分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。     

改进的手指静脉图像识别算法仿真研究

为了解决传统 PCA 方法和小波矩融合 PCA 方法在光照条件变化较大时不能有效抽取图像局部特征,导致识别率较低的问题,提出了一种直接基于子图像向量的线性鉴别分析方法,即模块 PCA 手指静脉特征提取算法.上述算法通过对图像进行分块,利用 PCA 对分块得到的子图进行鉴别分析.由于使用子图像矩阵,能有效地抽取图像的局部特征,避免使用奇异值分解理论,过程简便.实验结果表明,所提出的方法在识别性能上明显优于传统 PCA 算法和小波矩融合 PCA 方法,识别率可以分别提高 5.6 和 4.1 个百分点.     

人脸识别中PCA方法的推广

主成分分析(PrincipalComponentAnalysis,PCA)是公认的特征抽取的最为重要的工具之一,目前仍然被广泛地应用在人脸等图像识别领域。基于PCA,该文提出了分块PCA的人脸识别方法。分块PCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵利用PCA进行鉴别分析。其特点是能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出。与PCA方法相比,由于使用子图像矩阵,分块PCA可以避免使用奇异值分解理论,过程简便。此外,PCA是分块PCA的特殊情况。在Yale和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上明显优于经典的PCA方法,识别率可以分别提高6.7和4个百分点。     

一种基于局部排序PCA的线性鉴别算法

主分量分析(Principal Component Analysis,PCA)是模式识别领域中一种重要的特征抽取方法,该方法通过K-L展开式来抽取样本的主要特征。基于此,提出一种拓展的PCA人脸识别方法,即分块排序PCA人脸识别方法(MSPCA)。分块排序PCA方法先对图像矩阵进行分块,对所有分块得到的子图像矩阵利用PCA方法求出矩阵的所有特征值所对应的特征向量并加以标识;然后找出这些所有的特征值中k个最大的特征值所对应的特征向量,用这些特征向量分别去抽取所属的子图像的特征;最后,在MSPCA的基础上,将抽取子图像所得到的特征矩阵合并,把这个合并后的特征矩阵作为新的样本进行PCA+LDA。与PCA和PCA+LDA方法相比,分块排序PCA由于使用子图像矩阵,可以避免使用奇异值分解理论,从而更加简便。在ORL人脸库上的实验结果表明,所提出的方法在识别性能上明显优于经典的PCA和PCA+LDA方法。     

基于分块PCA的人脸识别方法

本文提出了一种称为M2PCA＋FDA的新的人脸识别方法．新方法从模式的原始数字图像出发，先对样本图像进行分块，对分块得到的子图像矩阵采用PCA进行特征抽取，从而得到能代替原始模式的低维的新模式，然后，对新模式施行“Fisherfaces”方法，实现模式的分类．其特点是能有效地抽取图像的局部特征，正是这些特征使此类模式区别于彼类．在ORL和NUST603两个人脸数据库上对M2PCAA-FDA方法进行了测试，实验的结果表明，本文提出的方法在识别性能上优于“Fisherfaces”方法和PCA方法．     

一种改进的模块PCA人脸识别新方法

提出了一种改进的模块PCA方法,即基于独立特征抽取的模块PCA方法。算法先对图像进行分块,然后对每一子块独立地进行PCA处理,求出测试样本子块与训练样本对应子块间的距离;最后将这些距离相加得到测试样本与训练样本的距离,用最近距离分类器分类。在ORL人脸库和Yale人脸库上的实验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。     

分块PCA及其在人脸识别中的应用

主成分分析(principal component analysis,PCA)是公认的特征抽取的最为重要的工具之一,目前仍然被广泛地应用在人脸等图像识别领域.基于PCA,提出了分块PCA的人脸识别方法.分块PCA方法先对图像进行分块,对分块得到的子图像利用PCA进行鉴别分析.其特点是能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出.与PCA方法相比,由于使用子图像矩阵,分块PCA可以避免使用奇异值分解理论,过程简便.此外,PCA是分块PCA的特例.在Yale和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上明显优于经典的PCA方法,识别率可以分别提高6.7和4.4个百分点.     

推广的PCA及其在人脸识别中的应用

基于传统的PCA方法,提出了推广的PCA人脸识别方法.推广的PCA方法先对训练图像矩阵集进行分块,再利用传统PCA对分块得到的子训练矩阵集进行分析,得到多个变换矩阵,通过这些变换矩阵将训练图片和测试图片投影到特征空间进行鉴别.与传统PCA方法相比,提高了主元的维数,有效地增加了识别的精度.在FERET人脸库上的试验结果表明,所提出的方法在识别性能上明显优于传统的PCA方法,识别率得到了提高.     

分块PCA与最大散度差鉴别分析结合的人脸识别

提出了一种将分块PCA与最大散度差鉴别分析相结合的人脸识别方法。该方法是先对原始的人脸图像进行分块,然后对分块得到的子图像矩阵采用PCA方法进行特征抽取,从而把原始模式从高维空间映射到较低维空间。接下来再对新模式采用最大散度差线性鉴别分析,这样就避免了对新模式的类内散布矩阵非奇异的要求。在ORL人脸库和Yale人脸库上分别检验了分块PCA与最大散度差鉴别分析相结合的人脸识别方法的识别性能,实验结果表明该方法抽取的鉴别特征有较强的鉴别能力。     

一种改进的人脸识别算法

分块主成分分析算法(PCA)在提取人脸特征时是按照分块进行的,它获得的特征矩阵的维数大于PCA方法得到特征的维数。针对这种情况,本文提出了一种改进的分块主成分分析算法,该算法首先对每个子图像集分别求解散布矩阵,并根据此散布矩阵求出投影矩阵;然后将子图像投影到对应投影矩阵上得到特征向量,由此特征向量进而求出相应子图像间的子距离;最后将图像的所有子距离相加得到图像间的距离,根据最近邻分类器进行分类识别。实验表明,本文方法不仅提高了识别率,而且减少了所需的鉴别矢量,具有很好的识别效果。     

分块多线性主成分分析及其在人脸识别中的应用研究

主成分分析(Principal Component Analysis,PCA)是人脸识别中一个经典的算法,但PCA方法在特征提取时考虑的是图像的整体信息,并没有考虑图像的局部信息,而分块PCA(Modular Principal Component Analysis,Modular PCA)则可以有效地提取图像中重要的局部信息,所以在人脸识别实验中获得了比传统PCA更好的识别效果。但PCA和Modular PCA都要进行图像的矢量化,这会破坏原始数据的空间结构,也有可能会导致"维数灾难"。多线性主成分分析(Multilinear Principal Component Analysis,Multilinear PCA)作为PCA在高维数据上的扩展,直接使用矩阵或者高阶的张量来获得有效特征,既可以避免"维数灾难",又可以体现直接将张量数据作为处理对象时保留原始数据较好基本结构信息的优点。在研究Modular PCA和Multilinear PCA的基础上,提出了分块多线性主成分分析(Modular Multilinear Principal Component Analysis,M2PCA)算法,用于识别人脸。在Yale、XM2VTS和JAFFE人脸数据库上进行了人脸识别实验,结果表明,在同等的分块条件下,所提出的方法的识别效果要优于Modular PCA的方法。     

基于模块2DPCA的人脸识别方法

提出了模块2DPCA（two-dimensional principal component analysis）的人脸识别方法。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抽取。与基于图像向量的鉴别方法（比如PCA）相比，该方法在特征抽取之前不需要将子图像矩阵转化为图像向量，能快速地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，特征抽取方便；此外，模块2DPCA是2DPCA的推广。在ORL和NUST603人脸库上的试验结果表明，模块2DPCA方法在识别性能上优于PCA，比2DPCA更具有鲁棒性。     

一种M2DPCA和NSA相结合的人脸识别方法

将非参数子空间分析方法（NSA）和模块化2DPCA方法相结合,提出了一种模块化2DPCA+NSA方法。NSA方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,没有考虑到图像的局部特征,对图像矩阵进行分块,采用2DPCA进行特征提取,得到替代原始图像的低维新模式,施行NSA。该法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA 的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NSA方法以及该方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NSA方法。     

二维主成分分析方法的推广及其在人脸识别中的应用

提出了分块二维主成分分析(分块2DPCA)的人脸识别方法。分块2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其特点是:能方便地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,特征抽取方便;与2DPCA方法相比,使用低维的鉴别特征矩阵,而达到较高(至少是不低)的正确识别率。此外,2DPCA是分块2DPCA的特例。在ORL和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上优于2DPCA方法。     

模块二维主成分分析——人脸识别新方法

提出了模块二维主成分分析(M2DPCA)线性鉴别分析方法。M2DPCA方法先对图像矩阵进行分块，对分块得到的子图像矩阵直接进行鉴别分析。其特点是：能有效地降低模式原始特征的维数；可以完全避免使用矩阵的奇异值分解，特征抽取方便；此外，2DPCA是M2DPCA的特例。在ORL人脸库上试验结果表明，M2DPCA方法在识别性能上优于PCA，比2DPCA更具有鲁棒性。     

基于小波变换和多特征融合算法的人脸识别

提出了基于小波变换和多特征融合算法的人脸识别方法。该方法先对原始人脸图像进行简单加权小波变换以降低维数,施行改进的模块二维主成分分析（M2DPCA）抽取特征,再进行加权最大散度差鉴别分析（WMSD）得到最终的特征图像,采用最近邻分类器对人脸分类识别。该方法不仅利用了人脸图像的局部特征和类别信息,而且避免了矩阵的奇异值分解可能遇到的问题。在ORL人脸库上实验,以验证该方法的有效性。