基于PCA_LDA和协同表示分类的人脸识别算法

人脸识别是近年来模式识别领域的热门课题,其中特征提取和分类器选择是人脸识别的关键步骤。主成分分析和线性判别分析是特征提取的主要方法之一,但主成分分析忽略了数据的类别信息,线性判别分析类内散度矩阵奇异,导致投影矩阵无法直接得出。为解决以上问题,本文提出基于PCA_LDA和协同表示人脸识别算法,该算法结合主成分分析和线性判别分析,将人脸的特征信息压缩到一个更小的子空间内,再采用协同表示分类算法对测试图像进行识别。在ORL人脸库、FERET人脸库和YALE人脸库上的大量实验证实,本文算法能精确地提取到高维图像信息的主要特征,在保留特征信息的同时,大大减小了计算的复杂度。而且相比其它几种典型算法,本文算法具有更高的识别率和更健壮的抗干扰性能。     

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。     

基于特征脸和神经网络的人脸表情识别方法

当前人脸检测系统主要使用的是基于主成分分析算法和神经网络技术,本文提出了识别不同特征点的另一种技术,所提出的识别系统用来实现特征提取、主成分分析和人工神经网络,即用特征脸和主成分分析算法进行人脸识别.在主成分分析算法中,通过识别初始人脸图像集得到特征向量和特征脸,然后这些人脸被投射到特征脸上以计算权重,这些权重建立人脸数据库以便通过神经网络进行人脸识别.测试结果表明,其准确率达82.1%,达到了理想效果.     

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%.     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

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%.     

基于模块C-2DPCA算法的人脸识别方法

提出了基于模块化完全二维主成分分析(modular C-2DPCA)算法的人脸识别方法,该方法首先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于鉴别分析,由于直接基于二维子图像矩阵,能方便地降低鉴别特征的维数,在特征提取过程中可以避免使用矩阵的奇异值分解,方法简便.该方法与改进前完全二维主成分分析(C-2DPCA)方法在ORL人脸数据库上的仿真识别效果比较表明,改进后的方法在保持较高识别率的前提下鲁棒性有很大提高.     

基于主成分分析和BP神经网络的车标识别

在对3种数据降维技术进行了比较研究的基础上,提出一种基于主成分分析(PCA)和BP神经网络的车标识别算法.首先,利用PCA方法获得特征车标;然后,将待识别车标投影到特征车标张成的子空间;最后,通过BP神经网络进行车标识别.实验结果表明,该算法能有效提高车标的识别率,对光照和噪声有很强的鲁棒性.     

基于多尺度张量类标子空间的人脸识别算法

提出一种基于多尺度张量类标子空间的人脸特征提取算法,提高人脸识别对光照的鲁棒性,同时不破坏原始数据固有的高阶结构和数据之间的相关性。采用多尺度小波变换组建人脸三维张量样本,将三维人脸张量空间投影到低维张量子空间,对高维人脸进行降维和特征提取,应用多线性主成分类标算法对样本进行类标号,同时使用最近邻算法完成人脸识别。利用CAS-PEAL-R1东方人脸库进行评测,实验结果表明,该识别算法比经典的主成分分析、线性判别分析和多尺度Gabor识别算法具有更好的识别效果。     

基于分布式压缩感知的伪装人脸识别

提出了一种基于分布式压缩感知(DCS)的算法,并应用于伪装人脸识别.该算法从一个人脸图像集中提取共同特征和独有特征,这些特征在表达原人脸集的不同类型的信息具有各自的物理意义,因此能提高人脸识别的性能,同时采用了主成分分析(PCA)法进行降维.在AR人脸数据库的实验结果显示,相比于稀疏表示算法(SRC),该算法能提高识别率和识别速度,即使在较少训练图像的情况下也能取得好的识别效果.     

独立子空间下的草图人脸合成与识别

基于草图的人脸识别对于公安机关通过目击者描述出的犯罪嫌疑人草图来确定疑犯的身份具有重要的意义.为实现草图人脸识别,从人脸独立特征子空间和人脸形状结构特征出发,提出了一种新的草图人脸合成和识别方法.根据人脸图像在独立分量子空间上的重建,研究了基于独立成分分析(ICA)的草图人脸合成,实现了照片草图人脸转换;针对人脸结构信息在人脸识别中的重要作用,在分析主动形状模型(ASM)算法在提取人脸结构信息上所具有的局限性的基础上,提出了极坐标形状模型(PSM);最后,将合成的草图与待识别草图利用ICA/线性鉴别分别(LDA)和极坐标形状模型进行联合识别.实验结果表明,提出的算法可以有效地将照片转换为草图,并具有较好的识别率,1阶识别率达到94.7%,10阶达到99.1%,将子空间投影与极坐标形状模型联合起来识别,1阶识别率可提高5.3%,前3阶识别率平均提高约4.2%.算法较好的识别率基本上满足了自动草图识别系统的要求.     

融合加速稳健特征的子空间人脸识别方法

为了充分利用人脸特征信息更加准确全面地描述人脸,提高现有识别算法的识别率,提出一种融合改进的加速稳健特征和子空间特征进行人脸识别的方法。利用AAM形状模型的训练方法,训练得到41个点的人脸形状模型;对每幅图像进行特征点初歩定位,找到并保留与初歩定位的特征点空间距离最近的SURF特征点。将SURF特征点描述子利用PCA降维,得到改进的SURF局部特征向量。然后利用PCA对图像进行全局特征提取,将局部特征与全局特征进行融合,组成全新的特征向量。最后通过特征向量的匹配实现识別。对包括本算法和PCA-SIFT算法在内的6种不同识别算法进行了验证。实验结果表明,提出的算法在改变ORL人脸库中训练集样本数的情况下,识别率均优于其他算法;在样本数为5的情况下比PCA-SIFT方法提高了4.3%,可见该算法提高了人脸的识别率具有较强的鲁棒性和分类性。     

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。     

结合MMC与BPSO优化的人脸特征提取

为了提高最大间距准则法表征人脸特征空间的能力,提出了一种融合最大间距准则和二进制粒子群优化算法的人脸识别方法。利用离散二进制粒子群算法对最大间距准则变换后的特征向量进行选择优化,获得有利于分类的最优特征子空间。在ORL和Yale标准人脸库上的实验结果表明,该方法不但降低了特征空间的维数,而且更好的发挥了最大间距准则算法的优点,提高了人脸识别的速度和精度。     

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.     

基于局部特征分析与最优化匹配的人脸识别算法

在分析传统弹性图匹配的基础上, 提出一种基于局部特 征分析(LFA)与最优化匹配的人脸识别算法. 该算法首先利用神经网络方法估计出在识别人脸中起重要作用的一些特征点(如瞳孔、 眼角、 眉心、 眉角、 嘴角等), 之后利用Gabor小波的局部多尺度分析特性提取特征点的多尺度特征. 这样人脸的每个特征点就被一系列的 Gabor小波系数所表示, 最后对待识人脸与人脸库中人脸的相应特征点的多尺度特征进行最优化匹配找出需要的人脸. 对最优化匹配方法给出了严格的数学证明, 同时也给出了Yale大学和ORL人脸库上的测试结果. 理论和实验证明, 该方法远优于传统的EigenFace方法, 同时能有效地克服光照变化对人脸识别的影响, 在一定程度上对表情的变化也有较好的鲁棒性 .     

主成分分析在人脸识别研究中的应用

PCA(Principal Component Analysis),主成分分析方法,是一种得到广泛应用的人脸识别方法。PCA算法提供了一个高维和低维空间的线性变换矩阵,就是利用低维特征向量来表示原始样本信息,利用变换矩阵可以得到一个特征子空间,即特征脸。进行识别时,把待识别的人脸向其投影,采用最近邻法得到最近的点,最终识别该人的身份。     

基于混合Gauss模型的鲁棒性人脸识别算法

针对人脸图像受表情、光照、角度变化等因素影响,传统算法难以获得较理想的人脸识别结果问题,提出一种基于混合Gauss模型的鲁棒人脸识别算法.先将每副图像划分成子块,提取其方向梯度直方图特征,并加入子块相应的空间位置信息产生人脸图像的局部特征向量;再采用全部图像的局部特征向量训练混合Gauss模型生成人脸特征向量;最后采用最小二乘支持向量机建立人脸识别分类器,实现人脸匹配与识别.采用ORL,Yale和CIGIT人脸库进行仿真对比测试,仿真结果表明,该算法的人脸识别率高于其他人脸识别算法,对光照、角度、表情等有较强的鲁棒性,且可以获得更快的人脸识别速度.     

一种多视角人脸姿态估计算法

基于独立子空间分析(ISA)技术，提出了一种多视角人脸姿态估计算法。给出了ISA视角子空间分析公式和有效的多视角子空间有监督学习算法。基于有监督学习的多视角人脸模型子空间学习算法，能够实现比无监督ISA学习算法得到更高的姿态估计精度。     

基于Fisherface和组合KNN分类器的人脸识别算法

基于Fisherfaee和组合K近邻（KNN）分类方法的人脸识别算法首先采用Fisherfaee进行特征提取,构成特征空间。然后,利用组合KNN分类器对提取的特征进行识别。在ORL人脸数据库上的实验结果表明该方法具有良好的性能。