基于KL距离的KPCA人脸识别算法

针对核主成分分析（KPCA）人脸识别算法中对全局特征变化敏感和忽略局部特征的问题,研究了一种基于KL距离的KPCA人脸识别算法。利用KL距离定义了类间距离和类内差异,设定了一个非线性优化函数来最大化类间距离,同时最小化类内差异,使提取的特征更为紧凑可分,并将其应用于KPCA算法中,利用ORL人脸图像库对算法的性能进行了测试。实验结果表明,该算法相对于传统KPCA算法具有更好的识别效果和稳定性。     

基于LMP和KPCA的人脸识别

提出一种基于拉普拉斯矩阵投影变换和核主成分分析的人脸图像识别方法。对人脸图像做拉普拉斯矩阵变换,通过核主成分分析提取特征,再利用最近邻分类器进行分类。拉普拉斯矩阵变换在保持人脸图像的局部特性的前提下,有效地降低了图像维数。在ORL数据库上的实验表明,进行拉普拉斯矩阵变换后人脸识别精度相差不大,但计算量得到减少。     

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KPCA和FMSD的人脸识别

针对核最大散度差(KMSD)方法在人脸识别中存在边缘类和次优性问题,提出一种基于核主成分分析(KPCA)与模糊最大散度差(FMSD)的人脸识别方法(KFMSD)。利用KPCA方法提取人脸的非线性结构特征,选取投影后类间散度大于类内散度的特征向量作为最优投影轴,采用FMSD方法,根据隶属度函数将样本的原始分布信息完全融入人脸的特征提取中,采用最近邻分类器进行分类识别。在ORL和YALE人脸库上的实验证明了KFMSD方法的有效性。     

基于局部测地距离的TMFA的人脸识别

人脸嵌入在高维观测空间中的低维流形上,为了更精确地描述人脸空间的细微结构,提出了一种基于局部测地距离的张量边界Fisher分析的人脸识别方法。采用二维张量表示人脸空间中的样本图像和局部测地距离来计算样本近邻点。该方法更好地揭示了流形内在的几何结构,能够更精确地选择位于流形上数据点的同类和异类近邻点,同时避免小样本问题。在PIE和FERET人脸数据库上的实验表明,用该方法能够获得更高的识别率,验证了其改进的有效性。     

基于小波分析和KPCA的人脸识别

本文探讨了基于核函数的主成分分析方法在人脸识别中的应用，首先对人脸进行haar小波分析，得到对应的人脸小波系数，再通过计算其内积核函数实现从低维空间到高维空间的非线性映射，对高维数据进行主成分分析得到用于分类的主成分，最后采用支持向量机进行分类，实验结果表明，该方法具有良好的分类性能和鲁俸性。     

结合DCT与KPCA的人脸识别

核主成分分析是主成分分析在核空间中的非线性推广,能有效应用于人脸识别,但是识别过程时间开销过大仍是待解决的问题。提出了一种结合离散余弦变换和核主分量分析的人脸识别方法。对人脸图像进行离散余弦变换,选择部分系数重建图像,采用核主分量分析的方法提取人脸特征,采用最近邻分类器进行识别。在ORL人脸库上的仿真结果表明所提出的方法速度快,综合性能优于核主成分分析方法。     

基于Gabor滤波和KPCA的人脸识别方法

尽管核主分量分析能够有效地提取非线性特征,并成功地应用于人脸识别,但是抽取对光照、表情不敏感的特征仍然是亟待解决的问题。该文提出了一种结合Gabor特征和核主分量分析的人脸识别方法。首先通过Gabor滤波器对人脸图像滤波,并通过实验分析了Gabor滤波器参数的选择,然后采用核主分量分析的方法降低Gabor特征的维数．最后采用最近邻分类器进行识别。由于采用了Gabor滤波,该方法对光照、表情具有鲁棒性,在ORL人脸库上的实验结果表强,该方法在识别性能上优于核主分量分析方法。     

基于Gabor滤波和KPCA的人脸识别方法

尽管核主分量分析能够有效地提取非线性特征,并成功地应用于人脸识别,但是抽取对光照、表情不敏感的特征仍然是亟待解决的问题.该文提出了一种结合Gabor特征和核主分量分析的人脸识别方法.首先通过Gabor滤波器对人脸图像滤波,并通过实验分析了Gabor滤波器参数的选择,然后采用核主分量分析的方法降低Gabor特征的维数,最后采用最近邻分类器进行识别.由于采用了Gabor滤波,该方法对光照、表情具有鲁棒性,在ORL人脸库上的实验结果表明,该方法在识别性能上优于核主分量分析方法.     

一种基于KPCA与LDA的人脸识别改进算法

提出一种核主元分析和线性判别分析相结合的人脸特征识别改进算法。采用核主元分析法对人脸特征信息数据进行主分量提取,以消除数据特征间的相关性和压缩特征向量的维数。通过引入成对加权Fisher准则和正则化规则对线性判别分析法进行改进,进而实现人脸的自动识别。基于ORL人脸库进行的实验表明,此改进算法能够有效识别库中的人脸,识别率达91.7%,与K近邻法和主元分析法相比有较高的识别率。     

基于核的图像欧氏距离人脸识别

引进了两幅图像之间的一种新的距离度量方法——图像欧氏距离,该距离是利用核函数对传统的欧氏距离进行改进而得到的。在此基础上,设计了一种新的分类识别方法——基于核的图像欧氏距离人脸识别方法,并应用于人脸识别中。为验证该算法的可行性,对人脸图像进行DCT变换得到预处理样本,并在ORL和Yale人脸库上进行多角度的比较实验。分析实验结果表明,该方法优于其它距离分类器算法。     

基于核主元分析和支持向量机的人脸识别

核主元分析(KPCA,Kernel Principal Components Analysis)具有能较好地提取非线性特征的优势;支持向量机(SVM,Support Vector Machine)具有较好的非线性映射能力,且泛化能力强。结合核主元分析与支持向量机的特点,提出了一种基于核主元分析与支持向量机的人脸识别方法。该方法首先利用核主元分析对人脸图像进行特征提取,然后依据支持向量机与最近邻准则对所提取的核主元特征进行分类识别。基于ORL(Olivetti Research Laboratory)人脸数据库的实验结果表明了该方法的有效性。     

巴氏距离与PCA结合的人脸识别

利用巴氏距离（Bhattacharyya Distance）和PCA（Principal Component Analysis）相结合进行人脸识别研究,提出了使用巴氏距离和PCA相合的算法对特征进行提取。当特征向量维数高时,首先对样本K-L（Karhunen-Loeve）变换进行降维,然后采用巴氏距离特征的迭代算法,得到最小错误率上界。基于ORL人脸数据库的实验表明该方法的识别性能优于LDA、HPCA、HLDA,采用文中的算法可以有效地提高识别率,减少巴氏距离特征计算时间,具有较强的实用性。     

基于变形与测地距离一致性约束的3D面皮点对应

针对三维面皮生理点对应关系建立这一难题,充分考虑测地距离在描述复杂几何体表面形状方面的优势,提出了基于变形与测地距离一致性约束的3D面皮生理点对应方法。首先在Frankfurt坐标变换后标定面皮特征点集,利用特征点对应关系进行TPS变形;然后根据特征点几何特征向量建立初始点对应关系集,并利用测地距离一致性约束对其进行修剪以生成对应关系核心集;最后扩展对应关系核心集,直至确定源模型上每一顶点的对应关系。实验表明,该方法提高了点对应关系准确度,可有效建立三维面皮生理点对应关系。     

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。     

基于距离限定优化的人脸识别

针对现有人脸识别方法对人脸角度、表情、姿态等因素较为敏感且准确率低的问题,提出了一种基于距离限定优化算法的人脸识别模型。该模型对人脸识别方法的改进有两点：a)利用LBP算子提取人脸图像纹理谱特征图,然后与原始人脸图像的R、G、B通道进行融合,将融合后的图像矩阵作为神经网络的输入,丰富了人脸的纹理特征;b)对误差函数进行改进,使用阈值和边界值约束特征向量的距离,对模型构建新的优化目标,使得相同对象的人脸图像在特征空间中具有较小的欧氏距离,不同对象的人脸图像在特征空间中具有较大的欧氏距离。通过在非限制场景下的LFW人脸库上进行实验,表明该模型准确率分别达到99.15%,能有效地提高人脸识别准确率,具有很好的鲁棒性。     

基于测地映射分析的核稀疏描述人脸识别

针对人脸识别系统在非控制环境下易受姿态、表情和遮挡变化影响的问题,提出了一种基于测地映射分析（Geodesic Mapping Analysis,GMA）的特征提取方法。通过计算两个像素点间的测地距离来度量相似性,对提取的GMA特征进行核稀疏描述建模,并在非线性空间中实现特征的分类识别。在ORL和Yale-B人脸数据库上的实验表明,该方法在应对重度遮挡、姿态和表情变化的自由形式人脸图像方面具有更高的识别率,大大提高了人脸识别系统应对真实复杂环境的能力。     

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。     

基于多尺度分析的三维人脸识别*

为提高人脸识别的精度,加快人脸识别的速度,提出了基于多尺度分析的三维人脸识别方法。过多的特征点容易使判别混乱,出现自相矛盾的过饱和现象,因此采用必要数和最大数的策略来限制特征点的规模。为充分利用各尺度下的人脸特征进行识别,设计了基于ICP与PCA、LDA结合的综合特征匹配方法。实验结果表明,多尺度三维人脸识别方法识别率高于各种标准识别方法,抗噪声性能突出。