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与ICA的人脸识别算法研究

ICA是一种基于数据高阶统计信息的有效的数据独立特征提取技术,它能够更好地表示人脸的局部特征,ICA是PCA从二阶统计分析向高阶统计分析的拓展.本文提出了一种加权融合这两种技术的人脸特征提取算法,并结合不同的相似性度量进行了人脸识别实验.结果表明,该方法比用一种单独的特征提取方式识别率要高.     

基于PCA和神经网络的人脸识别

介绍一种基于PCA和神经网络结合的人脸识别方法。该方法首先利用主成分分析方法对整幅图像进行特征提取,获得最佳描述特征,从而减小神经网络的输入。然后将降维之后的图像数据输入到一个前向传播神经网络中训练。神经网络的权值采用粒子群算法进行优化,用标准人脸数据库中的样本进行测试,最后将该方法与其他方法作了比较。实验结果表明,该方法能够取得更好的效果。     

基于PCA和SVM的人脸识别技术研究

从人脸图像特征提取和分类器构建两方面分析了人脸识别系统设计的关键点,提出了以主成分分析技术和支持向量机技术相结合构建人脸识别系统的策略,同时在主成分分析技术的理论基础上提出了一种快速PCA算法.通过实验系统在ORL人脸库上的测试结果,分析了该系统的相关参数和特征向量维度的选取对系统识别率的影响,并得到了其最优解.同时,通过实验证明了所提出方法在小训练集下的识别率优于其它一般方法,其识别率比一般的人工神经网络法提高了7%~10%左右.     

基于GPU的PCA人脸识别系统设计

针对实际人脸识别系统需要满足实时性的应用需要,探讨了在图形处理器(GPU)硬件架构基础上的基于主成分分析(PCA)人脸识别系统设计与实现.结合统一计算设备架构(CUDA)的计算平台,通过将算法中耗时长、适合并行的部分过程映射到GPU上并行执行改进系统的加速实现.实验结果表明:相对于基于CPU平台的串行实现,基于GPU的实现在整体上能够获得约5倍的加速,而两个执行并行的模块能分别获得最大20倍和30倍的加速.     

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...     

基于K-CV 优化的PCA 和SVM 人脸识别算法

为解决常规的PCA( Principal Component Analysis) 和SVM( Support Vector Machines) 人脸识别算法准确率 不高的问题,提出了用改进的网格搜索和交叉验证( K-CV: K-fold Cross Validation) 算法对SVM 参数寻优的方 法,并联合了PCA 和SVM 的人脸识别算法。该算法利用K-CV 算法结合改进网格搜索方法寻找最佳参数, 尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab 软 件上测试结果表明,该算法在YALE 人脸库的识别准确率比常规的PCA 和SVM 联合算法高9． 08%。     

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.     

人脸识别PCA算法的硬件实现

为满足人脸识别系统的实时性,提出了一种基于FPGA硬件平台的人脸识别系统的实现方法。以传统的主成份分析算法为理论基础,利用Xilinx公司的System Generator开发环境实现算法的硬件逻辑。通过调试和仿真后,分析运算负荷和时序逻辑。结果表明,使用Spartan-3ADSP XC3SD3400AFPGA开发套件,在保证识别率的前提下,硬件实现的算法处理速度要远快于MATLAB中的算法实现。     

基于LLE和PCA的人脸识别算法研究

用PCA算法对非线性结构的高维数据(如人脸图像)进行降维,会破坏其局部结构信息.而采用LLE算法对其进行降维,又会保留大量的冗余信息,并且算法不具有可扩展性,从而达不到预期的降维效果.为了克服PCA算法和LLE算法的这些缺点,我们提出将LLE算法与PCA算法以及径向基神经网络相结合的LPR算法,并将该算法分别与LLE算法和PCA算法进行实验比较.结果表明,LPR算法在保证较高识别率的同时,大大提高了算法效率.     

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.     

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。     

一种基于2DPCA和DLDA的人脸识别方法

一维方法特征提取时运算量大，图像较大时很不方便．二维的方法特征提取直接，速度快，但提取出的特征是矩阵，特征数量大，影响分类速度．结合2者的优点，提出二维与一维相结合的特征提取方法来识别人脸．先用二维PCA（2DPCA）处理原始图像，降维后进行DLDA处理．在ORL人脸库中验证了这种算法的可行性，结果表明识别率和分类速度均有提高．     

基于人脸识别的远程教育身份认证方法研究

远程身份认证是远程教育系统亟待解决的问题之一,为实现对学习者身份的实时认证,提出了基于人脸识别技术的身份认证方法。在对有关人脸识别技术分析的基础上,提出二阶双向二维主成分分析特征提取方法,减小了采集环境对人脸准确识别的影响。提出的方法可有效解决“用户名＋密码”等目前广泛采用的静态认证方式带来的种种隐患,为远程教育的健康发展创造了有利条件。     

基于Gabor小波和PCA的掌纹识别方法比较研究

掌纹识别是利用人的手掌图像进行身份鉴别的一种新兴生物特征识别技术. 主成分分析(PCA)、二维主成分分析(2DPCA)、Gabor小波等则是生物特征识别的常用特征提取方法. 本文采用四种实验方案来比较研究基于PCA以及基于Gabor和PCA的掌纹识别特征提取性能, 用正确识别率和训练时间等参数来对其进行对比分析, 其结果可为掌纹识别系统选择特征提取方法提供一定理论参考.     

PCA和粗糙集的联合自寻优特征选择在人脸识别中的应用

在人脸识别中,基于PCA和粗糙集的联合自寻优特征选择算法首先利用PCA对人脸图像进行人脸特征的提取和约简,在此基础上利用粗糙集的自寻优约简方法进一步得到能充分体现人脸信息的最小人脸特征集合。实验证明此算法应用于人脸识别中不仅大大减少了特征的数量以及分类过程中的运算量,还有效的提高了人脸识别的正确率和减少了识别时间,并且对于一定范围内的不同取样的训练具有一定的稳定性。