基于奇异值分解的分类器及在人脸识别中的应用

提出了利用一个人脸样本的奇异值分解构造其所在类别分类器的方法，解决了人脸识别中训练样本少的问题，并给出了利用错归样本更新分类器的方法．实验表明每类仅有一个训练样本就可以得到满意的识别率，并且仅利用一个错归样本更新分类器还可以使识别率进一步提高．     

基于奇异值分解的DWT域数字水印算法

本文提出了一种基于奇异值分解的DWT域数字水印算法。首先用Aronld算法对水印图像进行置乱;然后对原始载体图像进行小波变换,同时对低频系数进行奇异值分解;最后将加密后水印宽、高放大到合适尺寸,并嵌入载体图像DWT域的低频子带的奇异值中,完成了水印嵌入。仿真结果表明,本算法嵌入的水印不仅能保证较高的可见性,同时能够很好地抵抗多种攻击,有较好的鲁棒性。     

核最近特征分类器及人脸识别应用

将最近特征线(NFL)、特征面(NFP)和特征子空间(NFS)分类方法推广为基于核的NFL、NFP和NFS,其优点是可直接对高维的人脸图像样本进行识别,而无需先抽取人脸图像特征,使在训练样本数较多、特征抽取在计算上难以实现的情况下也能直接识别.其中对KNFS得出了两种计算方法,一是KNFP的直接推广,二是利用核主分量分析构造非线性特征子空间.基于ORL和YALE数据库的实验验证了此方法直接识别高维人脸图像的有效性.     

矩阵奇异值分解定理的直观证明

矩阵的奇异值分解定理是矩阵论的一个基本定理.传统教材中给出的证明方法往往缺乏几何直观.为此,借助正交投影和一个基本三角函数的极限,给出实矩阵奇异值分解定理证明方法的一个更具几何直观的备选方案.     

基于两级奇异值分解的鲁棒水印算法

为了平衡水印系统的不可见性和鲁棒性,提出一种新的基于旋转稳定区域和两级奇异值分解(singular value decomposition, SVD)分解的水印算法.在嵌入水印过程中,先选取像素近似无损的稳定区域,并对该区域进行冗余离散小波变换提取低频部分,进而进行分块处理;接着对各分块进行SVD分解,提取第1行第1列的奇异值构建特征矩阵,对特征矩阵进行第2次SVD分解;最后,选取合适的嵌入强度,将水印奇异值嵌入载体奇异值.在水印提取时,先对含水印信息的载体图像进行Radon旋转校正,再提取出水印信息.实验结果表明,该水印算法的峰值信噪比(peak signal-to-noise ratio, PSNR)可达到45 dB,在抵抗旋转攻击时,提取的水印归一化相关系数(normalized correlation, NC)值能达到0.90以上.该文所提的水印算法保证了水印的嵌入容量,且具有良好的不可见性和较高的鲁棒性,在数字版权保护中具有较高的实际应用价值.     

矩阵分解在求解齐次线性方程组中的应用

<正>矩阵的满秩分解及奇异值分解~([1-2])在优化理论和统计学领域有着广泛的应用.本文研究了矩阵的满秩分解及奇异值分解在求解齐次线性方程组Ax=0中的应用,并给出了算例.1运用矩阵的满秩分解求解齐次线性方程组定理设矩阵A的满秩分解为A=BC,则Cx=0的充要条件是Ax=0.     

基于AdaBoost分类器和特征脸的人脸检测与识别

本文在人脸检测与识别技术理论研究的基础上,提出了一种有效的人脸检测与识别机器学习方法.该方法采用了海尔特征级联的AdaBoost分类器进行人脸检测,使用了特征脸的主分量分析法进行人脸识别.实验结果表明该方法能较快地定位并跟踪人的脸部,然后通过比较人脸数据库能较好地识别出待检人物的身份.     

PCA在人脸识别中的应用

利用人脸特征进行身份鉴别是生物特征识别中最直接的手段,而在人脸特征鉴别中,特征提取是很重要的一个步骤,对特征提取中最常用的算法——PCA（特征脸）算法进行了分析,归纳,并通过实验说明了不同投影轴对识别率的影响。     

基于SWA的核自联想记忆模型及其人脸识别应用

通过在传统的自联想记忆模型中引入机器学习中颇具影响力的核方法,提出了一类囊括现有自联想记忆模型的统一的核自联想记忆模型框架(KAM),并针对KAM所具有的复杂的全互连结构,借鉴最近由Watts和Strogatz提出的"小世界网络"理论,构建了一类结构相对简单、易于硬件实现的基于小世界体系(SWA)的核自联想记忆模型框架(SWA-KAM).在FERET人脸数据库上的随机加噪和部分遮挡的识别实验表明,该模型获得了比PCA算法以及最近提出的(PC)²A算法更高的识别率,表现出了较强的鲁棒性.     

基于特征的弹性图匹配人脸识别算法

提出一种基于特征的弹性图匹配人脸识别算法(FEGM).它包括两个步骤,首先利用Gabor进行人脸特征(如眼、鼻子、嘴等)的检测、定位,提取一组Gabor小波系数矢量;然后在代价函数的约束下,对各个特征都执行弹性图匹配,并使总体代价函数尽可能的小,从而得到联合识别结果.在Yale人脸库上的实验表明,识别率确实得到提高.     

基于交叉覆盖神经网络的人脸识别

提出一种利用交叉覆盖神经网络(ACNN)进行人脸识别的方法.该方法应用基于几何意义的MP神经网络模型——球面邻域模型,将神经网络的训练问题转化为点集覆盖的问题.通过分析交叉覆盖算法,阐述了人脸识别的训练算法,该算法克服了传统BP算法识别率低和易陷入局部最小的问题.实验结果表明,在采用多样本训练后,该算法具有较高的识别率。     

利用二元结构特征的人脸识别

提出了一种基于二元结构特征提取的人脸识别算法. 该算法将所有类进行两两组合,以两类分类器为基础,为每个两两组合类间的识别挑选最适合分类的特征构成特征选取空间. 对未知样本进行测试时,在特征选取空间中计算测试样本与所有训练类的相似度,将未知样本判断为与之相似度最大的类. 运用AT&T和AR人脸数据库对该算法进行性能测试,与其他算法相比,该算法能在较小的特征维数下获得更高的识别率.     

基于KPCA及最佳鉴别独立分量的人脸识别方法

首先分析了独立分量分析(ICA)在人脸识别应用中存在的一些问题,然后从3个方面对基于独立分量分析的人脸识别方法进行了改进:首先利用KPCA将人脸映射到特征空间,在特征空间进行ICA得到相对于原样本的非线性独立分量,从而得到一种非线性独立分量分析的方法;其次,定义了Fisher鉴别信息作为选取最佳鉴别独立分量的准则;最后,提出了一种用最佳独立分量表示待识别人脸图像的方法,克服了用直接投影得到的特征不准确的问题.基于ORL人脸数据库的实验表明,利用此改进的非线性最佳鉴别ICA方法,可以得到优于FLDA方法的识别性能,且在特征数较少时仍能得到较好的识别稳定性.     

一种基于改进径向基神经网络的人脸图像识别方法

常用于径向基神经网络中心参数学习的K-均值聚类算法,易受初始参数选取的影响而收敛于局部极小值.将自动终止聚类判据的减聚类算法用于径向基网络的学习,可根据样本集确定径向基函数数目,且其计算量与数据点的数目与考虑问题的维数无关,很适合于人脸这种维数较高的模式.实验证明,应用这种算法训练径向基神经网络识别人脸,从识别精度到识别速度上都优于传统算法.