融合PCA、LDA和SVM算法的人脸识别

为了提高人脸识别效率,提出了一种基于PCA、LDA和SVM算法融合的人脸识别方法。使用主成分分析(PCA)将人脸图像变换到新的特征空间中,消除图像特征间的相关性和噪声,提取人脸全局特征,在实验阶段取较多的投影方向使其尽可能多的保持原始信息;使用线性判别分析(LDA)算法进一步投影变换降低数据维度;使用支持向量机(SVM)分类识别。将PCA、LDA和SVM三种算法的优点结合起来,在ORL数据库上进行仿真实验,结果表明该方法的识别率可达99.0%。

基于元胞自动机的低秩加权协同显著性检测

针对图像协同显著性检测问题,提出了一种基于元胞自动机的低秩加权检测方法.利用3个显著性检测算法生成多个显著图,结合超像素分割提取协同显著性区域.在协同显著区域的特征矩阵上施加秩约束,以获得稀疏误差矩阵,基于稀疏误差矩阵为每个显著图计算自适应权重.将显著图与其对应的权重相乘以获得融合的协同显著图,利用元胞自动机更新显著性区域.在MSRC和i Coseg数据集上的实验结果表明,相对于其他的算法,本文算法可以在有效地突出显著目标的同时抑制背景噪声.

融合HOG与PCA算法的人脸识别

为了进一步研究人脸识别问题文章融合HOG特征与PCA算法对人脸进行识别研究。首先计算人脸图像的方向梯度直方图(HOG),将输出的每一个特征向量纵向堆叠为一个二维矩阵。然后使用主成分分析(PCA)进行特征降维,减少特征间的相关性和噪声。最后使用支持向量机(SVM)进行分类识别。整个算法模型在ORL人脸数据库中进行实验,最终结果显示识别准确率为96.0%;使用ROC曲线评价该方法的优劣得到曲线下的面积为0.9898。