基于核主成分分析的人脸识别

核主成分分析方法是主成分分析的改进算法,其采用非线性方法提取主成分.把核主成分分析应用到人脸识别中,利用核主成分分析方法选择合适的核函数在高维空间提取人脸图像的主成分.核主成分分析与传统主成分分析相比,可以得到更好的适合分类的特征.基于ORL人脸库,识别核主成分分析提取出的主成分的相关性系数.实验结果表明,核主成分分析不仅实现了降维,而且能取得比传统主成分分析更好的识别性能,正确识别率为92.5%.     

一种基于核主成分分析的人脸识别方法

针对主成分分析（PCA）算法中存在不能提取非线性特征的问题,提出了利用KPCA提取图像特征,最近邻法分类的人脸识别改进方法。基于ORL数据库的相关实验表明,这样的系统能够取得比传统PCA更好的识别性能。     

基于WT-W2D2DPCA的人脸识别算法研究

人脸识别过程中,针对二维主成分分析(2DPCA)算法在特征提取和数据降维上存在的问题,本文首先引入双向二维主成分分析(2D2DPCA)算法,该算法同时考虑图像行与列方向上的信息.考虑到人脸图像存在信息冗余而影响识别率的问题,于是本文提出一种基于小波加权双向二维主成分分析(WT-W2D2DPCA)的人脸识别算法.该算法首先采用二级小波分解对人脸图像进行预处理,提取其低频部分;然后根据人脸图像的特性,将低频部分进行奇偶分解,并引入加权思想,重组低频人脸图像,最后在ORL人脸数据库上进行双向二维主成分分析.实验结果表明,该方法不仅克服了传统2DPCA系数矩阵大的问题,而且得到了比传统的2DPCA、2D2DPCA算法更好的识别效果.     

核主成分支持向量机模型在蒸发预测中的应用

核主成分分析(KPCA)法具有很好的非线性特征提取能力,利用KPCA提取输入数据的特征信息,并将特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-SVM预测模型.通过实例检验表明,具有非线性特征提取的ISSVM模型的预测效果优于没有特征提取的LSSVM模型.与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好.     

利用小波变换提高基于KPCA方法的人脸识别性能

基于核主成分分析（KPCA）的人脸识别算法能够提取非线性图像特征，在小样本训练条件下有较好性能. 然而并非所有非线性特征对识别都有利，过多的不相关特征可能会降低识别性能. 针对图像信息冗余的特点，预先对图像进行小波变换，通过消除对识别无关的细节信息，不仅提高了KPCA方法的识别精度，而且降低了该算法对计算机硬件的要求. 同时，为了抑制KPCA对光照等变化的较高敏感性，还提出一种对图像灰度进行衰减的预处理策略. 基于ORL数据库的实验表明，综合上述措施的系统比传统方法具有更快的训练速度和更高的识别精度.     

基于KPCA和模糊核Fisher判别的语音情感识别

针对语音情感识别率不高和实时性差的问题,提出一种基于KPCA核主成分空间的模糊KFD算法,应用于语音情感识别。首先采用KPCA对语音情感特征向量降维去噪,根据转换矩阵得到核主成分空间,然后在该特征空间利用模糊C均值聚类计算语音特征向量的隶属度,进而对LDA算法中的类间离散度和类内离散度重新定义,生成模糊KFD分类器进行语音情感识别。仿真实验结果表明,提出的方法相比于传统SVM和核Fisher判别算法具有较高的识别率和良好的抗噪性能,是一种行之有效的语音情感识别新方法。     

一种基于DCT和KPCA的人脸识别算法

提出了一种基于离散余弦变换(Discrete Cosine Transform DCT)和核主成分分析(Kernel Principal Components Analysis KPCA)的人脸识别方法,首先对原始人脸进行DCT变换,选取低频系数重构人脸,然后通过KPCA提取特征,最后利用最近邻法进行分类,在ORL人脸数据库上的实验表明这样的方法能够获得比KPCA更好的识别性能。     

基于距离测度的PCA人脸识别研究

应用主成分分析法对ORL人脸库及YALE人脸库进行特征提取,采用最近邻分类器及5种不同的距离测度进行人脸识别。结果表明:不同的距离测度及累计方差贡献率对PCA(Principal Component Analysis,主成分分析)人脸识别结果影响较大,在累计方差贡献率分别取0.75,0.8,0.9,0.95的条件下,对于ORL人脸库,曼哈顿距离和闵可夫斯基距离下PCA人脸识别正确识别率随累计方差贡献率增大而呈减小趋势;欧几里德距离和夹角余弦距离下PCA人脸识别正确率随累计方差贡献率增大而先增大后减小;切比雪夫距离下的PCA人脸识别正确率保持不变。累计方差贡献率取0.8,以欧几里德距离作为距离测度的PCA人脸识别算法对ORL人脸库取得最高的正确识别率为96.67%,对YALE人脸库,取得的正确识别率为95.56%,验证了算法的有效性。欧几里德距离是PCA人脸识别正确率最高的距离测度。     

基于改进的2DPCA人脸识别方法研究

传统的主成分分析(PCA)方法在图像识别时需将图像矩阵转化成向量,造成图像向量的维数偏高,使得整个特征提取过程的计算量较大;在PCA的基础上,有人提出了二维主成分分析(2DPCA)的方法,但其本质是对图像矩阵按行进行特征提取,虽然消除了图像列的相关性,但是仍然忽视了行的相关性;因此,在此考虑一种改进的方法能同时消除图像行、列的相关性,并通过实验得到了比2DPCA更高效的识别率。     

基于非线性特征和线性映射的多视角低分辨人脸识别算法

针对分辨率变化、视角变化和认证集单样本等实际条件下的人脸识别问题,提出了一种基于回归的人脸识别算法。该算法采用核主成分分析法（kernel principal component analysis）分别提取侧面低分辨率和正面高分辨率人脸特征,利用 Procrus-tes 分析建立每一种侧面视角低分辨率 KPCA 特征和正面高分辨率 KPCA 特征间的映射关系,从而获得对应的回归模型。根据这些回归模型,即可得到测试侧面低分辨率人脸对应的正面高分辨率 KPCA 特征,并通过最近邻分类器进行识别。在标准图库上的实验表明,与基于线性模型的人脸识别对比算法相比,本文所提算法识别率提高了4％至36％,而在线测试时间仅比最快的对比算法多1．087 ms。     

人脸识别中的核方法

对人脸识别的关键技术和核方法的主要特点进行了简单的分析.指出:将核方法应用于人脸识别中,在特征提取的效率和识别的泛化能力等方面具备技术上的优势.结合国内外相关研究成果,介绍了可应用于人脸识别的三种核方法:基于核的主成分分析(KPCA)、支持向量机(SVM)和基于支持向量的数据描述(SVDD).文章的最后给出了一个应用实例以说明核方法在人脸识别领域中的有效性.     

基于分块的2DPCA人脸识别方法

文章将分块理论与2DPCA方法相结合,研究分块二维主成分分析法（M-2DPCA）在人脸识别中的应用。对人脸图像矩阵进行分块,用形成的子图像矩阵直接构造总体散布矩阵并求解对应的特征向量,利用提取的特征向量对图像进行特征的提取与分析,进行人脸识别。基于Yale人脸数据库的实验显示,在相同训练样本和特征向量条件下,M-2DPCA比2DPCA算法具有更高的识别率。结论 M-2DPCA充分利用了图像的协方差信息,在人脸识别方面具有较高的识别率和鲁棒性方面,对进一步研究人脸识别具有重要的意义。     

基于PCA和SVM的人脸识别技术研究

从人脸图像特征提取和分类器构建两方面分析了人脸识别系统设计的关键点,提出了以主成分分析技术和支持向量机技术相结合构建人脸识别系统的策略,同时在主成分分析技术的理论基础上提出了一种快速PCA算法.通过实验系统在ORL人脸库上的测试结果,分析了该系统的相关参数和特征向量维度的选取对系统识别率的影响,并得到了其最优解.同时,通过实验证明了所提出方法在小训练集下的识别率优于其它一般方法,其识别率比一般的人工神经网络法提高了7%~10%左右.     

基于核主元分析和局部保持投影的手背静脉识别

为了保持手背静脉空间的局部结构,运用局部保持投影(LPP)方法进行手背静脉识别.但是对于小样本图像识别,LPP中的特征方程矩阵通常存在奇异性.为了解决这个问题,提出首先利用核主元分析(KPCA)降低手背静脉空间的维数,再对低维图像应用LPP提取局部特征.对已有手背静脉图像库进行测试,实验结果表明,与传统的PCA和PCA+LPP相比,该方法大大提高了系统的识别率,而且特征提取时间为2.6 s,满足实时系统的要求.     

基于深度卷积神经网络与中心损失的人脸识别

传统人脸识别方法手工设计特征过程复杂、识别率较低,对于开集人脸识别通用深度学习分类模型特征判别能力较弱。针对这两方面的不足,提出了一种以分类损失与中心损失相结合作为模型训练监督信号的深度卷积神经网络。首先,利用构建的应用场景数据集优调从公共数据集获得初始化参数的深度人脸识别模型,解决训练数据过小和数据分布差异问题,同时提高模型训练速度;然后,以传统损失函数和新的中心损失作为迁移学习过程中的监督信号,使得类内聚合、类间分散,提高模型输出人脸特征的判别能力;最后,对人脸特征进行主成分分析,进一步去除冗余特征,降低特征复杂度,提高人脸识别准确率。实验结果表明,与传统人脸识别算法相比该算法可以自动进行特征提取,并且相对于通用深度学习分类模型该算法通过度量学习使特征表示更具判别力。在自建测试集和LFW、YouTube Faces标准测试集上都取得了较高的识别率。     

仿生算法与主成分分析相融合的人脸识别方法

基于人脸特征提取问题可以转化为组合优化问题这一思路,提出了仿生算法与主成分分析相融合的人脸识别算法.该方法先通过主成分分析方法得到人脸特征子空间;然后在已有特征的基础上,分别通过遗传算法与离散粒子群算法进一步提取出可使识别正确率达到最高的人脸图像特征.在ORL人脸库上的实验结果表明:与传统的主成分分析相比,该方法不仅能进一步降低特征子空间的维数,从而提高识别速度,而且能获得更高的识别率.     

基于主成分分析和Softmax回归模型的人脸识别方法

文章介绍一种基于主成分分析(principal component analysis,PCA)和Softmax回归模型相结合的人脸识别方法,该方法通过PCA对整幅图像提取特征,然后将提取的特征经过非线性变换输入到Softmax回归模型中。将主成分提取特征看成是单层神经网络,将它与Softmax回归模型构成的级联结构看作是2层神经网络,在神经网络的训练过程中,主成分的特征向量可以微调。在不同人脸数据库上的实验表明,相比于传统的只用PCA降维的方法,本文方法可达到较高的识别率。     

基于特征融合的人脸人耳多生物身份鉴别

针对人头旋转时单一人脸识别率较差的问题,基于人脸与人耳位置上的关联性,提出人脸人耳多生物特征级融合的身份鉴别方法以克服姿态带来的影响．首先采用传统独立成分分析（ICA）方法及其变形分别提取出图像的局部和全局特征,然后将这2种互补的特征进行多模态加权串联融合,并采用基于非线性核函数的主元分析法（KPCA）降维．在USTB图像库上的实验表明,2种独立成分特征具有很好的互补性,多生物识别大大优于单一生物识别,且提出的核非线性降维方法进一步改善了识别性能．     

基于特征融合的人脸识别

针对单一的人脸特征在识别中的局限性,提出了一种基于特征融合的人脸识别方法,首先利用主成分分析获得原始输入图像的特征脸,经图像重构处理得到原始图像的余像,然后抽取余像的特征脸,最后将两种特征脸按一定的权重融合成一个组合特征进行人脸识别,通过针对ORL人脸数据库的实验表明:该特征融合方法的人脸识别是行之有效的,优于传统特征脸的方法,识别率可以达到91.5%.     

两种特征提取技术在入侵检测中的应用

在介绍主成分分析方法和核主成分分析方法原理基础上,分别采用这两种方法对KDDCUP99中的入侵检测数据进行特征提取,然后把特征提取后的数据送入神经网络进行训练。仿真实验结果表明,两种方法中核主成分分析方法具有更优秀的特征提取性能。