基于子模式双向二维线性判别分析的人脸识别

针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析(Sub-pattern two-directional two-dimensional linear discriminant analysis,Sp-(2D)2 LDA)的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在ORL及Yale人脸库上的试验结果表明,Sp-(2D)2 LDA有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。

基于双向二维直接线性判别分析的人脸表情识别

提出基于双向二维直接线性判别分析的人脸表情识别新算法。新算法从水平和垂直两个方向对图像矩阵执行直接线性判别分析,从二维图像中提取图像协方差矩阵,降低特征维数,减少表示图像时所需要的系数及其存储空间。另外,不使用奇异值分解方法,便可得到图像协方差矩阵的特征向量,能够精确地估计图像协方差矩阵。在JAFFE人脸表情数据库中的试验结果表明,所提算法具有较高的识别率。

基于改进的双向二维线性判别分析的人脸识别

针对传统的二维线性判别方法提取出的人脸特征系数维数大的问题,提出一个改进的双向二维线性判别分析方法GB2DLDA。双向压缩类内和类间散布矩阵,用压缩后的散布矩阵构成两个Fisher鉴别准则函数,求出两个投影矩阵,然后人脸图像矩阵向投影矩阵投影,提取出特征系数。实验证明在相同识别率下,用此方法提取的特征系数维数明显少于其它二维线性判别分析方法。在选择合适的特征向量的情况下,此方法的识别率要好于其它二维线性判别分析方法。

人脸识别的两维双树四元数小波合并双向拉普拉斯逆线性判别分析方法

两维双树四元数小波合并双向拉普拉斯逆线性判别分析方法(2DQWTCBLIF)是先后对人脸图像进行双树四元数小波变换处理和两维合并双向拉普拉斯逆线性判别分析方法处理。实验中,2DQWTCBLIF同四个方法在2个人脸库上进行了对比试验,测试结果显示该方法是有效和可行的。2DQWTCBLIF提高了人脸识别率。

二维合并双向可调拉普拉斯逆线性判别分析算法

两维的水平可调拉普拉斯逆线性判别分析算法是在两维的水平拉普拉斯逆线性判别分析算法的基础上在类间的拉普拉斯散度矩阵上增加了一个参数来调节得到的,同理得到两维的垂直可调拉普拉斯逆线性判别分析算法。两维合并双向可调拉普拉斯逆线性判别分析算法(2DCBMLIF)是合并水平和垂直两个方向的两维可调拉普拉斯逆线性判别分析算法得到的。在FERET和CMU PIE两个人脸库中,2DCBMLIF同四个算法进行了对比试验,测试结果显示该算法是有效和可行的,2DCBMLIF提高了人脸识别率。

基于加权双向二维线性判别特征的焊点检测算法

为克服现有自动光学检测(AOI)算法的缺陷,针对AOI的特点,对传统的双向二维线性判别方法进行改进,提出一种基于加权双向二维线性判别方法的焊点检测算法.在计算协方差矩阵时,对不同的类别以及类内不同的样本进行加权,从而提取更有判别力的特征.将改进后的算法应用于焊点检测,可实现对不同批次用料的自动分类.文中提出的算法检测速度可以满足实际需要,且与现有AOI系统中常用的图像对比算法和图像分析法相比,可以显著降低误报率.

一种基于重采样双向2DLDA融合的人脸识别算法

针对人脸识别中普遍存在的光照、表情等变化带来的识别问题和小样本问题,本文提出了一种利用重采样技术融合双向2DLDA特征的人脸识别算法Resampling Bidirection 2DLDA(RB2DLDA).二维线性判别分析中,2DLDA利用垂直方向上的类内和类间协方差信息进行识别,E2DLDA利用水平方向上的类内和类间协方差信息进行识别,本文中从理论上证明了这两个方向上的判别信息具有一定的互补性,为融合两个方向的判别信息进行分类器的设计,改善分类器的识别性能提供了理论基础.同时为RB2DLDA算法提出一种自适应的降维参数设定方法,经过在AR和CAS-PEAL-R1人脸库上的实验表明,RB2DLDA算法具有较高的识别率和鲁棒性.

基于二维投影特征提取的人脸识别算法

基于线性投影的方法是目前人脸识别领域中重要的主流方法之一,在近年中得到了广泛的关注,取得了显著的发展。其中,基于一维线性投影的方法包括特征脸方法和Fisher脸方法等;基于二维线性投影的方法包括二维主成分分析和二维线性判别分析,以及它们的一系列拓展算法等。在此基础上,给出了一种基于二维矩阵的特征提取新方法。通过在ORL标准人脸库的实验表明,该算法与现有的方法相比在识别率和识别效率方面都有一定程度的提高,取得了比较理想的效果。

基于四元数矩阵表示的彩色人脸图像LDA方法

为了缓解线性判别分析(linear discriminant analysis,LDA)方法在小样本情况下出现的矩阵奇异性问题,针对彩色人脸图像,利用其四元数矩阵表示模式,在人脸识别中引入基于四元数表示的二维LDA、双向LDA方法.这些方法充分利用了彩色图像的空间分布信息,通过在行、列方向降维提取图像的2DLDA、BDLDA特征,缓解了类内散度矩阵的奇异性问题.在FERET彩色人脸数据库及AR彩色人脸数据库上的大量实验证明,本文方法与基于四元数矩阵表示的2DPCA、BDPCA算法相比,识别性能均有提高.