基于局部人脸图像的ICA人脸识别方法

提出了一种基于局部人脸图像独立分量分析的特征提取方法.该方法将人脸图像分成若干个相等的部分,将分成的局部人脸图像矩阵作为训练样本,并先后从水平方向,垂直方向提取训练样本的独立分量.相较于传统的独立分量分析(ICA)方法,该方法具有如下优点:有效解决了传统ICA在进行特征抽取过程中的高维小样本问题;将局部人脸图像作为训练样本,这不仅增加了训练样本数,而且有利于提取人脸局部特征;依次从训练样本的水平方向、垂直方向提取训练样本特征,使得提取的特征不仅维数更小,而且能更有效地反映样本的局部信息.以上优点使得提出的算法较传统方法在人脸识别方面更稳定,识别率更高,在Yale人脸库和AR人脸库上验证了该算法的有效性.     

一种基于独立分量分析的人脸识别

文中采用了基于高阶统计信息的特征提取方法,即独立分量分析法(ICA).对数据所做的预处理不但提高了ICA估计模型的收敛速度,而且对消除光照影响起了一定的作用.识别过程中用了基于夹角余弦值测度的最近距离分类器,也较基于欧氏距离测度取得了更好的分类效果.实验表明,该识别方法比特征脸方法的识别率高,并且对人的小姿态变化和饰物影响很小.     

基于模糊隶属度函数的ICA特征提取和识别

提出了一种基于模糊隶属度函数的独立成分分析图像特征提取和识别方法.该方法首先通过主成分分析等对图像进行预处理,然后通过FastICA算法对图像进行处理,构造特征脸子空间,计算训练样本和待测样本在特征脸子空间中的投影,引入模糊隶属度函数,建立矢量隶属度函数,作为识别分类器进行人脸识别.针对ORL标准人脸数据库上的实验结果表明,该方法具有良好的识别分类能力.     

人脸识别特征提取算法研究

人脸自动识别方法已成为当前模式识别和人工智能领域的一个研究热点,人脸特征提取是人脸识别技术的关键。首先介绍了ICA算法的原理,并对ICA算法的优缺点进行了讨论,提出了一种基于模糊隶属度函数的独立成分分析图像特征提取和识别方法。在ORL标准人脸数据库上的实验结果表明,这种识别算法优于PCA和ICA算法。     

基于分块独立分量分析的人脸识别

提出了一种基于分块独立分量分析(BICA)的特征提取方法。该方法通过将人脸分块降低了光照条件、人脸表情等外在因素对人脸识别的影响,并先后将分块后重组的矩阵的行和列作为训练样本提取独立分量,由于训练样本维数很小,因此它降低了传统独立分量分析（ICA）方法中存在的高维小样本问题产生的识别错误率,同时减少了识别时间。在Yale人脸库和AR人脸库上验证了该算法的有效性。     

用ICA提取高维科学数据的特征

独立分量分析(ICA)是基于数据高阶统计特性的一种线性变换手段。目前,已广泛应用于盲信号分离和图像识别。文章将此技术引入到科学数据挖掘领域,以求解决预处理中高维复杂特征的提取问题。提出了ICA结合主成分分析(PCA)的特征提取步骤,并结合科学数据集量大的特点给出了一种快速收敛算法—FastICA。最后指出ICA特征提取技术可以应用于高维科学数据挖掘,并且较传统的特征提取技术有更高的准确率。     

对单训练样本的人脸识别问题的研究

现在许多人脸识别算法都是在假定每个人提供了多幅训练样本的情况下展开的，时每人只有一幅训练图像的识别问题研究得很少，而实际中往往每人只提供了一幅图像。本文对这一问题进行了研究，给出了一些生成虚拟训练样本的方法；提出了基于粪间散度最大的二维主分量分析方法，在ORL库上用单训练样本取得了75．28％的识别结果。     

基于方差滤波和ICA算法的人眼定位

采用方差滤波器确定人眼候选区域, 结合独立成分分析(ICA)方法对人眼进行快速定位, 能够有效地提取训练图像的高阶统计特征, 很好地去除基向量的相关性. 与主成分分析(PCA)和传统ICA方法相比具有更好的鉴别能力. 实验表明, 该方法的识别率可达97.3%, 并对光照和姿态变化也具有很好的鲁棒性.     

基于小波变换、二维主元分析与独立元分析的人脸识别方法

结合小波变换(WT)、二维主元分析(2DPCA)和独立元分析(ICA)的特点,提出一种人脸识别方法.首先,利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,从而消除噪声.然后,通过2DPCA对该图像进行降维,求得白化矩阵.再利用ICA获得训练样本的独立元成分,同时求得训练样本独立基构造的独立基子空间.最后,将训练样本与测试样本分别朝该独立基子空间投影,获得样本的投影特征,并依据最近邻准则完成人脸识别.基于ORL与Yale人脸数据库的实验结果表明,本文方法正确识别率高于2DPCA、2DPCA-ICA与WT-2DPCA算法.     

基于BP神经网络的主分量分析人脸识别算法

提出了基于BP神经网络的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为BP神经网络的输入,由BP神经网络和后验概率转换器构成人脸识别器。针对ORL人脸库的实验结果表明该方法具有较高的识别率。     

块独立成分分析的人脸识别

针对利用ICA提取人脸特征时需要将人脸图像转换成向量，导致空间维数很高以及不能准确地估计特征等问题，提出了一种新的独立子空间人脸识别算法——块独立成分分析（B-ICA）。和经典的ICA相比，B-ICA算法把人脸图像划分成一些互不重叠的子块，然后把每个子块转换成向量，看成是低维空间中的训练点（训练向量）。因此在B-ICA算法中，样本的维数比ICA算法中样本的维数低，降低了维数灾难（即样本的训练个数远小于样本的维数）造成的错误识别率。在Yale和AR数据库上进行了大量仿真实验，实验结果表明B-ICA算法的识别率比ICA和其他一些子空间算法的识别率高。     

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。     

二维主元分析在人脸识别中的应用研究

结合二维主元分析（two-dimensional principal component analysis,2DPCA）的特点,将2DPCA算法用于人脸识别。它与主元分析（principal component analysis,PCA）的不同之处在于,2DPCA算法以图像矩阵为分析对象;而PCA算法以图像的一维向量为分析对象。2DPCA算法是直接利用原始图像矩阵构造图像的协方差矩阵。而PCA算法需对原始图像矩阵先降维、再将降维矩阵转换成列向量,然后构造图像的协方差矩阵。为了测试和评估2DPCA算法的性能,在ORL（olivetti research laboratory）与Yale人脸数据库上进行了实验,结果表明,2DPCA算法用于人脸识别的正确识别率高于PCA算法。同时,也显示了2DPCA算法在特征提取方面比PCA算法更有效。     

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。     

白化散度差矩阵的独立元分析应用于表情识别*

提出基于白化散度差矩阵的独立元分析算法,增加不同类表情之间的类间距离,减弱人脸个体差异性信息对表情识别的干扰,避免传统的二维主元分析方法（2DPCA）以总体散布矩阵作为产生矩阵,有效地简化了白化实现过程,提高了白化性能,削弱了光照、姿态等噪声对表情识别的影响。该算法首先采用散度差矩阵求白化矩阵,由快速固定点算法（FASTICA）求解样本独立元,最终由最近邻准则实现表情识别。实验结果表明,提出的算法要优于传统的2DPCA及ICA算法,为表情识别提供了一条有效途径。     

基于核独立成分分析的人脸识别研究

在人脸识别中提出一种基于非线性子空间的核独立成分分析(KICA)方法。在简单介绍了ICA方法的基础上,对KICA方法的基本原理和算法作了较为详细的描述。为了验证基于KICA和ICA的人脸识别方法的识别效果,进行了对比实验和分析。实验和分析结果表明,在人脸识别中,基于KICA的方法优于基于ICA的方法。     

面部局部特征的独立分量分析及其应用

特征提取方法一直是人脸识别研究中的热点,局部特征分析（Local Feature Analysis）算法不仅能得到面部的全局特征,而且能提取出其局部特征信息,但该算法得到的结果具有过多冗余相关信息不利于识别。由于独立成分分析（Independent Component Analysis）算法能够有效地提取信号的高阶统计特性,很好地去除了各分量之间的相关性。给出了融合这两种方法的特征提取方法,经实验测试表明该算法能有效地提取面部特征。     

应用复小波和独立成分分析的人脸识别

结合双树复小波变换（DT-CWT）和独立成分分析（ICA）提出了一种人脸识别新方法。该方法首先应用双树复小波变换提取图像的特征向量,接着通过主成分分析（PCA）降低特征向量的维数,在此基础上应用独立成分分析提取统计上独立的特征向量,然后基于相关系数的分类器对特征向量进行分类。双树复小波变换具有方向与尺度选择性,并能有效的保持图像的频域信息,其与独立成分分析相结合提取的特征具有良好的分类性能。在ORL和AR人脸图像数据库上进行算法验证的结果表明该方法的有效性。     

Novel infrared and visible image fusion method based on independent component analysis

The goal of infrared (IR) and visible image fusion is for the fused image to contain IR object features from the IR image and retain the visual details provided by the visible image. The disadvantage of traditional fusion method based on independent component analysis (ICA) is that the primary feature information that describes the IR objects and the secondary feature information in the IR image are fused into the fused image. Secondary feature information can depress the visual effect of the fused image. A novel ICA-based IR and visible image fusion scheme is proposed in this paper. ICA is employed to extract features from the infrared image, and then the primary and secondary features are distinguished by the kurtosis information of the ICA base coefficients. The secondary features of the IR image are discarded during fusion. The fused image is obtained by fusing primary features into the visible image. Experimental results show that the proposed method can provide better perception effect.