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Gabor小波变换的增强2DPCA方法

传统的PCA方法在图像识别中都是基于图像向量的,在人脸识别前二维的人脸图像矩阵首先要转化成一维的图像向量,这样就造成图像向量维数通常较高,使特征提取中耗费大量计算时间,降低了识别效率。在传统PCA基础上,Yang等人在2004年提出了二维主成分分析(2DPCA),这种方法直接基十二维图像矩阵运算,特征提取速度大大加快,计算方法也较简单。     

基于分块的2DPCA人脸识别方法

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...     

人脸识别中PCA，2DPCA以及分块PCA的性能分析与比较

PCA,即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。近年来,为了减少传统PCA的计算开销,出现了2DPCA和分块PCA。PCA将图像看作向量而2DPCA将图像看作矩阵,分块PCA则将图像分块运用不同的PCA算法。对PCA,2DPCA以及分块PCA的思想进行了介绍,并通过实验对他们的性能进行了比较,总结了主要的优缺点。     

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.     

一种局部保留C2DPCA人脸特征提取方法

 首先分析了主成分分析(PCA)、二维主成分分析(2DPCA)以及完全二维主成分分析(C2DPCA)存在的不足,针对PCA方法不能解决的小样本问题以及2DPCA和C2DPCA存在对所有识别信息都采用同等对待的不足,提出了局部保留的C2DPCA方法,此方法首先将人脸图像划分为5个区域,并对双眼、嘴唇和轮廓进行保留,其它部分采用降低其散列度的方式进行处理,然后再采用C2DPCA方法进行数据降维和特征提取,经过在ORL人脸数据库上实验研究表明,与C2DPCA相比在进一步降低了特征矩阵的维数的基础上又提高了识别率,并且在识别率方面优于经典的Fisherfaces和ICA方法.     

基于小波变换和2DPCA的人脸识别

主成分分析(principal component analysis:PCA)已成功用于人脸识别,但基于主成分分析的人脸识别方法需要将图像数据向量化,而向量化后的图像样本维数非常大,计算代价非常高.二维主成分分析(2 di mension principal component analysis:2DPCA)直接处理图像数据,不需要向量化的过程,2DPCA降低了计算复杂度,但是2DPCA与PCA相比,需要存储更多的系数,即要占用更多的存储空间.本文提出了一种基于小波变换和2DPCA的人脸识别方法,可以克服上述缺点,实验结果证明了该方法的有效性.     

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.     

基于二维主元素分析的手写体数字识别研究

二维主元素分析(2DPCA)是基于二维图像,而不是像PCA一样基于一维的向量化图像,是一种用于人脸识别中的典型的特征提取技巧,与传统的PCA方法相比,它具有更高的识别率和更短的特征提取时间。运用2DPCA的手写体数字识别方法,与PCA方法在误识率上进行了数值对比试验。然后,在特征提取阶段进行改进,它是一个样本图像分组策略,称之为NetPCA,此方法比较好的综合了统计特征和结构特征两种提取方法。     

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。     

主(小)成分分析的实时算法

在图像处理、通讯技术等信息处理领域中,主成分分析(PCA)和小成分分析(MCA)是很常用的一种方法.给出能同时得到主成分分析或小成分分析所要求的特征值和特征向量的实时算法.     

基于残差自然幂法的增量线性判别分析方法

提出了将增量线性判别分析问题(LDA)转化为两个增量主元分析(PCA)问题的算法框架.为加速算法的收敛速度,推导了增量LDA中训练样本的类内离散度矩阵和协方差矩阵的无损实时更新公式,并在此基础上提出了一种基于残差协方差矩阵的自然幂增量PCA算法.将该增量PCA方法与基于双PCA结构的增量LDA算法框架相结合,实现了数据...     

GFRP层压板脱黏缺陷的红外脉冲热波成像检测

针对玻璃纤维增强塑料层压板脱黏缺陷的红外无损检测问题,首先制备了一种人工脱黏缺陷试样,采用红外脉冲热波成像检测技术对脱黏缺陷进行检测,分析了层压板脱黏区和非脱黏区的表面热信号瞬态响应过程,以图像信噪比和标准化对比度作为评价指标,定量对比了热信号重构、复调制Zoom-FFT、改进的独立分量分析和主分量分析4种热图重构算法在脱黏缺陷识别中的作用.在此基础上,提出基于热信号重构增强的主分量分析算法,并验证了该算法在脱黏缺陷识别中的作用.研究表明:4种热图重构算法均可提高层压板脱黏缺陷定量识别能力,其中以热信号重构对提高缺陷区与非缺陷区对比度最为显著,主分量分析对热图噪声的抑制能力最强,基于热信号重构增强的主分量分析能够显著提高深度分别为0.5mm、1.0mm、1.5 mm的脱黏缺陷定量识别能力.     

基于人脸局部特征和SVM的表情识别

提出了一种基于人脸局部特征的表情识别方法．首先选取人脸重要的局部特征,对得到的局部特征进行主成分分析,然后用支持向量机（SVM）设计局部特征分类器来确定测试表情图像中局部特征,同时设计支持向量机（SVM）表情分类器,确定表情图像的所属类别．对JAFFE人脸图像数据库进行仿真实验．结果表明,该方法要优于一般的基于整体特征的人脸表情识别方法．     

一种改进的ASM人脸特征点定位方法

传统主动形状模型(active shape model, ASM)利用主成分分析(principal component analysis, PCA)获得形状,根据主成分并结合形状参数建立起统计模型,该方法不能有效更新图像特征空间,会导致模型匹配失败。为了克服上述缺点,提出一种改进的特征提取方法。首先采用增量主成分分析(incremental principal component analysis,IPCA)更新图像集合的特征空间,并采用一种新的模型匹配算法定位目标特征点。改进的新方法不断更新图像特征空间且有效地描述训练样本间的相似性或差异性,新的匹配算法能避免计算协方差矩阵的逆矩阵,能有效降低计算误差。实验结果表明,改进的方法有效提高了定位精度,并降低了匹配的像素偏移值。     

基于灰度图像二维Gabor滤波的目标识别

提出了一种基于灰度图像的Gabor滤波器识别方法.该方法首先采用Gabor小波滤波器组处理灰度目标图像,并在此基础上采用主元分析法(PCA)提取图像特征,然后结合支持向量(SVM)方法将区域内图像匹配问题转化为分类问题来识别目标物体.仿真实验结果表明,该算法能使移动机器人达到92%以上的识别率,并可满足约8 fps的实时图像处理要求.