随机矩阵的主行列分析法

将随机向量的主成分分析方法进行推广,给出了关于随机矩阵的主行列分析的理论与方法.在进行图像处理时,同主成分分析法相比,矩阵的主行列分析法缩减了协方差矩阵的维数,从而大大降低了计算特征值和特征向量的运算量,提高了运算速度.将矩阵的主行列分析法应用于图像的压缩,给出了图像的列压缩方法和行、列结合的二次压缩法以及相应的图像的复原方法,有效解决了图像的存储和复原问题.

基于步态能量图像和2维主成分分析的步态识别方法

为了快速有效地进行步态识别，针对步态能量图像能够表征步态信息和2维主成分分析能快速降维的特点，提出了一种基于步态能量图像和2维主成分分析的步态识别方法。该方法首先应用背景减除法分割出人体轮廓；然后通过人体宽高比的相关信号确定运动周期，再对二值周期序列进行步态能量图像（GEI）合成；最后运用行列相结合的2维主成分分析（（2D）2PCA）方法与加权的2维主成分分析（W（2D）2PCA）方法提取特征主向量，并采用最近邻分类器进行分类。实验结果表明，该步态识别方法可以有效降低前期处理对分类识别的影响，而且对于3种不同行走状态的CASIA数据库中多个视角下拍摄的步态图像可取得很好的识别效果。

基于推广形式的K-L变换的人脸识别方法

提出了一种图像预处理方法,将不同光照条件下的图像甚至是负像处理成亮度、对比度与参考图像基本相同的图像,且调整后的图像与原图像保持较高的相关性,从而有效降低了光照对人脸识别结果的影响.根据随机矩阵的主行列分析法给出了推广形式的K-L变换,提出了进行人脸识别的一种方法.同基于K-L变换的人脸识别方法相比,大幅度缩减了协方差矩阵的维数,从而大大降低了计算特征值的运算量,提高了运算速度.理论分析和实际识别证明了该方法的有效性.

基于能量的多特征融合步态识别

基于Radon变换在一定意义上具有能量特征,结合增强的步态能量图(EGEI),将两种形式的能量特征相融合来进行步态识别。对经过预处理后的周期图像合成EGEI,运用行列相结合的二维主成分分析((2D)2PCA)方法降低特征向量维数。同样,对步态序列图像进行Radon变换,构造周期模板后用主成分分析(PCA)方法降维。识别时将两种特征使用决策层融合的方法获得最终结果。通过在CASIA步态数据库上进行实验,证明以上方法具有较高的识别性能。

基于能量的信息融合步态识别

针对步态能量图(GEI)和图像序列的Radon变换可以表征图像能量的特点,提出这两种形式的能量特征相融合的方法进行身份识别.在周期分割后的特征提取阶段分别使用GEI结合行列相结合的二维主成分分析((2D)2PCA)方法和对步态序列图像进行Radon变换,在周期模板构造后用列方向的二维主成分分析(2DPCA)降维方法进行数据压缩.在识别阶段,采用多视角及多特征在决策层的融合方法.应用上述方法在CASIA步态数据库上进行实验,结果表明所提的步态识别方法具有较高的识别性能.