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。     

改进的基于DCT与局部保持投影的人脸识别方法

引入基于局部保持能力判据的特征选择算法对融合离散余弦变换(DCT)和局部保持投影的人脸识别方法进行改进.首先对人脸图像进行DCT变换,得到DCT系数,然后以不同频率DCT系数的拉普拉斯值作为局部保持能力判据对DCT系数进行选择,最后对选出的DCT系数执行局部保持投影算法提取识别特征,在ORL人脸数据库上的实验结果证明了该方法的有效性.     

DCT和LBP特征融合的人脸识别

提出一种特征融合的人脸识别新方法.该方法将人脸图像中少量的低频离散余弦变换(DCT)系数用作人脸的频域特征;把人脸图像规则地分成多个子块,计算每个子块的局部二值图(LBP)编码直方图.这些子块的LBP直方图连接成一个空域全局直方图,作为人脸的描述向量.这个描述向量经过PCA降维后作为人脸的LBP特征.DCT特征和LBP特征分别归一化,然后进行特征融合.在ORL人脸库上的实验显示了所提方法比单独采用DCT或LBP特征的人脸识别有较好的性能改善.     

基于DDCT与LDA的人脸特征提取方法

提出一种基于分块离散余弦变换(DCT)和线性鉴别分析的人脸特征提取方法。该算法对人脸图像进行DCT变换,根据图像块位置和能量分布选择不同的DCT高低频分量构建特征向量,再线性鉴别变换降低特征维数,提高特征的鉴别能力,并利用分类器进行特征的分类与识别。人脸库上的仿真结果验证了该方法的有效性。     

基于DCT的PCA及神经网络的人脸识别研究

PCA(Principal Component Analysis,也称为K-L变换)方法在许多人脸库的识别中取得了很好的效果,但运算量大;DCT(Discrete Cosine Transform)有较高的压缩性能并可通过快速算法来完成;集成的BP神经网络比单一BP网具有更好的泛化能力.针对上述特点,提出了一种新算法,首先用DCT处理原始人脸图像,然后用包含了原始图像大部分信息的少量DCT系数作PCA,最后用集成的BP神经网络进行识别.在ORL人脸库上的仿真试验结果表明,该方法是一种更为高效的识别方法.     

一种新的基于DCT变换的人脸表征

DCT变换是一种与KL变换非常相似的次最优变换算法.由于它独立于信号量,并且在维数下降、特征提取方面都非常接近经典的KL变换算法,因此DCT变换已经适用于模式识别领域.文章针对人脸图像,基于DCT变换,提出了一种融合整体DCT变换和分块加权DCT变换提取人脸图像的整体特征系数和局部特征系数,用于人脸表征的新方法.实验结果表明,本方法无论是在识别率还是在时间性能方面都优于传统的KL变换.     

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%.     

采用二代曲波变换和反向传播神经网络的人脸识别方法

针对小波变换在人脸识别中存在识别正确率较低的问题,提出了一种基于二代曲波变换的人脸识别方法.首先将所有样本图像和测试图像通过基于"打包"的快速离散曲波变换进行分解,获得不同尺度、不同角度的曲波变换系数,再利用曲波变换分解系数中包含了人脸重要特征信息的低频系数,作为特征参数送入反向传播(BP)神经网络中进行学习训练,最后将训练好的BP神经网络用于人脸识别.经剑桥大学ORL人脸库的图像识别实验表明,所提方法的识别正确率达到95%,比Daub(2)小波基的小波变换方法的识别正确率提高了2.5%.     

基于LBP和PCA特征提取的人脸识别

为有效解决局部二元模式(LBP)在人脸识别特征提取时维数过高的问题,提出了一种结合LBP特征和主成分分析(PCA)的人脸识别方法.首先,对人脸图像进行分块,提取其LBP直方图特征,然后使用PCA方法对特征向量进行降维,最后将降维后的特征向量用于识别.在FERET人脸库上的实验结果表明:相对于原始LBP表达方法,结合LBP和PCA的人脸表达能有效降低计算复杂度,同时也较好地保持了原有识别精度.     

基于支持向量机的人脸识别算法研究

对基于支持向量机的人脸识别算法进行了研究,并通过仿真实验验证算法的有效性.通过缩小图像的尺寸和离散余弦变换(DCT)来实现图像的预处理,应用基于类内平均脸的主成分分析(PCA)提取人脸图像的特征,应用支持向量机(SVM)实现人脸图像识别.还重点对影响人脸识别系统速度和识别准确率的相关因素进行了研究,为研究人脸识别技术的应用提供理论依据.     

基于多尺度Retinex算法结合PCA特征加权的人脸识别方法

结合多尺度Retinex算法和PCA算法的特点,并引入权重系数,提出了一种新的人脸识别方法.首先,在人脸图像的预处理阶段,利用多尺度Retinex算法提取人脸图像光照不变分量,然后用PCA算法提取人脸光照不变量的主特征;为进一步减少光照变化对人脸识别率的影响,对提取到的主特征的前两个向量加小于1的权重系数;接着利用k近邻分类器进行人脸分类识别;最后基于CAS_PEAL_R1光照子集人脸库,在Matlab环境下进行仿真实验,实验结果表明该方法提高了人脸识别率.     

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.     

基于决策融合的红外人脸识别方法

提出了一种基于决策融合的红外人脸方法。分别通过离散小波变换＋主元分析＋线性辨别分析、二维PCA方法、离散小波变换＋傅里叶变换3种方法将测试图像进行分类，得到3个结果，然后将这3个结果进行融合得到最终的识别结果。实验结果表明：本文提出的方法更能利用人脸图像的有用判别信息，并得到更好的识别效果。     

基于小波变换特征提取和神经网络分类的人脸识别

为提高人脸图像识别率,提出一种将小波分析与神经网络相结合的人脸识别方法。用二维离散小波变换函数对人脸图像进行二维离散小波变换,提取其低频系数作为人脸特征值,用三层神经网络进行分类、识别。实验证明,和单纯的小波方法及神经网络方法进行人脸识别相比,这种方法收敛步数少、用时短、具有较高的识别率。     

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DT-CWT和SVM的人脸图像集成分类方法

利用二元树复小波变换对人脸图像进行5尺度小波分解,并提取每一尺度下6个方向高频子图小波系数模的均值和标准方差组成60维的特征向量表征人脸,然后采用支持向量机的一对一分类算法对ORL人脸图像库进行分类实验,结果表明二元树复小波变换和支持向量机的集成方法能有效提高人脸图像的分类精度.     

基于2DNPP和Trace变换的平面内旋转人脸识别

针对平面内具有随机旋转角度的人脸图像难以识别问题,提出一种融合二维近邻保持投影(2DNPP)和Trace变换的方法,以实现图像旋转不变性特征提取和识别.首先对图像做一重和二重Trace变换,然后对二重曲线进行匹配计算,得到既对平面内旋转变化具有鲁棒性、又能保存丰富图像信息的特征,最后通过2DNPP进行降维并分类.用该方法分别对正面的、旋转的、加噪声的人脸图像进行了识别实验,并与SIFT、pseudo-Zernike等方法进行了比较,结果表明:对于具有随机旋转角度的ORL图像库,文中算法识别率达到96％,且对白噪声具有较强的鲁棒性.     

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.     

利用粒子群优化的人脸特征提取识别算法

针对如何提高人脸图像识别率问题,提出了利用粒子群优化(PSO)的人脸特征提取识别算法.采用小波变换和张量主成分分析(PCA)方法对人脸图像进行特征提取,利用PSO对提取的特征进行加权处理,根据特征的每一维元素的聚类正确率进行优化选择,从而达到对人脸提取关键性特征的目的.实验结果表明,所提算法能减小光照、表情和姿态变化的影响,在英国曼彻斯特科技大学人脸数据库上的识别率比张量PCA方法提高了12.75%.     

足球机器人视觉目标识别的PCA-SIFT算法

针对Robocup类人组比赛的特殊环境,为了识别比赛双方机器人,并克服光照变化、图像扭曲等问题给识别目标带来的干扰,选用尺度不变特征变换（SIFT）算法进行特征提取.由于SIFT算法的实时性差,提出改进的PCA-SWT目标识别算法,将主成分分析法（PCA）用于对经典SIFT算法中的128维描述子进行降维,并用最近邻法进行特征点的匹配.通过实验发现,经过PCA改进的描述子不仅提高了运算速度,匹配度也保持在较好的状态.