B2DPCA和ELM人脸识别算法研究

提出一种新型、高效的基于B2DPCA(双向二维主成分分析)和ELM(极端学习机)的人脸识别算法,该算法是根据曲波变换分解人脸图像和一种改进的降维技术,通过B2DPCA生成识别特征集来训练和测试ELM分类器,提高识别精度。通过大量实验,并把实验结果与现存技术进行比较,结果表明B2DPCA+ELM算法有效地提高了识别准确率,并降低了对原型数量的依赖。将来有望能把局部特征和基于曲波分解的全局信息结合起来应用到识别精度和分类速度上。

基于B2DPCA和极端学习机的人脸识别

介绍一种新的基于双向二维主成分分析(B2DPCA)和极端学习机(ELM)的人脸识别方法,该方法是根据人脸曲波图像分解和一种改进的降维技术,通过B2DPCA生成识别特征集来提高分类精度。该方法还能够有效地提高分类正确率和降低对原型数量的依赖。通过做大量的实验,把结果和现存技术相比较。

基于L1范数B2DPCA的SAR目标特征提取与识别

主成分分析法(PCA)等基于L2范数最小均方准则的目标特征提取方法在合成孔径雷达(SAR)图像目标识别中得到广泛应用,L2范数易受SAR图像中野值的干扰,影响目标特征提取效果。介绍一种基于L1范数双向二维主成分分析法(B2DPCA-L1)的目标特征提取方法。L1范数对野值有较强的鲁棒性,通过在L1范数框架下实现B2DPCA,有效地改善了样本中野值对特征提取的影响,同时减少了特征矩阵维数,提高了目标识别率。实验表明,所提出方法的识别性能优于基于L2范数的特征提取方法。

基于投票极限学习机的人脸识别混合算法研究

针对小波分析在处理多维图形时不能充分利用数据本身特有几何特征的缺陷,使用第二代曲波变换(the second generation of curvelet transform,SGCT)方法进行人脸图像的处理,选取具有最大标准差的尺度层系数,以完成对人脸图像的特征提取,同时结合基于双向二维主成分分析(bidirectional two dimensional principal component analysis,B2DPCA)的数据降维,构造一种基于混合投票机制极限学习机(voting extreme learning machine,VELM)的人脸识别算法.通过与其他算法的分类结果对比,证明该算法具有更高的识别正确率.

基于改进的二维线性判别分析的人脸识别

本文提出一种新的特征提取方法,人脸图像在2DPCA投影的基础上进行B2DLDA投影提取出人脸特征。这种方法克服了传统PCA和LDA方法的小样本问题和维数灾难问题,并且充分利用了二维人脸图像矩阵空间结构信息,大幅度降低了人脸特征维数。实验证明这种方法的识别率比传统的PCA和2DPCA方法高,识别时间和训练时间比传统的PCA和2DPCA方法少。