基于2DPCA的矩阵时间序列统计监控及推断

在多元统计过程控制的研究中,越来越多的学者开始关注到矩阵数据的在线监控问题。矩阵数据通常可被拉直为向量数据再进行监控,但拉直操作破坏了矩阵数据的原有结构信息。而2DPCA方法直接对矩阵数据进行特征提取,可保留矩阵的结构特征。因此,利用2DPCA方法研究矩阵值时间序列的统计监控及推断是有意义的。首先基于2DPCA方法对矩阵数据进行正交投影获取特征,通过融合这些特征构造监控统计量;其次证明了该监控统计量的极限分布为卡方分布,并利用该分布进行统计推断。模拟实验表明:该方法理论正确;当样本容量较大时,该方法相对于同类方法表现更优。

基于PCA+2DPCA的人脸识别方法分析

阐述了基于主成分分析(Principal Component Analysis,PCA)和二维主成分分析(2DPCA)的人脸识别方法,分析了该方法在矩阵理论中的来源和算法,提出了PCA+2DPCA分析方法,并采用2DPCA求出特征向量,PCA进行最优压缩,从而降低了维数.

基于改进的2DPCA对近红外人脸图像的识别方法

基于二维主成分分析(two-dimensional principal component analysis,2DPCA)算法与近红外人脸识别方法,提出一种双向2DPCA算法和双向对称2DPCA算法,得到了识别率更高的人脸识别方法,解决了环境光照对人脸识别的影响.

图像特征抽取的MDNIB2DPCA方法

在多方向二维主成分分析法MD2DPCA和无迭代双边二维主成分分析(NIB2DPCA)的基础上,提出了多方向无迭代双边二维主成分分析(MDNIB2DPCA)的特征抽取新方法。该方法可以对图像矩阵在多个方向上进行特征抽取,与MD2DPCA方法相比也提高了特征抽取速度。在灰度人脸图像库上的对比实验表明,所提的方法可以提高灰度图像识别率两个百分点以上;进一步地,在基于NIB2DPCA的彩色图像识别方法的基础上,提出了将所提的MDNIB2DPCA替换NIB2DPCA的彩色图像处理的新方法。在彩色人脸库上的对比实验表明,所提方法的识别正确率也可提高约一个百分点。

基于模块2DPCA的人脸识别方法

提出了模块2DPCA(two-d im ensional princ ipal component analysis)的人脸识别方法。模块2DPCA方法先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于构造总体散布矩阵,然后利用总体散布矩阵的特征向量进行图像特征抽取。与基于图像向量的鉴别方法(比如PCA)相比,该方法在特征抽取之前不需要将子图像矩阵转化为图像向量,能快速地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,特征抽取方便;此外,模块2DPCA是2DPCA的推广。在ORL和NUST603人脸库上的试验结果表明,模块2DPCA方法在识别性能上优于PCA,比2DPCA更具有鲁棒性。

2DPCA在图像特征提取中优于PCA的判定条件

主元分析(PCA)与二维主元分析(2DPCA)是两种典型的图像特征提取方法,它们所提取的图像特征的优劣可由重建误差来衡量。通过对PCA和2DPCA的重建误差分析发现,二者的重建误差在理论上相同,但在实际应用中取决于它们的样本协方差阵的估计准确度。本文以均方误差为度量给出了PCA与2DPCA样本协方差阵的估计准确度表达式,并由此得到2DPCA图像特征优于PCA的判定条件是2DPCA协方差阵的特征值平方和大于PCA。本文还指出行2DPCA与列2DPCA所提取的图像特征孰优孰劣也取决于它们各自协方差阵的特征值平方和的大小。在人脸图像库与人脸表情图像库上的实验验证了上述判定条件的正确性。

基于两级2DPCA的SAR目标特征提取与识别

对二维图像用主分量分析(PCA)来提取特征具有准确估计协方差矩阵比较困难、计算复杂度大的缺点。二维PCA(2DPCA)克服了PCA的局限性,但2DPCA仅去除了图像中各行像素间的相关性,因此它用于特征提取时得到的特征维数较大。该文采用两级2DPCA的图像特征提取方法,可进一步压缩特征维数,减少识别运算量。用运动和静止目标获取与识别(MSTAR)计划录取的合成孔径雷达(SAR)地面静止目标数据的实验结果表明,结合该文的预处理方法,两级2DPCA在大大降低了特征维数的同时,提高了识别率,且对目标方位角变化具有较强的鲁棒性。

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。

基于样本扩充和改进2DPCA的单样本人脸识别

针对大多数人脸识别方法在单个训练样本条件下识别性能下降的问题,提出了结合多种样本扩充方法和改进二维主成分分析(2DPCA)的人脸识别算法。通过分析各种样本扩充方法的优缺点,用多种样本扩充方法来生成虚拟样本,以充分利用单一样本所提供的信息。采用改进的2DPCA方法对生成的虚拟样本进行特征提取,对训练样本进行分块,并用类内平均值规范后的分块来构造总体散布矩阵。在ORL和Yale人脸库上的实验表明,所提出的方法在识别性能方面优于普通的2DPCA方法,优于单一的样本扩充方法。

基于分块小波变换和2DPCA的人脸特征提取与识别算法

从最优化的角度出发,提出了一种基于分块小波变换和二维主成分分析法(2DPCA)的人脸特征提取与识别算法。该方法首先对人脸图像进行分块小波变换,并对各分块的高、低频分量进行组合处理,然后对小波系数特征应用2DPCA方法进行变换并将分块特征进行融合得到人脸鉴别特征,最后在ORL人脸库上应用支持向量机(SVM)对该特征进行分类识别。试验结果表明,该算法能有效地提高人脸识别性能,具有较短的识别时间和较高的识别准确率,优于传统的人脸识别方法。

采用分段行-列核2DPCA的高光谱图像降维

二维主成分方法计算时间少,降维效果好,被成功应用到高光谱图像降维中。基于二维主成分方法,为挖掘高光谱图像的非线性信息,实现了分段行-列核2DPCA方法的降维,并对比分析了行-列2DPCA方法、分段行-列2DPCA方法和行-列核2DPCA方法的降维效果。利用相关性将高光谱图像划分为5个子空间,通过转换数据结构来实现行和列的核2DPCA变换,最后将行和列结果进行融合得到降维结果。降维结果表明,在较高信息保持率情况下,分段行-列核2DPCA方法具有最高的图像清晰度和边缘强度。不同地物像元像素折线图表明,分段行-列核2DPCA方法能更好地区分不同地物,可以很好地应用于地物分类和目标识别。

基于2DPCA和LDA的人脸图像预处理与RBF神经网络的人脸图像识别研究

本文针对人脸识别应用中存在的人脸图像的高维特点,对人脸图像如何快速降维以及提取人脸主要特征,同时实现人脸识别的高效性问题进行研究。首先,分别研究了2DPCA、LDA、RBF神经网络算法。然后,综合设计了应用2DPCA+LDA方法对人脸图像进行降维和特征提取,同时利用RBF神经网络方法对人脸图像进行分类识别。最后,将本方法在ORL人脸数据库上进行实验验证,证明在识别率和时间上得到了很好的效果。

一种结合2DLPP与2DPCA的人脸识别方法

为解决二维局部保持投影(2DLPP)需要较多数据表示人脸特征的缺陷,提出了一种新的二维局部保持投影主成分分析方法(2DLPP-PCA).通过对人脸图像在行、列方向同时进行2DLPP和2DPCA投影,2DLPP-PCA不仅能减少保存人脸特征所需要的数据量,而且能有效地提取人脸的局部特征和全局特征.在ORL、Yale和CAS-PEAL-R1人脸数据库上的实验结果表明,2DLPP-PCA是一种高性能的特征提取方法,当训练样本数为6时,2DLPP-PCA在ORL数据库上的最佳平均识别率达到99%以上.

基于AMD度量和类间模块2DPCA的人脸识别算法

文章提出了一种基于集成矩阵距离(AMD)和类间散布矩阵构造的模块2DPCA人脸识别方法。针对原模块2DPCA算法的不足,使用类间散布矩阵代替总体散布矩阵,求得最佳特征向量并对图像进行特征提取;采用集成矩阵距离的度量方式计算特征图像的相似度,实现人脸分类。在ORL人脸库上的实验结果表明,同2DPCA和普通模块2DPCA相比,文中提出的方法能够取得更好的识别效果。

基于分块2DPCA与2DLDA的单训练样本人脸识别

二维线性判别分析(2DLDA)在人脸识别已经获得巨大成功,然而用于单训练样本人脸识别问题方法失效,因为每类需要多个样本计算类内散度.对此提出了一种新的基于图像矩阵的分块二维主成分分析+二维线性判别分析(Block 2DPCA+2DLDA)的单训练样本人脸识别算法.首先将图像进行分块,并按其位置将子图像分成多个样本集,在每个样本集上应用2DPCA算法,进行第一次识别.其次将第一次识别出的已知类别的测试样本并入原单训练样本集中,原单训练样本集成为多训练样本集.最后在新的训练样本集和测试集上应用2DLDA算法作为第二次识别,识别第一次未能识别出的图像.Block 2DPCA+2DLDA算法在ORL人脸数据库上被检测,实验结果表明Block 2DPCA+2DLDA识别结果优于PCA、2DPCA等算法.

改进2DPCA算法在人脸识别中的应用

随着二维主成分分析法在人脸识别中的应用,许多基于2D的分析方法日益成熟。相比于PCA算法基于向量的特征提取,2DPCA算法是基于矩阵的特征提取。与依赖于特征矩阵的列或特征矩阵的全部矩阵的方法不同,提出了基于特征矩阵行的距离测量方法,该算法与KNN算法进行了结合。通过使用该方法可以缓解2DPCA算法相比于基于主成分分析的算法(PCA)需较多系数的问题。在人脸数据库上的实验结果表明,所提方法的分辨精度比2DPCA方法高,在准确性和存储容量方面超过了2DPCA算法。

一种基于2DPCA的煤岩识别新方法

针对传统PCA方法用于煤岩识别常常面临图像维数高,直接计算数量大的问题,提出并实现了一种基于2DPCA的煤岩识别方法。这种识别方法是基于图像矩阵的主分量分析法,由于它的协方差矩阵可由原图像矩阵直接构建,因此2DPCA使用的协方差矩阵同传统PCA相比要小很多。实验结果表明,在训练样本数相同的情况下,2DPCA耗时仅占PCA总耗时的60%左右,并且随着训练样本的增多,2DPCA与PCA之间的耗时差会越来越大。识别率较PCA方法提高了近10%,图像SNR也由原来的4.53 dB提高到12.17 dB。2DPCA在速度方面表现优越,准确性方面也令人满意,有效的提高了煤岩识别的效率。

基于2DPCA的红外显微图像分析

为了提高光谱分解效率,提出一种基于光谱方向的2DPCA的光谱分解方法,该方法可以直接利用原始图像矩阵进行光谱分解。通过对兔子动脉和多层油漆中红外显微图像的分解实验,验证了2DPCA光谱分解方法的可行性和有效性。实验表明,当光谱数大于通道数时,采用2DPCA的光谱分解效率高于PCA的光谱分解效率,并且随着光谱数与通道数比值的增大,2DPCA的优势更明显。

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。

基于区域协方差矩阵和2DPCA学习的视频跟踪方法研究

针对PCA在视频跟踪应用中需要将图像转换成向量而造成信息丢失和小样本等问题,提出一种基于2DPCA学习的自适应性视频跟踪方法。该方法将图像矩阵直接进行处理,保持了跟踪目标的空间结构信息。在粒子滤波框架下采用仿射变换运动模型,并通过协方差特征融合方式评估目标运动状态,提高了目标外观模型的学习能力,实现了鲁棒的自适应性跟踪效果。进行了标准的视频序列测试,结果证明提出的算法能够较好地适应目标姿态、光线和部分遮挡等跟踪问题。