基于双向压缩二维保局投影的人脸识别方法

二维保局投影(2DLPP)只在图像的横向进行数据压缩,提取的特征维数较高,针对该问题,结合二维保局投影和可选的二维保局投影,提出双向压缩二维保局投影((2D)2LPP)算法。该算法从横向和纵向2个方向实施2DLPP,使图像的横向和纵向的维数都得到有效的约简。实验结果表明,(2D)2LPP在识别率和识别时间上都优于2DLPP和A2DLPP。

基于改进二维保局投影算法的人脸识别

传统的二维保局投影(2DLPP)算法未考虑样本邻域间局部信息,并且所提取的特征矩阵分量间存在相关性。针对该问题,提出基于大间距准则的最小相关性监督2DLPP算法。引入类间局部散度矩阵和类内局部散度矩阵,最大化带权的散度矩阵迹差,以增大样本类间散度,减小样本类内散度,从而更好地刻画数据的流形结构。计算所提取特征矩阵各分量间的协方差矩阵,通过最小相关性分析,减少特征信息的冗余。在Yale和ORL人脸库上进行仿真实验,结果显示,当训练样本数为5时,该算法的最高识别率分别为92.5%和96.2%,与传统2DLPP算法、二维主成分分析法、二维线性判别分析法和二维大间距准则法相比,识别率均有所提高。同时对不同训练样本数下识别率均值和方差进行分析,验证了算法的稳定性。

分块二维保局投影方法及其在人脸识别中的应用

提出了一种基于图像分块的二维保局投影(分块2DLPP)的人脸识别方法。先对原始图像矩阵进行分块,然后对分块子图像施行2DLPP方法,再将各个分块按照一定的次序整合起来进行特征提取,从而实现图像降维。该方法能有效地提取图像的局部特征。实验表明:该方法在识别性能上优于2DLPP方法。

面向酉子空间的二维判别保局投影的人脸识别

保局投影算法(LPP)在人脸识别中具有较好的识别性能,但它是一种非监督学习,并且在具体实现时需要把图像转换为向量,破坏了图像的像素结构,这显然不利于模式识别。针对这些问题,提出基于酉子空间的二维判别保局算法,不仅在判别保局算法的基础上增加了类别信息,而且直接在灰度矩阵上进行水平和垂直方向上的二维保局投影。该方法构造酉空间上的复向量后再运用线性判别分析提取特征。在ORL、Yale和XJTU人脸库中验证了算法的正确性和有效性,其识别率比传统的2DLDA和2DLPP等方法提高4～5个百分点。

分块重排向量二维局部保持鉴别方法在人脸识别中的应用

提出了一种基于分块重排向量二维局部保持鉴别(Mv2DLPP)的人脸识别方法.先对原始图像矩阵进行分块,重排连接每个子块,每个子块转换成向量,通过列向量表示每个子块,可以得到二维图像,然后对二维矩阵实施2DLPP方法进行特征提取,该方法能有效地提取图像的局部特征.在ORL和YALE人脸库的测试结果验证了该算法的有效性.

基于二维近邻保持嵌入的图像识别

近邻保持嵌入算法(NPE)是一种保持数据流形上局部结构的子空间学习算法,它是对局部线性嵌入的线性逼近.然而当数据为图像时,图像被拉直为向量后的维数通常非常高,而样本点有限,由于矩阵的奇异性,NPE不能直接运用.我们将NPE推广到二维情形,提出二维近邻保持嵌入算法(2D-NPE).2D-NPE直接在二维图像矩阵上提取图像特征,而不是把图像拉直成一维向量后再提取特征.通过在手写数字字符图像库和Yale人脸图像库上的实验,验证算法的有效性.