基于p范数的QR-KPCA人脸识别算法

KPCA是重要的非线性特征提取的人脸识别方法,但对较大规模训练数据库,会因核矩阵K过大,计算代价高而不能有效实现,并且使用传统欧式距离度量很难大幅提升识别率。本研究提出了将基于QR分解的PCA推广到KPCA上且应用p范数度量来解决这一问题的方法,即:首先采用选主元的Cholesky分解得到核矩阵K的低秩近似,然后对小规模矩阵H进行QR分解,经过一些推导得到中心化核矩阵的特征向量,实现了KPCA的非线性特征提取,在分类识别阶段,本研究突破传统欧氏距离度量的局限,将p范数作为度量相似性的方法,在ORL和AR人脸数据库中做了大量相关实验,并且分别研究了p的取值对基于QR分解的主成分分析(QR-PCA)和核主成分分析(QR-KPCA)算法的识别率的影响,实验结果表明,这种p范数意义下的QR-KPCA处理人脸识别问题有很高的识别率。

基于双向主成分分析和压缩感知的人脸识别算法

提出了一种双向主成分分析(BD-PCA)与基于光滑l0范数(SL0)相结合的人脸识别算法(BP-SL0)。首先利用BD-PCA对所有的训练图像降维,然后将降维后的人脸图像按列拉伸成一个向量,并将其组成字典矩阵,同时对待测试图像进行相同处理,最终通过SL0算法求解优化问题。实验结果表明,该算法获得了较高的识别率和重建效果,且效果优于单独使用BD-PCA和SL0算法。

基于混合核函数的快速KPCA人脸识别算法

为提高人脸识别的速率和识别率,文中提出一种基于混合核函数的快速核主成分分析算法用于进行人脸识别,首先构造两种混合核函数,利用均值矢量的方法构建核矩阵,并利用文中提出的核主成分分析算法计算核矩阵的特征向量。分别在ORL和AR人脸数据库中做了相关实验,并且与传统的核主成分分析方法在识别率和算法运行时间上进行了比较,结果表明,文中所提核主成分分析方法具有较高的识别率和更短的运行时间,从而为实时地具有大数据的人脸识别系统提供技术支持。

基于Cholesky分解的K2DPCA人脸识别研究

K2DPCA(kernel 2D principal component analysis)是基于非线性特征提取的重要人脸识别方法,具有成功的应用.但对大规模训练数据库,其因核矩阵K规模过大、计算代价高而不能有效实现.采用选主元Cholesky,分解方法,仅需计算核矩阵的对角线上元素和部分精选列,得到迹范数意义下核矩阵K的最优Nystr(o|¨)m型低秩近似LL^T来解决该问题.并只需计算小规模矩阵L^TL的特征值和特征向量,实现大规模K2DPCA/KPCA(kernel principal component anialysis)的非线性特征提取.在加噪ORL人脸数据库上的实验结果表明,较K2DPCA/KPCA方法,新方法显著提高了识别率,并可以很大程度上克服噪声的影响;在Extended YaleB大型人脸数据库上的实验结果表明,此算法解决了K2DPCA核矩阵过大而不能有效实现的缺点.