改进PCA-LDA的人脸识别算法研究

针对主成分分析(PCA)未充分利用样本类别信息及线性鉴别(LDA)在小样本时识别率低的问题,提出了一种基于PCA和LDA相融合的人脸识别算法。该算法首先将输入人脸图像进行几何位置规范化和灰度分布均衡化预处理;然后利用PCA算法将人脸训练图像投影到低秩特征子空间,利用LDA算法计算类间离散度大、类内离散度小的特征子空间,从而获得PCA-LDA的人脸融合特征空间;最后将训练样本、测试样本投影至融合的特征空间,并利用最近邻准则实现对测试样本的识别。实验结果表明,该算法能够有效融合PCA和LDA的优势,提高系统识别的鲁棒性和效率。     

基于线性插值的步态识别算法

为避免识别时的动态时间规整的复杂过程,提出一种基于线性插值的步态识别算法,利用线性插值法,将一个步态序列图像的特征表示为一个单独的矩阵.采用基于线性插值的FanBeam映射结合一般矩阵低秩估计的特征提取方法,为了验证步态特征提取的有效性,采用最近邻分类器在CASIA(B)库上实验,识别率可达88.71%.     

步态与人脸融合的身份识别方法

为了保持步态识别的优势,克服单一生物特征识别的不足,提高远距离的身份识别率,提出了一种步态与侧面人脸在特征层上融合识别方法.首先利用二向图像矩阵主成分分析,对步态能量图和侧面人脸图分别进行特征提取与降维处理,得到初始特征矩阵,并将得到的初始特征矩阵进行矢量化、特征组合,获得组合特征向量.然后利用多重判别分析法对组合特征向量进行特征融合,获得步态与人脸的融合特征向量,最后采用最近邻法进行身份识别.利用CASIA Dataset B步态数据库对上述方法进行了验证.结果表明,该方法提高了身份识别的正确率,验证了该方法的有效性,为多生物特征识别提供了一种新的方法.     

一种基于改进PCA和BP神经网络的人脸识别算法

机器学习中存在大量处理图片的高维数据,PCA是一种有效降维数据的方法.针对PCA算法在提取前几个特征值时计算量大且易受光照噪声等影响的问题,提出一种改进算法,利用分割矩阵的做法求出每一个小矩阵的最大特征值,将其特征向量组成图片的特征矩阵.这样提取出来的特征值更加具有代表性,经仿真实验验证,改进算法的正确识别训练图像集和...     

基于特征融合的三维人脸识别

针对单一的人脸特征在识别中的局限性,将基于深度图像的全局特征和基于测地线的局部特征进行融合,以提高识别率.将三维人脸点云转换为深度图像后进行预处理,然后使用主成分分析法(PCA)找到一个低维的特征脸空间,依照最近邻法则将其与库集样本进行匹配,所得结果即为全局特征;将测试样本与模板人脸进行匹配,得到35个特征点,这些特征...     

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。     

基于主元分析的频谱整体识别方法

根据频谱的整体数据进行模式识别和分类时必须考虑如何降低识别过程中的计算量问题,提出了一种基于PCA的频谱整体识别方法.该方法将N点频谱视为N维空间中的点,首先利用已知频谱样本建立数据矩阵,继而进行PCA处理并确定满足信息保留率门限值的主元方向个数,实现高维数据的降维,并计算各类频谱在低维空间投影点的中心,得到数据模板.在方法的识别应用中以距离最小为判据准则进行识别归类.数值仿真和语音识别实验结果说明所提方法性能稳定,识别准确率较高,具有一定的实际应用价值.     

一种基于快速PCA和简化PSO的带噪声人脸识别

针对传统人脸识别算法在带噪声环境下识别效率低下的问题,文中以FERET、CMU_PIE_FAC及ORL数据库的人脸图像为研究对象,提出一种基于快速PCA和简化PSO的人脸识别改进方法。通过对不同噪声环境下的人脸图像进行滤波消噪处理,并引入快速PCA算法对图像数据进行特征降维,然后利用简化PSO算法进行SVM的参数优化,构建最终的SVM分类模型,以实现人脸识别。结果表明:人脸图像受高斯或椒盐噪声污染会对识别效果产生一定的影响,利用滤波消噪处理可以从一定程度上抑制噪声干扰,与此同时,在数据降维过程中,采用快速PCA算法以计算低维度矩阵的本征值去替代高维度协方差矩阵的本征向量求解,在保证较高的图像解释程度的同时,运算速度明显加快,与传统的PCA、PSO算法结合SVM模型进行人脸识别效果相比,提出的改进算法在保证较高的人脸识别精度情况下,识别过程的计算量大大减少,具有一定的实用价值。     

分块PCA和奇异值分解相结合的人脸识别算法

针对分块PCA算法对位移、旋转等几何变化比较敏感的缺点,提出一种基于分块PCA和奇异值分解相结合的人脸识别算法。该算法分别提取分块子图像的PCA特征和奇异值特征,在此基础上得到同时包含分块PCA和奇异值信息的距离测度,利用最小距离分类器进行分类识别。在ORL人脸库上的实验结果表明,该方法能够得到较高的识别率。     

信息动态融合识别与P-增广矩阵关系

P-集合是一个具有动态特征的数学集合模型,它是由内P-集合■与外P-集合X^F构成的集合对;P-增广矩阵是利用P-集合的动态特征改进普通增广矩阵得到的增广矩阵新结构,它是由内P-增广矩阵■与外P-增广矩阵A^F构成的矩阵对.将P-集合与P-增广矩阵交叉应用研究,得到信息动态融合与它的生成,给出信息动态融合发现-识别与P-增广矩阵分离系数定理,以及信息动态融合识别准则,最后利用这些理论与结果给出应用.     

基于主元分析的人脸识别方法研究

研究了利用主元分析进行人脸识别的方法。将人脸图像训练集进行主元分析,对得到的变换矩阵应用奇异值分解提取特征子空间,把训练图像和测试图像投影到子空间上,选择分类器进行人脸识别。实验表明,主元分析能很好地在子空间下提取出人脸图像的特征信息,从而实现人脸识别。     

基于主元分析和压缩感知的人脸识别算法

针对压缩感知理论中的核心问题,即如何通过有限的测量值以较高的重建率重构稀疏信号,提出了基于主元分析和压缩感知的人脸识别方法（PSL0）.该算法利用双向二维主成分分析提取图像行列2个方向的特征并进行降维,建立反映人脸特征投影矩阵,作为压缩感知算法的超完备基,将每一幅待识别图像的特征向量作为测量值,用基于平滑l0范数快速稀疏表示（SL0）算法求解l0范数最小化问题,寻求图像在该超完备基上的稀疏表示,以得到一组最优稀疏系数重构各类图像,求取测试图像与各类重构图像的最小残差进行分类识别.实验结果表明,该算法在同类算法中获得了较高的人脸识别率及较好的重建效果.     

基于分块2D DCT和(2D)~2PCA的人脸识别

人脸识别是生物特征识别技术中的重要研究领域,应用前景广阔.研究者们虽然提出了很多人脸识别算法,但其性能仍需进一步改进.为了提高现有人脸识别算法的识别准确率,提出了一种新的基于分块二维离散余弦变换(2DDCT)和双向二维主成分分析((2D)2PCA)的人脸识别算法.首先,将图像分块,利用2DDCT进行图像压缩,去除冗余信息,并通过逆2DDCT重建图像;其次,通过(2D)2PCA消除图像的行、列相关性,降低特征维数;最后,应用最近邻分类器进行人脸识别,在ORL人脸数据库中的实验证明了本算法的有效性.     

基于局部保留映射与径向基网络的人脸识别方法

局部保留映射（locality preserving projections,LPP）选择人脸子空间特征包含非线性信息而不利于最近邻法分类．基于径向基函数（radial basis function,RBF）分类器可以将非线性可分问题转化为线性可分问题的特点,提出了利用LPP子空间和RBF网络相结合进行人脸识别的方法,LPP算法采用监督模式,RBF网络隐层中心采用正交最小二乘（orthogonal least—squares,OLS）法训练．实验结果表明,该方法在Yale—B和Yale—B Extended人脸数据库上的识别率为95．67％,在CMU—PIE人脸数据库上的识别率为98．52％,具有较好的抗噪能力,识别效果优于特征脸、Fisher脸以及拉普拉斯脸法．     

基于核偏最小二乘回归的人脸识别

在采用主成分分析进行人脸重构和识别时,仅从样本自身提取特征向量会导致识别误差。因此,在参考主成分分析的基础上,采用偏最小二乘回归进行人脸图像的训练和识别,并对偏最小二乘回归引入核函数。在ORL人脸数据库上的实验结果表明,偏最小二乘回归明显优于主成分分析,同时核偏最小二乘回归也显著提高了识别正确率。     

基于加权主元分析(WPCA)的人脸识别

将特征加权和主元分析相结合,提出了一种新的加权主元分析方法;这种方法先根据加权重建误差最小化,计算出各类训练样本的加权子空间,然后计算测试样本点到各加权子空间的距离,并根据该距离进行分类识别.最后,通过对剑桥ORL数据库进行的试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率.     

用Chebyshev多项式加速的预处理子空间迭代法

研究了计算大型稀疏对称矩阵的若干个最大或最小特征值的问题，首先引入了求解大型对称特征值问题的预处理子空间迭代法和Chebyshev迭代法，并对其作了理论分析．为了加速预处理子空间迭代法的收敛性，笔者采用组合Chebyshev迭代法和预处理子空间迭代法，提出了计算大型对称稀疏矩阵的几个最大或最小特征值的Chebyshev预处理子空间迭代法．数值结果表明，该方法比预处理子空间方法优越．     

基于粗糙集的人脸识别改进方法

人脸识别因其高效、安全和非接触性的特点,在公共信息安全领域得到了广泛应用.针对传统主元分析方法(PCA)和随机主元分析法(Random PCA)在实际应用中存在抗干扰能力差、识别率不高以及2种方法特征融合后计算复杂的问题,提出了一种基于随机主成分分析+粗糙集(Random PCA+rough set)的人脸识别方法.该方法用PCA提取人脸的全局特征,用Random PCA提取人脸图像的局部特征,再将这2种特征通过串联的方式构建特征子空间.在特征子空间里用粗糙集去提取最具区分度的特征,从而有效减少了分类时的计算复杂度并提高了识别率.实验结果表明:该方法较传统PCA方法的识别率和识别时间分别提高了7.09%和6.06%.     

线性空间L（V，W）上保持核和保持象的线性变换

F是代数闭域，V、W是F上的有限维线性空间，L（V，W）是V到W的所有线性变换组成的集合对线性变换的加法及数乘运算构成的线性空间．T是L（V，W）上的一个线性变换，若对任意f∈L（V，W），恒有KerT（f）=Kerf，则称T是保持核的线性变换，若对任意的f∈L（V，W），恒有Imf=ImT（f），则称T是保持象的线性变换。本文刻划了保持核和保持象的线性变换的形式．     

基于PCA＋2DPCA的人脸识别方法分析

阐述了基于主成分分析（Principal Component Analysis,PCA）和二维主成分分析（2DPCA）的人脸识别方法,分析了该方法在矩阵理论中的来源和算法,提出了PCA＋2DPCA分析方法,并采用2DPCA求出特征向量,PCA进行最优压缩,从而降低了维数.