基于小波变换和NMF的人脸识别方法的研究

为了克服PCA、ICA等传统方法在人脸图像特征抽取时存在速度慢、识别率低的缺点，该文提出了一种将非负矩分解思想应用于人脸特征提取的算法。利用小波变换对人脸图像进行分解，对其中包含主要信息的低频子带运用NMF构造特征子空间，在子空间内实现识别。实验结果表明，该方法实用、有效，减少了计算量，提高了系统的识别率，使识别率达到90％以上，有着广泛的研究价值和应用 前景。     

基于改进的二维线性判别分析的人脸识别

本文提出一种新的特征提取方法,人脸图像在2DPCA投影的基础上进行B2DLDA投影提取出人脸特征.这种方法克服了传统PCA和LDA方法的小样本问题和维数灾难问题,并且充分利用了二维人脸图像矩阵空间结构信息,大幅度降低了人脸特征维数.实验证明这种方法的识别率比传统的PCA和2DPCA方法高,识别时间和训练时间比传统的PCA和2DPCA方法少.     

基于PCA与MLP感知器的人脸图像辨识技术

单纯PCA的人脸辨识对未训练样本感知力低的缺点会造成识别率降低。基于PCA与MLP感知器的人脸图像辨识技术是针对该情况提出的,在PCA提取有强特征性的人脸图像后,在辨识精度不变的情况下,利用MLP感知器对简化的特征属性进行训练,加强监督式规则提取,从而提高识别率。     

基于多级纹理频谱特征与PCA的人脸识别算法

针对主成分分析(PCA)算法在人脸识别中识别率低的问题,提出一种图像纹理频谱特征与PCA相结合的人脸识别算法。该算法利用纹理单元算子提取人脸图像纹理频谱特征,然后用PCA对所提取的特征降维,最后利用最近邻(KNN)分类器进行人脸识别。在ORL人脸库和Yale人脸库上对所提出的算法进行了测试,识别率均高于PCA、模块化二维PCA(M2DPCA)等方法,分别为96.5%和95%。实验结果表明了该算法的有效性和准确性。     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

基于MB-LBP算子和Multilinear PCA算法的人脸识别

针对运用MB-LBP算法提取的人脸特征维数较高、而直接用MB-LBP算法提取的特征进行人脸识别时计算量较大的问题,提出一种融合MB-LBP和Multilinear PCA算法的新的人脸识别方法。首先利用MB-LBP算法提取人脸图像的特征;然后用Multilinear PCA算法对提取的人脸特征进行降维;最后用最近邻分类器进行人脸识别。在FERET人脸库上进行验证,实验结果表明,该方法的识别率高于传统PCA、分块PCA、LBP和PCA相结合的方法。     

改进的PCA算法在人脸识别中的应用研究

PCA将图像看作具有一定分布的随机向量,可以得到人脸图像分布的主成份方向,从本质上来讲这是一种基于统计分析信息的方法。由于人脸结构的相似形,本文提出一种改进的PCA算法,把输入图像经过直方图均衡化,边缘检测,突出人脸特征,得到降维的可对其进行PCA分析的图像。实验结果表明,改进的PCA算法在不降低识别率的前提下,大大提高了人脸识别的速度     

结合伽马变换和小波变换的PCA人脸识别算法

为了有效地提取人脸特征,提出了一种在传统PCA算法的基础上,结合伽马变换与小波变换的人脸识别算法。该方法对人脸图像进行伽马变换,消除光照等非线性因素的影响;对变换后的人脸图像进行小波分解,用得到的低频分量来替代原始人脸;对得到的人脸低频分量作PCA特征提取,得到最终的鉴别特征。在ORL人脸库上进行测试,该算法的识别率比传统的PCA算法提高了6.5%。     

二阶分块PCA的人脸特征提取方法研究

为了提取更为有效的鉴别特征,在已有的二阶特征脸方法和分块主成分分析(PCA)方法上,提出了二阶分块PCA人脸特征提取方法.该方法对原始人脸图像和经重建得到的剩余图像分别运用分块PCA,将提取的一阶和二阶特征线性组合为一个特征矩阵,再进行分类识别.此特征能更充分反映人脸图像的低频和高频特性.采用ORL人脸库和FERET人脸库的实验结果表明该二阶分块PCA正确识别率优于普通分块PCA算法,具有较强的特征提取能力.     

一种基于人脸分割的PCA和SVM人脸识别方法

基于PCA和SVM提出了一种新的人脸分割法,将双眼、额头、鼻子、嘴等可以明显表征人脸的六类特征提取出来,舍弃双颊以及耳朵等特征量少的部位。融合上述人脸的特征识别结果,运用支持向量机的方法进行分类识别,实验结果表明,文章所提出的PCA与SVM融合的新的人脸分割方法能有效地对人脸进行分类,极大地提升识别率。     

基于PCA特征基压缩传感算法的人脸识别

针对人脸识别对遮挡、表情和光照的鲁棒性问题,提出基于PCA特征基压缩传感算法的人脸识别方法。利用双向二维主成分分析提取图像行列2个方向的特征并进行降维,建立反映人脸特征投影矩阵,作为压缩传感算法的超完备基。通过求解最小化l1范数,寻求图像在该超完备基上的稀疏表示,以得到一组最优稀疏系数重构各类图像,求取测试图像与各类重构图像的最小残差进行分类识别。实验结果表明,该方法在较低的人脸特征维数下具有较高的人脸识别率,能有效提高人脸识别对遮挡、表情和光照的鲁棒性。     

融合小波和自适应类增广PCA的人脸识别

提出了融合小波变换和自适应类增广PCA（CAPCA）的人脸识别算法。用离散小波变换对人脸图像进行压缩,提取人脸的低频分量,再利用自适应的类增广PCA方法对小波变换后的人脸低频分量进行特征提取,从而达到进一步降维的目的。不同于类增广PCA,该方法不需要构建样本的类间信息,使用起来更加灵活,又由于小波变换对图像的预处理,算法的识别率和耗时也得到了进一步的优化。Yale和FERET库上的实验表明了该算法的有效性。     

面向时延数据的分块PCA红外人脸识别

时延数据下的高识别性能是红外人脸识别系统应用的基础,提出一种基于分块PCA的红外人脸识别方法,提高红外人脸识别系统对时延数据识别率.为了充分利用图像的局部特征,对图像进行大小分块,并对各分块图像进行主成分分析;然后,为了缓解外部环境温度对识别的影响,通过训练学习不同温度下的红外人脸数据,去除每个图像块受环境温度影响较大的特征值.最后,为了结合整体特征,并将余下的特征值组合成特征向量用于识别.实验结果表明,本文提出的方法可以提高红外人脸识别系统对时延数据的识别率.     

结合图像融合的PCA与NMF相融合的人脸识别

提出一种结合图像融合的PCA与NMF相融合的人脸识别的识别方法。采用小波变换对图像进行处理,对于包含主要信息的低频子图用PCA进行特征抽取,而其他三个高频子图,虽然描述信息相对较少但包含重要的分类信息。为了减少计算量,对高频子图进行图像融合,再用NMF进行特征抽取,采用最近邻分类方法进行分类。最后对这两个识别结果进行加权处理,得到最终的识别结果。实验证明可以有效地提高识别率。     

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PCA的人脸识别研究

对人脸识别进行研究,将基于主要成分分析的图像训练算法用于人脸识别中,并运用最近邻分类器欧几里德距离对处理了的人脸图像集进行分类,设计一套基于PCA的人脸识别考勤系统,并运用到公司的考勤实践当中去。实践结果表明,该套系统的识别率维持在90%以上。     

一种自适应加权HOG特征的人脸识别算法

为了提高人脸识别在复杂条件下的识别率,提出一种基于自适应加权梯度方向直方图特征（AW-HOG）的人脸识别方法。该方法首先将人脸图像分成均匀子块,并利用HOG描述算子提取分块人脸特征,根据各分块对识别的贡献率自适应地计算各分块的权重,然后融合权重系数以及各分块的HOG特征,形成AW-HOG特征并采用主成分分析（PCA）算法进行降维,最后利用支持向量机（SVM）进行分类识别。在Yale B 以及AR标准人脸库上的实验结果表明,提出的人脸识别方法在识别率上优于传统算法且对光照具有较强的鲁棒性。     

分块PCA鉴别特征抽取能力的分析研究

基于主成分分析(Principal Component Analysis,PCA),本文提出了分块 PCA 人脸识别方法。分块 PCA 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 PCA 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 Yale 人脸数据库上测试了该方法的鉴别能力。实验的结果表明,分块 PCA 在识别性能上优于通常的 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、组合鉴别方法,识别率可以达到100%。