基于PCA余像空间的ICA混合特征人脸识别方法

为改善传统的基于特征脸的人脸识别方法在识别光照变化较大的人脸时效果不尽理想的缺陷,提出一种基于“PCA余像空间”的ICA混合特征人脸识别方法。不同于2阶PCA人脸识别方法,用独立元分析法代替主元分析法,对“PCA余像特征脸集”进行独立元特征抽取得到人脸图像基于PCA余像空间的独立元特征,并综合人脸图像的原始独立元特征得到混合特征作为最终识别的特征。实验表明,基于PCA余像空间的ICA混合特征人脸识别方法,在识别光照、表情等外界因素变化较大的人脸图像时,要优于传统的基于特征脸的识别方法、基于ICA的识别方法以及基于2阶PCA的人脸识别方法,并具有较强的适用性。

二阶分块PCA的人脸特征提取方法研究

为了提取更为有效的鉴别特征,在已有的二阶特征脸方法和分块主成分分析(PCA)方法上,提出了二阶分块PCA人脸特征提取方法。该方法对原始人脸图像和经重建得到的剩余图像分别运用分块PCA,将提取的一阶和二阶特征线性组合为一个特征矩阵,再进行分类识别。此特征能更充分反映人脸图像的低频和高频特性。采用ORL人脸库和FERET人脸库的实验结果表明该二阶分块PCA正确识别率优于普通分块PCA算法,具有较强的特征提取能力。

一种改进的模块PCA方法及其在人脸识别中的应用

提出了一种改进的模块PCA方法,即基于类内平均脸的分块PCA算法。该算法对每一类训练样本中每个训练样本的每一子块求类内平均脸,并用类内平均脸对训练样本类内的相应子块进行规范化处理,然后由所有规范化后的子块构成总体散布矩阵,从而得到最优投影矩阵;由训练集的全体子块的平均值对训练样本的子块和测试样本的子块进行规范化后投影到最优投影矩阵,得到识别特征;最后用最近距离分类器分类。在ORL人脸库上的试验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。

基于类内分块PCA方法的人脸表情识别

主成分分析方法(PCA)是目前广泛应用在人脸等图像识别领域的重要手段。为了更准确地识别人脸的表情信息,有效抽取出图像中对表情识别贡献较大的局部特征,提出了一种类内分块PCA方法对人脸表情进行特征提取。首先对图像进行分块,再对分块得到的所有子图像块利用PCA方法进行鉴别分析,并计算出各类训练样本的子空间,然后计算测试样本到各类子空间的距离,最后输入最近邻分类器得到分类结果。在JAFFE人脸表情库上进行的实验结果表明,使用该方法后获得的识别率优于传统的PCA方法。

结合2DWT和Fisherfaces的人脸特征提取新方法

针对人脸表情变化对人脸识别的影响,提出一种结合小波变换(DWT)、特征脸方法(PCA)和线性判别法(LDA)的人脸特征提取新方法。首先将人脸图像通过二维小波变换(2DWT)提取其低频分量,然后将低频图像经过PCA变换映射到一个低维空间,最后在低维空间中利用LDA方法进行人脸特征的提取。通过此方法,采用ORL人脸库和Yale人脸库进行测试,我们可实现更准确的特征提取,并有效解决表情变化对人脸识别的影响问题。实验结果显示,本文方法在提高人脸识别率的同时,也提高了人脸识别速度。

基于核方法和主成分分析(PCA)的探地雷达目标特征提取新方法

常用探地雷达目标特征提取方法LDA(又称为FDA)直接在低维的探地雷达数据空间提取探地雷达目标特征, 提取的探地雷达目标特征的区分度小;常用的正则化技术存在正则化参数选取困难的问题。本文提出先通过基于核方法的 非线性变换把低维的探地雷达样本数据投影到高维空间,然后在高维空间中用PCA对奇异的核矩阵降维重建,最后对重 建后的非奇异核矩阵用LDA提取探地雷达目标特征。对实测数据的对比处理分析表明,本文所提探地雷达目标特征提取 方法优于其它方法。

文本分类中基于CHI和PCA混合特征的降维方法

中文文本数据的半结构化甚至非结构化的特点使得其分类存在着特征高维的问题,传统单一的特征降维方法难以满足大数据时代的文本分类需求。基于此,提出了一种基于卡方统计(Chi-square statistics,CHI)和主成分分析(principal component analysis,PCA)的混合特征降维方法(CHI-PCA),该方法使用CHI方法初筛出类别相关的特征词,使用PCA方法对特征词空间进行二次降维,在特征降维的同时仍保留了原始特征空间最多的特征信息。通过与文档频率(document frequency,DF)、信息增益(information gain,IG)、CHI和PCA这4种传统特征降维方法的实验对比,结果表明,在不同特征维度下,所提方法在Softmax回归、支持向量机(support vector machines,SVM)分类以及KNN分类器下的整体分类效果均优于对比方法,F1宏平均值最高提升了2.7%,在每个类别上的分类性能也是可观的,这说明基于CHI-PCA的2阶段特征降维方法是可行的,在特征降维的同时,还提高了分类性能。

基于PCA的特征提取及其在人脸识别中的应用

人脸识别是当前计算机模式识别领域中的一个非常活跃的研究课题,在法律、商业等领域具有广泛的应用前景。如何有效的从人脸图像中提取使之区别于其他个体的特征,是人脸识别研究的一个关键问题。本文采用主成分分析(PCA)进行人脸识别,并采用间接计算方法计算特征向量,并应用到人脸识别中。

PCA类内平均脸法在人脸识别中的应用研究

人脸识别是生物特征识别技术中一个非常活跃的课题,取得了很多研究成果。统计主元分析法(Prin-cipal Components Analysis,PCA)是人脸特征提取和识别的常用方法之一。结合传统PCA算法的特点,提出了一种用类内平均脸对类内样本进行规范化的方法。该方法有效地增加了类间样本的识别距离、有效地缩小了类内样本的识别距离,从而提高了人脸正确识别率。基于ORL人脸数据库的实验结果表明,该方法正确识别率达到98%,在人脸识别的实际应用中是一种可行的方法。

基于特征脸的人脸识别及实现

人脸识别技术是通过分析人脸图像,并从人脸图像中提取有效的识别信息,来辨认身份的一门技术。阐述了基于特征脸的人脸识别基本算法,给出了特征脸的解释,并用OpenCV编程实现对ORL人脸库进行识别仿真实验。该方法主要通过创建给定图像库中的特征脸和人脸图像的空间距离来进行人脸检测,顺利实现和验证了特征脸算法。

基于Boosting方法的人脸检测

该文提出一种基于Boosting方法的人脸检测算法。先用特征脸方法构造一个基于重建图像信噪比的阈值函数用于人脸检测,在此基础上,该文利用Boosting方法构造一个基于信噪比阈值的检测函数序列,然后以一定的方式将它们组合成一个总检测函数,据此判别一幅图像是否为人脸图像。实验结果显示,这种方法明显提高了检测性能。

基于二阶（2D）-2PCA的人脸识别

研究光照变化条件下的人脸识别问题。基于最近提出的二阶特征脸方法和(2D)2PCA方法,提出了二阶(2D)2PCA方法。该方法将(2D)2PCA技术分别应用到原始图像矩阵集和剩余图像矩阵集。在extended Yale人脸库上的实验表明,在光照变化条件下,二阶(2D)2PCA方法是一种有效的人脸识别方法。该方法与传统的特征脸、二阶特征脸方法和(2D)2PCA相比,具有更高的识别精度;且比特征脸和二阶特征脸方法节省计算时间。

人脸识别常用方法及其发展现状

人脸识别的研究历史分为人脸面部特征人工识别、人脸人机交互识别、人脸机器自动识别3个阶段。人脸识别系统包括人脸特征检测与分割、人脸特征规范化、人脸表征和人脸识别4部分。根据表征方式的不同,人脸识别方法有:基于层次聚类的几何特征矢量模式识别法、基于代数特征矢量的特征矢量识别法、基于神经网络的人脸特征提取和分类器设计法。并详述了代数特征矢量法中经典的特征脸法的识别过程。近年国外采用小波分析的变换特征识别法,利用模式识别的最佳分割超平面分类识别法等是当前研究热点。

典型代数统计的人脸特征提取融合

针对人脸识别领域中的经典特征提取算法PCA、LDA、SVD的一些不足,提出一种基于典型代数统计的人脸特征提取的融合算法.该特征提取方法将PCA、LDA、SVD特征有机融合起来,并能通过调整权值系数使组合前不同特征向量的信息贡献比例达到最优,从原理上实现了Fisherface特征和SVD特征在物理意义上的互补.在ORL和Yale人脸数据库上的BP神经网络分类器仿真实验表明,融合算法无论在识别正确率上还是识别效率上均高于传统的PCA、SVD、LDA和经典的Fisher脸特征提取方法.

基于PCA的特征选择算法

在人脸识别的某些应用中,最好能够找到原始特征的关键子集,减少不必要的特征计算和资源耗费,而不是得到所有原始特征的映射。主成分分析法(Principal Components Analysis,PCA)是目前比较常用的人脸识别算法,PCA将人脸图像映射到能很好地表征训练图像集的特征脸空间中,但是基于PCA的人脸识别的缺陷在于原始空间所有的特征都映射到了低维特征空间中,是基于最佳描述性特征子集。提出了一种新的基于PCA的特征选择方法,将特征选择与特征抽取相结合,对特征脸空间再进行特征选择,选择人脸原始特征集中最关键的特征,并将其应用在基于PCA的人脸识别中。

一种应用于人脸识别的插值降维方法

类似于通过求解图像协方差矩阵特征值所得到的特征脸方法,提出在双三次插值得到图像降维基础上,再进行线性鉴别分析(LDA)的插值脸方法,从而得到鉴别矢量集,实现人脸图像识别.试验结果显示,插值脸方法比普遍采用的特征脸方法效果更好.所提出的思想方法对于人脸识别的理论研究和工程应用具有较大价值.

基于PCA人脸识别系统设计与实现

基于PCA人脸识别算法设计考勤系统的核心部分——人脸识别,通过增加不同人脸姿态数,改进人脸识别算法,提高了人脸识别率.用户可通过本系统来采集人脸图像,定义不同姿态数以获得全姿态数据库.使用过程中若有不能识别情况出现,可改变或增加姿态数,重新学习训练以得到正确识别.经过测试,系统已达到设计要求,具有较高实用价值,可实际推广使用.

基于PCA算法的人脸识别研究

介绍了PCA算法及其在人脸识别中的应用。PCA算法是一种基于统计的算法,其优点是识别率高,速度快。基于PCA算法的特征脸方法首先根据人脸数据库训练出一系列的特征脸,然后把人脸数据库中的每个人脸图片进行映射,得出每个人的特征系数,这组系数可以表示该张图片。最后计算出待识别样本的特征系数,并与人脸数据库中的特征系数一一进行比较,以距离相近的作为识别结果。

基于Overcomplete ICA的人脸特征提取

人脸特征提取是人脸识别中最重要的一个环节,人脸特征提取的一种主要方法是寻找一系列的基图像,然后再把人脸表示为这一系列基图像的线性叠加。PCA和ICA在寻找基图像的过程中,源图像和基图像的数目都是相同的。本文提出了一种基于Overcomplete ICA的人脸特征提取方法,所得到的基图像数目要多于源图像数目。最后采用最小距离分离器进行人脸识别的实验,并与PCA和ICA的识别效果进行比较。

基于PCA和SOM神经网络的植物叶片分类方法

为了提高植物叶片识别的效率以及准确度,本文利用植物叶片的形状特征作为特征,并且利用PCA算法对初步提取出的特征参数进行降维,最后在低维空间用SOM神经网络进行训练识别样本图像,该方法相比于现有方法,能提高叶片图像的识别效率。