2DPCA versus PCA for face recognition

Dimensionality reduction methods play an important role in face recognition. Principal component analysis(PCA) and two-dimensional principal component analysis(2DPCA) are two kinds of important methods in this field. Recent research seems like that 2DPCA method is superior to PCA method. To prove if this conclusion is always true, a comprehensive comparison study between PCA and 2DPCA methods was carried out. A novel concept, called column-image difference(CID), was proposed to analyze the difference between PCA and 2DPCA methods in theory. It is found that there exist some restrictive conditions when2 DPCA outperforms PCA. After theoretical analysis, the experiments were conducted on four famous face image databases. The experiment results confirm the validity of theoretical claim.

一种基于2DPCA训练的形状先验提取方法

面向噪声图像分割问题提出了一种基于二维主成分分析(two-dimensional principal component analysis,2DPCA)训练的形状先验提取方法.首先对无噪声形状进行训练,得到一组标准正交投影方向并张成2DPCA空间.将噪声图像投影到该空间,并在张成的空间中应用最小二乘法找到跟该投影点距离最近的点.该点的原象未必是原来的训练形状,而可能是它们的线性组合.最后在原来的空间中找到该原象,重构出先验形状.实验结果表明利用所得形状先验对含噪声以及含遮挡和缺失内容的图像分割具有明显效果.

基于2DPCA的手写数字识别

手写字符由于书写风格和习惯的不同,造成字符模式的不稳定。针对这一问题,本文首先对字符图像进行图像预处理,统一字符笔画的粗细,改善局部特征,随后利用二维主分量分析法(2DPCA)直接对字符图像矩阵进行变换,抽取字符特征,建立字符的特征矩阵及重构模型,利用最邻近方法和重构误差法进行字符识别。最后通过美国国家邮政局MINIST手写数字库中进行识别实验,验证了算法的准确性和鲁棒性。

多种表示的图像分类方法

针对不同图像提取出显著的特征对于图像分类是非常有意义的,然而单一图像分类方法不能在所有图像上都取得好的鲁棒性,通过多视角来提取不同特征,并将其融合来有效地解决这个难题。首先,利用二维主成分分析(2DPCA)提取图像的特征,然后根据获取特征进行图像重构(虚拟图像)。其次,利用快速傅里叶变换(FFT)获取图像的频谱特征。接着,将原始图像、虚拟图像、频谱特征分别利用稀疏方法获取得分。最后,利用一种新颖融合机制将上述得分进行融合,并根据新获取得分进行图像分类。获取的多特征和原始图像进行了互补,使该算法更具有鲁棒性;该方法具有稀疏性,提高了图像分类的性能;此外,它能自动获取参数,不需要手动调参。实验结果表明,该方法在不同情景下具有高的图像分类准确率。

复杂背景中的人脸识别技术研究

针对复杂背景下的人脸图像,提出一种快速人脸检测识别方法。包括基于肤色模型和OpenCV的综合方法进行人脸检测定位,并对图像重新保存、预处理,用以克服光照因素的干扰,剔除复杂背景对人脸识别不利因素的影响。采用二维主成分分析算法,对同一个人多幅不同表情的人脸图像进行采集和特征提取并归类。对ORL人脸库及实际外场背景下的人脸图像进行测试,结果表明,该方法可有效解决复杂背景下的人脸识别问题,具有快速、高效的实用性,正确识别率可达90%以上。