二维类增广PCA及其在人脸识别中的应用

提出了一种二维类增广PCA(2DCAPCA)的人脸识别算法。用二维PCA(2DPCA)方法直接对人脸图像矩阵进行特征提取,对提取的特征进行归一化处理,将归一化处理后的特征与类别信息结合构成类增广矩阵,对类增广矩阵进行2DPCA处理,提取图像的类增广矩阵特征。由于该算法既保留了人脸图像的结构信息,又考虑了样本的类别信息,识别率有了较大的提高。通过Yale和FERET库上的实验表明,该方法对人脸识别是有效的。

融合小波和自适应类增广PCA的人脸识别

提出了融合小波变换和自适应类增广PCA(CAPCA)的人脸识别算法。用离散小波变换对人脸图像进行压缩,提取人脸的低频分量,再利用自适应的类增广PCA方法对小波变换后的人脸低频分量进行特征提取,从而达到进一步降维的目的。不同于类增广PCA,该方法不需要构建样本的类间信息,使用起来更加灵活,又由于小波变换对图像的预处理,算法的识别率和耗时也得到了进一步的优化。Yale和FERET库上的实验表明了该算法的有效性。

分块类增广PCA及其在人脸识别中的应用

提出一种分块类增广PCA方法并应用于人脸识别中。对原始图像矩阵进行分块,对各个分块子图像施行自适应的CAPCA方法进行特征提取,将提取到的特征依次整合,从而达到降维的目的。该方法不仅能有效提取图像的局部特征,而且能适应不同的光照条件。实验结果表明,该方法在识别性能上优于CAPCA方法和分块PCA方法。