基于改进的PCA算法和Fisher线性判别的人脸识别技术

通过对主成分分析法(PCA)的数学公式进行改进,使其具有灰度归一化操作能力,从而克服光照对目标的影响,再将改进后的主成分分析法和F isher线性判别分析方法组合起来用于人脸识别,在ORL人脸数据库上进行了实验,取得了满意的识别效果.     

基于改进的PCA算法和Fisher线性判别的入脸识别技术

通过对主成分分析法（PCA）的数学公式进行改进，使其具有灰度归一化操作能力，从而克服光照对目标的影响，再将改进后的主成分分析法和Fisher线性判别分析方法组合起来用于人脸识别，在ORL人脸数据库上进行了实验，取得了满意的识别效果．     

基于奇异值分解和判别式KL投影的人脸识别

人脸识别是计算机视觉和模式识别领域的一个活跃课题,有着十分广泛的应用前景.提出了一种新的彩色人脸识别方法.该算法采用模拟K-L变换、奇异值分解、主分量分析和Fisher线性判别分析技术来提取最终特征,可以使分类器的设计更加简洁、有效,使用较少的特征向量数目就能取得较高的识别率.仿真结果表明了该方法的有效性.     

基于FLDA、CPCA与HMM的人脸识别

为了获得具有较高识别率的算法,提出了一种将Fisher线性鉴别分析(Fisher Linear Discriminant Analysis)、复主分量分析(Principal Analysis in the Complex Space)与隐马尔可夫模型(Hidden Markov Models)相结合进行人脸识别的方法。对于输入的不同光照、人脸表情和姿势的图像先进行归一化处理,然后将归一化后的图像转化成一维向量,再用FLDA方法提取每幅图像的特征,形成新的复向量空间;通过运用复主分量分析,来抽取人脸图像的有效鉴别特征;最后通过HMM对这些特征进行训练,得到一个优化的HMM并应用于识别。在ORL人脸数据库中进行实验,实验结果表明,该方法具有较高的识别率。     

基于相对梯度的人脸识别方法

在原始相对梯度算子的基础上,提出一种新的相对梯度算子,并将它与二维主成分分析（2DPCA）或者二维Fisher线性判别分析（2DFLD）相结合,形成一种基于改进相对梯度算子的人脸识别算法。在AR库和Yale_B库上的实验表明,基于改进相对梯度算子的人脸识别算法对人脸图像的光照、表情等变化均具有较好的鲁棒性,识别准确率明显高于只用2DPCA或2DFLD进行特征抽取的人脸识别方法,以及基于原始相对梯度算子的人脸识别算法。同时采用三种不同大小的窗口分别进行实验,实验结果证明,当窗口大小为3×3时,识别效果相对最好。     

基于梯度信息的人脸识别方法

光照、表情等外部条件的变化是影响人脸识别效果的重要因素。梯度信息反映了图像信息变化幅度的大小,对边缘敏感,对光照不敏感。基于梯度信息的人脸识别方法能够缓解光照等变化对人脸识别的影响,具有一定的鲁棒性。提出两种基于梯度信息的人脸识别方法,即基于梯度幅值的人脸识别方法和基于方向梯度的人脸识别方法。抽取梯度信息,借助于2DPCA或2DFLD对抽取的梯度信息进行特征抽取,通过相似性进行分类。在AR和Yale-B人脸库上的实验表明所提出的两种方法均具有较好的识别效果。     

基于加权Fisher准则的线性鉴别分析及人脸识别

提出了一种基于加权Fisher准则线性鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以提高样本在低维线性空间中的可分性,然后探讨了高维、奇异情况下如何降低运算量的问题,并给出了一个简单高效的算法。在ORL标准人脸库上进行测试,由该算法抽取的特征在最近邻分类器和最小距离分类器下均达到96%的正确识别率,这一结果优于经典的特征脸和Fisher脸方法在该库上的识别结果。     

基于主分量特征与独立分量特征的人脸识别实验

PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的。ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征。在人脸图象识别的实际应用中,PCA与ICA方法各有胜负。PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述,并设计出一个基于这两类特征的分类器组合方案;联合使用这两类特征,实验得出的人脸识别结果显示,基于分类器组合方案的识别结果优于单独使用PCA特征或ICA特征的单分类器方法。     

基于加权特征脸法的人脸识别

人脸识别是模式识别领域中一个相当困难而又有理论意义和实际价值的研究课题.本文在传统的特征脸方法的理论基础上提出一种改进的特征脸方法,就是把人脸图像分成上中下三个部分,分别应用特征脸方法,在识别计算距离时赋予不同的权值,最后确定综合距离最小的人脸图像.把这种方法和传统特征脸方法进行了对比实验,结果证明了该方法的可行性和良好的抗畸变能力.     

基于加权特征脸法的人脸识别

人脸识别是模式识别领域中一个相当困难而又有理论意义和实际价值的研究课题。本文在传统的特征脸方法的理论基础上提出一种改进的特征脸方法,就是把人脸图像分成上中下三个部分,分别应用特征脸方法,在识别计算距离时赋予不同的权值,最后确定综合距离最小的人脸图像。把这种方法和传统特征脸方法进行了对比实验,结果证明了该方法的可行性和良好的抗畸变能力。     

基于自适应特征融合的人脸识别

针对单一人脸特征在人脸识别中的局限性问题和二维主成分分析人脸特征缺少判别信息的问题,利用互补思想,提出了一种改进的二维主成分分析与二维线性鉴别分析加权融合的人脸识别算法。利用离散余弦变换对原始人脸图像进行压缩并重建,以滤除图像中人眼并不敏感的中高频部分,再利用二维主成分分析方法进行人脸特征的提取;运用二维线性鉴别分析方法提取原始人脸图像中具有鉴别性的人脸特征;最后,提出一种自适应的权值选取方法,将两种人脸特征进行加权融合以实现分类识别。在ORL和Yale人脸数据库上的实验结果证明了该方法的有效性。     

基于线性投影分析和FCM动态聚类的人脸识别*

依据主成分分析方法(PCA)对图像具有很好的表达能力,即能很好地重构原图像,而线性鉴别分析(LDA)可使图像样本具有较高可分性的特点,提出对图像先进行PCA处理,再进行LDA处理,从而降低人脸特征维数并对人脸图像进行了特征提取;并提出用FCM动态聚类算法作为识别分类器,对人脸进行识别。实验和分析结果表明,在人脸识别中,这种融合PCA和LDA的分类方法能够更好地对特征进行提取,且FCM动态聚类分类器比K近邻判别分类器更具有灵活的分类能力。     

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．     

基于加权不相关鉴别分析的人脸识别

提出了一种基于加权不相关鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以改善样本在低维线性空间中的可分性;然后,以给出的加权Fisher准则为目标函数,在共轭正交的约束下求解其最佳投影方向,从而保证所提取的最佳鉴别特征之间的统计不相关性。实验结果表明,与经典的特征脸方法和Fisher脸方法相比,该方法对光照变化、表情变化以及时间变化等不敏感,具有更好的鲁棒性。     

基于PCA余像空间的ICA混合特征人脸识别方法

为改善传统的基于特征脸的人脸识别方法在识别光照变化较大的人脸时效果不尽理想的缺陷,提出一种基于“PCA余像空间”的ICA混合特征人脸识别方法。不同于2阶PCA人脸识别方法,用独立元分析法代替主元分析法,对“PCA余像特征脸集”进行独立元特征抽取得到人脸图像基于PCA余像空间的独立元特征,并综合人脸图像的原始独立元特征得到混合特征作为最终识别的特征。实验表明,基于PCA余像空间的ICA混合特征人脸识别方法,在识别光照、表情等外界因素变化较大的人脸图像时,要优于传统的基于特征脸的识别方法、基于ICA的识别方法以及基于2阶PCA的人脸识别方法,并具有较强的适用性。     

基于局部特征的自适应加权2DPCA的人脸识别

针对二维主成分分析(2DPCA)提取的是人脸的全局特征,但局部特征对人脸识别的作用非常大,提出了一种基于局部特征的自适应加权2DPCA。该算法首先根据局部特征把人脸图像分为上中下三个独立的子块,2DPCA应用到每个子块,自适应地计算出每个子块对识别的不同预期贡献,并把此预期贡献值作为子块权重加权到分类器中以提高识别率,实验结果证明了此算法的有效性和可行性。     

基于双重特征空间的人脸识别

多目标遗传算法(MOGA)是求解多目标优化问题的有效工具,因而在求解实际问题中得到越来越广泛的应用.PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的.在人脸识别的实际应用中,将多目标遗传算法引入到PCA所生成的特征空间的优化中,提出基于双重特征空间的人脸识别算法.通过对剑桥ORL库实验表明,该方法与传统的PCA相比,识别率得到明显提高.     

基于ICA和GSPSO-SVM的人脸识别方法

针对人脸识别中,利用粒子群算法训练支持向量机进行分类识别时存在易陷入局部最优和收敛速度慢的问题,提出一种基于雁群优化算法的人脸识别方法。将主成分分析与独立成分分析相结合提取人脸特征,利用支持向量机进行分类,在分类识别的过程中,引入雁群优化算法以提高速度和效率。实验结果表明,与标准粒子群算法相比,改进的粒子群算法提高了人脸识别率,具有较快的识别速度。     

基于半监督LDA特征子空间优化的人脸识别算法

人脸特征提取是人脸识别流程最重要的步骤,特征的好坏直接影响了识别效果。为了得到更好的人脸识别效果,需要充分利用样本的信息。为了充分利用训练样本和测试样本包含的信息,提出了利用样本散度矩阵将主成分分析PCA算法和线性判别分析LDA算法加权组合的半监督LDA（SLDA）特征提取算法。同时,受组合优化问题的启发,利用二进制遗传算法对半监督特征提取算法得到的特征空间进行优化。在ORL人脸数据库上的实验结果表明：与人脸识别经典算法和部分改进算法相比,SLDA算法获得了更高的识别率。     

基于类矩阵和特征融合的加权自适应人脸识别

为了准确快速地进行人脸识别,提出了一种基于类矩阵和特征融合的加权自适应人脸识别算法,该算法首先,提取人脸的全局特征和6个关键部分的局部特征,同时给出了局部特征权值的动态选择方法,由于该法可以根据不同的训练集得出不同的权值,因而增强了算法的自适应能力;然后通过将全局和局部特征加权融合来得出样本的特征矩阵;接着设计出了一种加权PCA方法用于对样本矩阵进行降维;再进一步提出类矩阵的概念,同时给出并证明了类矩阵的推导公式,并据此得出一种新的投影准则;最后,将类矩阵和试验样本分别进行投影,并根据其欧氏距离的大小得出试验人脸的最终类别。试验表明,该算法不仅计算速度快、识别率高,而且能有效解决LDA小样本空间问题,应用前景良好。