基于量子粒子群的人脸特征融合识别算法

人脸识别是机器视觉、模式识别等领域的研究热点,具有重大的科学意义和广阔的应用前景.为了提高人脸识别率,提出了基于量子粒子群(QPSO)的人脸特征融合识别算法.首先,采用快速主成分分析、奇异值分解和multi-block局部二进制模式3种特征提取方法,分别提取人脸主成分特征、奇异值特征和LBP直方图统计特征;其次,利用QPSO对提取的特征进行加权处理;最后,采用支持向量机(SVM)对人脸进行识别.在Feret和AR人脸数据集上进行实验,结果表明提出的方法具有较高的识别率和鲁棒性.     

一种基于局部奇异值分解和最近邻决策规则的人脸识别方法

提出了一种基于局部奇异值分解和最近邻决策规则的人脸图像识别方法。其主要内容包括以下方面：由于奇异值向量具有稳定性、转置不变性等特点,对归一化的人脸图像,采用局部奇异值分解抽取人脸图像特征作为识别特征;针对人脸识别问题,采用最近邻决策规则取代隶属度函数来进行分类识别。实验结果显示,所提出的方法减少了数据计算量,运行速度快,并提高了识别率。同时,人脸识别结果也证明了该方法的有效性。     

一种基于奇异值分解的人脸识别新方法

基于奇异值向量方法进行人脸识别时,由于提取的奇异值向量特征所包含的人脸图像的有效信息少,导致人脸识别率低下。基于此提出了一种基于奇异值分解的人脸识别新方法——矩阵的秩-逼近法。利用ORL人脸数据库进行实验,并采用最近邻决策规则来进行分类识别。实验结果显示,提出的方法比基于奇异值人脸识别方法具有优越性,本算法能大大地改善识别效果。     

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.     

改进的二叉树支持向量机在人脸识别中的应用

针对人脸识别问题,提出一种基于奇异值分解特征提取和改进的二叉树支持向量机实现多分类的人脸识别方法。在使用改进的二叉树支持向量机对不同人脸图像的奇异特征向量进行分类时,先利用Mercer核,将输入空间非线性可分的训练样本映射到高维特征空间Hilbert中,使之线性可分,将类超球体半径分解成核心半径和最小半径,通过两者加权计算最终的类超球体决策半径,并以此半径大小为依据生成二叉树结构。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率。     

基于奇异值特征和支持向量机的人脸识别

针对人脸识别中经常遇到的"小样本"和"过学习"等问题,同时为了进一步改善人脸图像的奇异值特征在人脸识别中的识别性能,提出了一种基于奇异值分解和支持向量机的人脸识别新方法.在特征提取阶段,首先对训练样本集中的每一个人脸图像矩阵进行奇异值分解,得到训练样本的奇异值特征,然后对每个样本的奇异值特征向量进行降维、归一化、奇异值向量的分量重新排列等处理.在识别阶段,运用支持向量机作为分类工具,为了提高分类能力,选取径向基函数作为支持向量机的核函数.最后在ORL人脸数据库上验证了该方法.实验结果表明,通过对奇异值特征的相关处理,提高了识别速度和正确识别率.从而证明了所提出方法的有效性,具有一定的应用价值.     

监督局部线性嵌入在人脸识别中的应用

为了提高人脸识别算法的识别率,提出了一种Gabor小波与监督局部线性嵌入(Supervised Locally Linear Embedding,SLLE)相结合的人脸特征提取算法。针对SLLE不能有效消除图像信息中冗余的高阶相关性,算法首先采用Gabor小波对人脸图像进行多方向、多分辨率滤波,提取图像在不同空间频率上的特征;然后采用监督的局部线性嵌入算法对该Gabor特征进行维数约简。在ORL和YALE人脸库上的实验显示,就算法有效提高了人脸识别的识别率。     

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。     

基于ICA多特征融合的人脸识别

提出了一种基于特征融合的人脸识别方法.该方法首先对预处理后的人脸图像进行全局特征及局部分量的提取,分别采用离散余弦交换(DCT)提取包含图像大量信息的低频部分特征和奇异值分解(SVD)抽取图像的代数特征作为图像的全局特征,采用非负矩阵分解(NMF)提取图像的局部分量特征,然后将此两类特征以独立成份分析(ICA)进行融合,获取用于人脸识别的特征向量.在本文的实验中,我们将此特征向量应用于支持向量机(SVM)进行分类训练及识别测试,并获得较好的结果.     

一种基于联合CSVD-2DNMF的人脸识别算法

类估计基空间奇异值分解算法(CSVD)克服了奇异值分解(SVD)造成的重构图像基空间不一致的本质缺陷,但在一定程度上削弱了图像的类别特征。二维非负矩阵分解算法(2DNMF)能在一定程度上避免NMF识别算法中因图像向量化而造成的结构信息丢失、内存花销大等不足,但是随着训练样本数量的增多,迭代速度慢、训练时间长等缺陷也将凸显。根据CSVD与2DNMF的优缺点,提出了人脸识别的联合CSVD-2DNMF算法,进而运用提出的算法在Matlab平台上对ORL人脸数据库中的人脸图像进行了识别实验。实验结果表明该算法能有效的缩短训练时间和提高识别率。     

基于统计特征的人脸识别研究

奇异值特征向量是用于图像识别的有效代数特征,但直接用奇异值特征向量做匹配进行人脸识别,识别率极低。通过对人脸图像奇异值向量和其对应的左右正交特征矩阵分析,发现图像的奇异值向量与图像的灰度范围具有相关性,即最大奇异值反映了图像灰度范围的位置,其他奇异值反映了灰度范围的宽度,而且与图像奇异值向量对应的左右正交特征矩阵能够表现图像轮廓的结构信息。基此,提出基于奇异值分解（singular value distribution,SVD）的基空间人脸识别算法,并通过ORL和ORL-IC数据库进行仿真,实验结果分析证明了图像的左右正交特征矩阵能够表现图像轮廓的结构信息。     

基于学习的彩色人脸图像超分辨率重构研究

提出了一种基于四元数模型的彩色人脸图像超分辨率重构算法.该算法利用主成分分析的主要思想,同时结合插值算法的理论,前期进行整体约束,后期进行分块处理,对人脸图像进行超分辨率重构.同时使用奇异值分解去除彩色图像中的噪声,针对主成分分析算法不太忠实于原图像的弱点进行改进;使用四元数表示彩色图像,将R,G,B三个分量同时进行处理.分析结果表明,该算法既利用了彩色分量的相关性,又提高了运算效率.     

室内定位中K-means聚类算法奇异值的优化处理

针对室内定位聚类算法中的奇异值出现较多的场景,按照以往聚类算法大多将其删除或替代为聚类平均值,这往往使得奇异值附近的定位误差陡增。研究采集阶段接入点(acess point,AP)端加入嵌入式滤波处理单元,采用格拉布斯(Grubbs)准则处理采集的信号以减少检测奇异值;然后在定位运算中改进了K-means聚类算法。首先根据模型函数鉴别运算中产生的奇异值,将奇异值线性化处理后由支持向量机(sport vector machine,SVM)对于奇异点进行分类;再将其进行K-means聚类划分。在不剔除奇异值的情况下,使得定位区域中的参考点合理利用,从而提高了整体累计误差的置信水平。研究中将剔除奇异值的K-means聚类算法作为比较对象,实验中采用美国Signal Hound公司的SA44B型频谱仪测量接收机组成传感器网络,可以使得K-means聚类算法的定位精度提高11.3%,证明在实际定位应用中是很有效的。     

基于滚动球模型的单值曲面缓冲体边界生成算法

为解决现有的缓冲体边界生成算法在单值曲面应用中存在的效率低下问题,在深入分析当前算法的基础上,针对单值曲面这类特殊形态的地理要素,提出了一种基于滚动球模型的单值曲面缓冲体边界生成算法?基于缓冲体边界构建原理,对其几何特性进行了详细地分析,将单值曲面缓冲体边界的几何特性考虑在内,建立了单值曲面逻辑和运算法则;同时,提出了滚动球模型的概念,将逻辑并运算法则和滚动球模型的概念引入到该算法中,从而降低了其计算复杂性?在VC++环境下对该算法在格网数字水深模型中的应用进行了验证?实验结果表明,该算法具有执行效率高,精度可靠,可适应较复杂的单值曲面形态?该方法用于单值曲面缓冲体边界生成是可行的?有效的?     

一种主奇异三元组提取的快速神经网络算法

为了对两路高维数据流的互协方差矩阵进行在线奇异值分解,提出了一种快速稳定的主奇异三元组提取神经网络算法。首先,提出了一个新颖信息准则,并且基于该准则推导出了一个动态系统。然后,基于该动态系统,推导出了一种快速稳定的在线神经网络算法。该算法可以提取两路高维数据流的互协方差矩阵的左右主奇异向量。另外,算法中奇异向量的长度会收敛到一个与相应主奇异值相关的值,因而该主奇异值也可以被估计出来。相比于传统算法,该算法可以提取该矩阵的主奇异三元组而非仅仅是主奇异向量。与已有算法相比,该算法具有较低计算复杂度、较高收敛速度和稳定性。     

一种快速的零空间算法

为了进一步提高零空间算法的运行效率,提出了一种新的快速的零空间算法(FINBSA).FINBSA不需要进行特征值分解或奇异值分解,而只需一次正交三角(QR)分解就可以求得最佳投影矩阵,使得FINBSA的算法复杂度比现有的零空间算法要低.在PIE人脸库上的实验结果表明,FINBSA的识别率与现有的零空间算法相同,但是远比现有的零空间算法要高效,尤其是在训练样本数较多时,FINBSA的运行时间比现有零空间算法节省了100%以上.