基于核主量和线性鉴别分析的人脸识别算法研究

采用基于非线性核空间的主分量分析法(KPCA)和线性主元空间鉴别分析法(LDA)相结合的算法,首先将人脸图像在非线性高维空间中进行主成分分量降维,然后采用基于主元空间的LDA方法对子空间再度降维,同时利用欧式距离分类器(KNN)对样本进行有效的分类识别.采用Matlab和ORL人脸库对该算法进行验证,实验证明,该算法识别性能显著提高,明显优于其他算法.     

基于核主元分析的支持向量机识别方法研究

主元分析、核主元分析、支持向量机等方法在分类与识别中应用时都各有自己的优点,本文提出一种基于核主元分析的支持向量机识别方法,用该方法分别对ORL人脸库和iris数据集中的数据进行分类与识别,结果表明:如果调整好了核函数的参数,可以得到极高的识别率。     

基于复合核函数KPCA的红外人脸识别

研究人脸优化识别问题,提出一种复合核函数KPCA的红外人脸特征提取法.利用最优或者接近最优的复合核函数主元分析KPCA方法对训练样本核映射到高维空间进行特征提取预处理,并结合最近邻法分类器分类进行红外人脸识别.该方法不仅有效的提取了训练样本的非线性信息,而且有效的改进了识别效果.多次实验结果表明了,基于复合核函数KPCA的红外人脸识别率优于传统的核主元分析法(KPCA)和主元分析法(PCA).结果表明,改进方法可减少识别时间,并保证了识别率一直稳定在比较高的水平.     

基于模糊聚类的LLE和SVM的人脸识别

针对传统的局部线性嵌入算法易受近邻点个数的影响,以及支持向量机的错分点过多对识别率产生的影响,提出了一种基于模糊聚类的局部线性嵌入和支持向量机的人脸识别方法。利用改进的算法对人脸库中的图像进行特征提取,然后采用支持向量机分类器对人脸进行训练和识别。实验表明,该方法提高了人脸的识别率。     

基于改进Gamma和改进BP算法的人脸识别研究

针对传统BP算法收敛缓慢、训练过程振荡等缺点,提出了一种基于改进Gamma和改进BP神经网络的人脸识别算法。采用改进Gamma矫正方法改善原始图像的光照不均匀,并采用小波变换和NMF算法提取图像主要特征,最后结合一种新的权值调整方法改进BP算法进行图像分类识别。仿真实验表明,与传统算法相比,使用该算法对Yale人脸库、CMU PIE人脸库和自建人脸库的图像进行识别具有更快的收敛速度和更高的识别率。     

基于小波包的新LDB人脸识别方法

研究人脸特征优化识别问题,图像信息中存在不同噪声和不同人脸特征.通过特征提取识别,获得不同人脸特征.针对传统人脸识别方法的识别率受光照、旋转等约束条件影响大的缺点,为了提高识别率,提出了一种根据小波包变换和改进的LDB(Local Discriminant Basis)方法相结合的人脸识别方法.算法首先利用小波包对人脸图像进行分解,再采用改进的LDB方法获取最佳分类特征,最后利用Euclidean距离函数进行分类识别.在人脸库Feret进行实验.结果表明,新算法减少了计算复杂度,提高了识别率,为人脸识别提供了依据.     

基于特征融合的多模态身份识别方法研究

研究了多模态身份识别问题,结合人脸和掌纹两种不同生理特征,提出了基于特征融合的多模态身份识别方法。对人脸和掌纹图像分别进行Gabor小波、二维主元变换(2DPCA)提取图像特征,根据新的权重算法,结合两种模态的特征,利用最邻近分类器进行分类识别。在AMP、ORL人脸库和Poly-U掌纹图像库中的实验结果表明,两种模态的融合能更多地给出决策分析所需的特征信息相比传统的单一模态的人脸或掌纹识别具有较高的识别率,更具安全性和准确性。     

多角度不同表情下的人脸识别

多角度及不同表情下的人脸识别是人脸识别领域的一个难题。本文将二维主元素分析法与贝叶斯判据相结合设计了多角度不同表情下的人脸识别算法。首先，利用二维主元素分析法计算人脸的特征矢量空间，并将训练集和测试集中的数据向该特征矢量空间进行投影，然后使用贝叶斯判据进行识别。该方法集中了二维主元素分析法计算简单、速度快及统计分类器识别率高的优点。实验结果显示，该方法计算简单，对具有表情变化及不同角度的人脸的识别率高。     

基于改进EST的人脸性别分类方法

提出一种基于改进的特征空间分离变换和支持向量机的人脸性别分类方法。在FERET人脸库和淮阴师范学院学生人脸库上进行实验,比较不同的特征提取方法和分类方法处理人脸性别分类问题的性能,结果表明,采用新方法在最优投影轴数和正确识别率方面均取得较好的结果,在2种人脸库上的正确识别率优于主成分分析方法和线性鉴别分析方法。     

基于局部线性嵌入极限学习机的人脸识别新方法

针对人脸图片数量多、容易受噪声干扰,致使人脸识别的识别速度慢、准确率低的问题,提出一种基于局部线性嵌入极限学习机的人脸识别方法——LLE-ELM算法。利用局部线性嵌入(LLE)算法对人脸数据提取特征,最大限度保留原数据的特征结构,减少数据量,降低计算复杂;采用极限学习机(ELM)算法对提取特征后的数据进行分类;实现人脸识别,输出识别准确率和时长。通过在ORL数据库、Yale数据库、AR人脸库和CASIA-WEBFACE人脸库上的数值实验表明:与PCA、SVM、CNN算法对比,该算法具有较高的识别准确率和较快的识别速度。