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.     

基于主分量特征与独立分量特征的人脸识别

PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述.PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的.ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征.文章对这两种方法做了理论上的比较,并通过实验证明ICA算法提取的特征子空间在人脸识别应用中更有效,识别率更高.     

基于DCT和分块2D2PCA的人脸识别

为了解决人脸识别算法双向二维主元分析(2D2PCA)表征的信息不全面,鲁棒性差、识别速率较慢的问题,提出了一种结合二维离散余弦变换(DCT)算法和改进的双向二维主成分分析算法(模块(2D)2PCA)的新的人脸图像识别算法,该算法首先利用二维离散余弦逆变换(DCT)对人脸图像进行压缩,利用二维离散余弦逆变换(IDCT)对图像进行重建,可以去除了人脸图像中的干扰冗余信息。然后通过改进的2D2PCA算法即分块2D2PCA提取重建人脸图像中的特征。最后,用最近邻法对人脸图像进行识别,并定义了人脸图像相似度的概念。本文对ORL人脸图像数据库进行了实验。实验表明,本文算法有效的增强了识别的鲁棒性,缩短了识别的时间。     

基于双向PCA和K近邻的人脸识别算法

针对当前人脸识别算法的运行速度和识别准确率的矛盾,提出一种基于双向主成分法(Bidirectional PCA,BD-PCA)和K近邻法K-NN(K-nearest neighbor)的人脸识别算法。在VC6.0平台下基于ORL人脸库进行实验,首先利用双向PCA算法对训练人脸样本和测试人脸样本进行方向和列方向降维并提取特征脸;然后用K近邻方法对特征脸进行人脸匹配。实验表明,提出的算法在有效降低运算时间的同时,又能取得很高的识别准确率,具有一定的可行性。     

基于CGA和PCA人脸特征的提取方法

针对选定PCA特征空间维数的问题,提出了一种混沌遗传算法和主成分分析相融合的人脸识别方法。利用混沌遗传算法对PCA变换后的特征向量进行选择,快速搜索到了有利于分类的特征子空间;在ORL人脸库上的实验表明,该方法不但降低了特征空间的维数,提高了识别速度,而且获得了比采用其他方法更好的识别性能。     

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.     

基于伪模块2D PCA的人脸识别方法

在模块2D PCA方法的基础上提出了伪模块2D PCA的人脸识别方法.该方法不仅保留了模块2D PCA方法在特征抽取之前无需将图像矩阵转化为图像向量、能快速降低鉴别特征的维数、可以完全避免使用矩阵的奇异值分解等优点,而且在降维的同时尽可能保持了原样本的变化信息,使得降维后的同类数据样本尽可能保持相似.在ORL人脸数据库上的实验结果表明,伪模块2D PCA在识别性能上优于模块2D PCA.     

基于变尺度DCT和PCA的人脸识别方法

针对实际应用中要对不同尺度的人脸图像进行匹配和识别的需求,提出一种基于变尺度DCT(离散余弦变换)结合PCA(主成分分析法)的人脸识别方法.首先将不同尺度的人脸图像进行DCT变换,然后提取出相同的DCT系数,再将提出的DCT系数进行PCA降维,最后进行匹配识别.通过对ORL人脸库及实验采集的多尺度人脸图像进行实验,证明了所提方法对不同尺度图像的匹配识别有效,并测算了DCT变换后的修剪尺度及PCA特征维数对该方法识别准确率的影响.     

Curvelet变换在人脸识别中的应用研究

针对小波只能反映信号的点奇异性,无法实现人脸图像面部轮廓和五官曲线信息的最优稀疏表示,提出了一种基于第2代Curvelet的人脸识别算法.通过对人脸图像进行第2代Curvelet变换,分解得到表征人脸基本信息的低频系数,再利用双向2维主成分分析((2D)2PCA)进行降维,并结合最近邻算法进行人脸识别.以ORL人脸数据库进行试验,结果表明:与基于小波变换的算法相比,该算法具有更高识别率和更短的识别时间.     

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2DPCA的颅骨识别研究

阐述了基于主成分分析和二维主成分分析的颅骨识别方法,比较了两种特征提取算法,通过比较得出:二维主成分分析速度快,不需要经过一个降维的过程,而且识别率高.在获得颅骨的三维几何信息后,对数据进行特征提取时采取的是二维主成分分析方法,从而提取颅骨图像的关键特征,最后利用常用的最近邻法则进行识别.     

应用于图像特征识别的主成分分析算法

主成分分析方法（PCA）是一种信号分离方法。本文综述了独立分量分分析的基本原理和数学模型,讨论了主成分分析在图像特征识别方面的应用。     

基于C8051F020单片机的多串口通讯技术

在设计一个产品时,通常要用到串口通讯,而且往往需要多个串口来协调系统内分部件的工作.要在一个系统中实现多串口通讯有很多种方法,一般会选择一个单片机加外围串口扩展芯片的方案来实现.现讨论使用最少的资源(仅一个单片机)实现了3个以上串口通讯的解决方案.     

利用PCA改进BP神经网络算法

BP神经网络是目前应用最为广泛的神经网络模型之一,本文对BP神经网络进行的深入的分析并对BP算法进行了数学分析,并指出了标准BP算法存在的缺陷,提出利用主成分分析法对BP算法进行改进,极大地提高了BP算法的实用性。     

基于主成分分析和动态神经网络的时间序列预报

本文提出一种基于主成分分析（PCA）和动态神经网络的多变量时间序列预报方法,并对具体实例建立多变量时间序列模型。仿真实验结果表明该网络具有很强的学习能力和泛化能力,适合进行非线性时间序列预报。     

用PCA探讨纯棉针织物染色工艺对色差的影响

针对定性分析染色工艺参数对色差影响不准确,建立其精确数学模型困难等问题,基于PCA统计方法,利用SPE统计量描述生产样本和无色差统计模型的偏离程度,定量地研究纯棉针织物的染色工艺参数对色差影响,得出主要影响因素的可控制范围.