Yale B人脸数据库上对提出的算法进行了有效性验证,结果表明,本文算法有更高的识别率.     

基于最优相关滤波的光照容限二维子空间人脸识别

针对光照容限人脸识别问题,提出了基于最优相关滤波的光照容限二维子空间人脸识别方法。通过采用特定类2D-PCA重构人脸图像,从中生成一对相关性过滤器,利用最优投影图像相关性过滤器将测试人脸图像投影到二维子空间,并利用重构相关性过滤器重构图像,根据预先设定的光照容限阈值进行人脸分类。在YaleB和PIE两大人脸数据库上对所提出方法的性能进行了评估,相比其他现存的相关性过滤器,所设计的滤波器更加优越。     

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.     

基于统一贝叶斯构架的人脸识别技术

本文介绍的人脸识别方法是在贝叶斯分类方法基础上集成了特征脸方法和线性判别方法(FLD),并产生了新的增强型概率推理模型。这里的贝叶斯构架方法首先应用主分量分析(PCA)算法进行降维处理,PCA算法能有效减少噪声的干扰并使一些起关键作用的成分得到加强。在用PCA算法进行数据压缩后,用贝叶斯分类器在已经经过PCA算法得到压缩的子空间上用最大后验概率规则进行人脸识别的任务。概率推理模型(RPM)将被详细介绍,因为它的识别性能比特征脸方法和线性判别方法都好。     

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.     

基于子模式的二维主成分分析融合复判别分析的人脸识别

提出了一种有效的人脸表示与识别的方法。为了能有效地保持各个子块间的空间关系,该方法首先对图像进行分块,对分块后各子样本集使用二维PCA方法分别抽取图像行间信息和列间信息,然后将子块的行和列特征融合成子复数特征矩阵。再利用复二维判别分析C2DLDA方法,从子复数特征矩阵中进一步进行特征提取,最后把各子复特征矩阵拼成相应原始图像的特征矩阵。实验结果表明,该方法降低了特征的维数,减少了表情和光照等因素对人脸识别准确率的影响,获得了较好的识别性能。     

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。     

一种基于类间类内双权重图像分块PCA的人脸识别技术

提出一种将加权分块图像和主成分分析（PCA ）相结合的人脸识别方法。该方法首先根据同类训练样本的平均图像与所有训练样本平均图像的距离以及类内训练样本图像与该类平均图像的距离,分别定义类间和类内图像加权函数,以获得每个训练样本图像的权重;然后将训练样本图像分块,构建所有同位置加权分块图像空间;接着基于新的样本空间对所有同位置图像分别采用PCA方法提取特征;最后用最近邻分类器实现模式分类。实验结果显示该方法较普通M PCA方法有效提高了识别率。     

关于内心单形的一个猜想

文献[5]提出如下猜想:设n维Euclid空间En(n≥3)中n维单形∑A=conv{A0,A1,…,An}诸顶点Ai所对n-1维界面fi的内心为Ii(i=0,1,…,n),单形∑A与其内心单形∑I=conv{I0,I1,…,In}的有向体积分别为Vn(A)和Vn(I),则｜Vn(I)｜≤1nn｜Vn(A)｜等式成立当且仅当∑A为正则单形 本文利用垂心坐标与行列式计算证明了此猜想,同时放宽了猜想中所述不等式成立的充要条件     

基于双子空间PCA降维的脑力负荷分类

人类社会至今的飞速发展使得大量体力劳动被机械工程替代,工作者的任务重心也从体力劳动逐渐转变为脑力劳动,对操作者脑力负荷进行实时评估以增强工作效率在当下有着重大意义。目前人类对于脑力负荷评估共有三种方式,有研究表明,采用生物电信号进行脑力负荷分类效果较其余两种方法更客观。但脑电信号经过特征提取后维数极高,所需数据量和运算量巨大,需要对其进行降维。目前降维方面最广泛运用的两种算法为主成分分析（PCA）和线性判别分析（LDA）。针对PCA的非监督性和LDA的特征冗余敏感性,本文提出一种二分类下基于双子空间主成分分析的降维算法,分别对不同类别的训练集数据进行主成分分析,并将所有训练集数据映射到生成的空间中,再次进行PCA-LDA降维,以此提高降维后数据的可分性。实验结果表明,双子空间PCA-LDA降维算法在二分类任务下测试集精度整体高于单子空间PCA-LDA算法,以此为脑力负荷分类领域和高维数据降维领域提供了新思路。     

σ-meso紧空间的乘积性质

主要获得两个σ-meso紧空间的乘积是σ-meso紧空间的两个定理．     

主成分分析在人脸识别研究中的应用

PCA(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。PCA算法提供了一个高维和低维空间的线性变换矩阵,就是利用低维特征向量来表示原始样本信息,利用变换矩阵可以得到一个特征子空间,即特征脸。进行识别时,把待识别的人脸向其投影,采用最近邻法得到最近的点,最终识别该人的身份。     

基于PCA主成分分析的人脸检测实现与分析

介绍了基于PCA主成分分析的人脸检测原理,提出使用直方图均衡和切割图像的方法弱化非人脸特征信息干扰,提升主成分分析效果.并通过对35幅原始灰度人脸样本进行训练,使用Matlab实现全部分析步骤,并成功通过信噪比阈值判定完成了对样本空间外的人脸图像与非人脸图像的区分.     

PCA和粗糙集的联合自寻优特征选择在人脸识别中的应用

在人脸识别中,基于PCA和粗糙集的联合自寻优特征选择算法首先利用PCA对人脸图像进行人脸特征的提取和约简,在此基础上利用粗糙集的自寻优约简方法进一步得到能充分体现人脸信息的最小人脸特征集合。实验证明此算法应用于人脸识别中不仅大大减少了特征的数量以及分类过程中的运算量,还有效的提高了人脸识别的正确率和减少了识别时间,并且对于一定范围内的不同取样的训练具有一定的稳定性。     

基于K-CV 优化的PCA 和SVM 人脸识别算法

为解决常规的PCA( Principal Component Analysis) 和SVM( Support Vector Machines) 人脸识别算法准确率 不高的问题,提出了用改进的网格搜索和交叉验证( K-CV: K-fold Cross Validation) 算法对SVM 参数寻优的方 法,并联合了PCA 和SVM 的人脸识别算法。该算法利用K-CV 算法结合改进网格搜索方法寻找最佳参数, 尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab 软 件上测试结果表明,该算法在YALE 人脸库的识别准确率比常规的PCA 和SVM 联合算法高9． 08%。     

一种基于维度约减的快速人脸检测方法

针对视频监控中的高维度和复杂环境的困难,文章提出一种基于主成份分析与Adaboost的视频人脸检测算法．该方法先使用PCA方法对特征空间进行降维,并以PCA特征建立误分率最小化弱分类器,最后使用Adaboost算法提升弱分类器性能,将所有已训练的弱分类器联合成一个强分类器．实验证明,在正面人脸样本和具有复杂表情变化的人脸测试集上,该方法可以得到很好的检测结果．     

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。