基于归一化单元转动惯量特征的二值商标图像检索

由于计算量的限制和不精确的特征提取方法,使得大多数的图像特征提取方法无法有效地解决图像的检索问题.为了解决这一问题,提出一种基于归一化单元转动惯量特征的商标图像检索方法.该方法首先将商标图像划分为若干个单元子图像,然后分别提取各个单元子图像的归一化转动惯量不变特征,最后使用欧式距离度量图像中的归一化单元转动惯量特征矢量之间的相似性.对图像库中2000多幅商标图像实验表明,归一化单元转动惯量特征具有良好的旋转、平移、尺度以及变形不变性,得到的检索结果能够很好地满足人的视觉感受.     

基于CCA的增强线性鉴别分析

为了有效地融合Fisher线性鉴别分析与最大散度差鉴别分析所抽取的特征,得到更加全面反映原始样本的鉴别特征集,提出了基于典型相关分析的增强线性鉴别分析方法.利用Fisher线性鉴别分析和最大散度差鉴别分析方法提取两组鉴别特征,根据典型相关分析对这两组特征进行融合,获得更具鉴别力的典型鉴别特征.经过ORL标准人脸库实验,验证了所提算法的有效性.     

一种改进的典型相关分析方法及其应用

传统典型相关分析准则函数在界定同组特征矢量中各元素之间不相关时采用乘法运算,易出现无法保证两组特征矢量同时达到同组元素协方差意义下最小的问题。为解决这一问题,提出了一种改进的典型相关分析方法,对典型相关准则函数分母部分进行修正,将其中的乘法改成加法,对该方法进行推导得到投影矫正系数,该系数对两组特征矢量特征方程进行调整,保证两组特征矢量同时达到同组元素协方差意义下最小。该方法有效地改善了融合效果、提高了人脸识别的正确率。在ORL和Yale人脸数据库上的实验结果都验证了其有效性。     

基于CCA的增强线性鉴别分析

为了有效地融合Fisher线性鉴别分析与最大散度差鉴别分析所抽取的特征，得到更加全面反映原始样本的鉴别特征集，提出了基于典型相关分析的增强线性鉴别分析方法．利用Fisher线性鉴别分析和最大散度差鉴别分析方法提取两组鉴别特征，根据典型相关分析对这两组特征进行融合，获得更具鉴别力的典型鉴别特征．经过ORL标准人脸库实验，验证了所提算法的有效性．     

二维最大散度差图像投影鉴别分析

提出了一种新的二维散度差图像投影鉴别分析方法。该方法利用类间离散度与类内离散度之差作为鉴别准则，从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题时。所提出的方法是直接基于图像矩阵的，与以往的基于图像向量的鉴别方法相比，它的突出优点是大大提高了特征抽取的速度。在ORL人脸数据库和AR标准人脸库上的仿真试验结果表明，所提出的方法不仅在识别性能上优于传统的散度差鉴别分析，特征抽取的速度有了较大幅度的提高。     

基于分块局部二元模式的鉴别特征抽取方法及人脸识别

提出了一种基于分块局部二元模式(LBP)的鉴别特征抽取方法.该方法对人脸图像进行分块,再对分块后的子图像矩阵采用LBP算子抽取LBP特征.由于LBP是利用一串二进制码表征较小图像块的局部纹理,这有助于提高人脸识别的性能.采用主分量分析(PCA)方法对由所有分块后子图像的LBP特征向量构成的新训练集进行维度缩减,最后以Fisher线性鉴别分析(LDA)对缩减后的PCA特征进行鉴别特征提取.在ORL人脸库和YALE人脸库上的实验结果表明,该方法优于传统的PCA和LDA方法.     

基于位平面图像的人脸特征抽取

提出一种新的基于位平面图像的特征抽取方法.该方法通过对原始图像进行"位切片",将1幅图像分解为8幅位平面图像,然后针对不同的位平面图像的特点,对不同的单幅位平面图像和合成的位平面图像进行特征抽取,为从复杂的人脸图像中抽取出有效的鉴别特征提供了一种有效措施.ORL标准人脸库中的实验数据验证了该方法的有效性.