基于2DFLD的手背静脉识别算法

手背静脉识别技术采用非接触式,为了避免在采集图片时由于手背的旋转和平移给识别带来干扰,提出一种手背静脉有效区域的定位方法,在手背截取出一个包含静脉信息最多的矩形。该算法主要利用基于不变特征点的图像定位方法来寻找手背外侧边缘的特征点,然后定位分割出手背静脉有效区域的图像。实验证明该算法具有自适应性,定位准确,速度快。由于经典的Fisher线性判别算法类内散度矩阵通常会是奇异的,提出一种基于二维Fisher线性判别(2DFLD)的手背静脉识别方法。该方法直接进行图像矩阵投影,避免高维运算。对于手背静脉图像库,用2DFLD方法提取静脉特征空间,再将测试图像投影到该特征子空间上,最后用最近邻欧氏距离方法进行匹配。实验结果表明,该方法识别率达98%。

2DFLD与LPP相结合的人脸和表情识别方法

提出一种二维Fisher线性判别分析(2DFLD)与局部保持投影(LPP)相结合的人脸和表情识别方法.首先,将训练集图像用2DFLD投影,使其按身份分离.然后,用LPP进行二次投影提取出它的表情流形.最后,给出概率度量,得到待测图像属于各类身份和表情的概率,从而识别出它的人脸和表情的类别.在CMU-AMP和JAFFE人脸库上的实验表明,该方法简便有效、识别效果好.

基于二维Fisher线性判别的人耳识别

针对传统二维Fisher线性判别(2DFLD)方法只使用图像矩阵的行向量作子模式的局限性,结合人耳图像的特点,提出了一种基于列向量作子模式的2DFLD的人耳识别方法。首先利用训练样本图像矩阵的列向量作子模式进行训练以提取特征人耳子空间,再将测试图像投影到该子空间上,最后用最近邻欧式距离方法进行匹配。实验结果表明,以列向量作子模式时的识别率达98.333%,比行向量作子模式时提高了3.333%,与同样基于多元统计分析的PCA、2DPCA和PCA+FLD方法相比,识别效果最优,是一种有效的人耳识别方法。

基于两方向二维主成分分析木材识别的研究

两个方向的费希尔主成分分析方法(2D)2FPCA结合了二维主成分分析方法(2DPCA)和二维费希尔线性方法(2DFLD)的特点,很好地解决2DPCA特征提取时比传统PCA需要更多系数来表达图像信息的问题。根据木材体视图受光照影响及同一树种的样本图片之间差别较大等特点,适当增加了识别的类内散布矩阵从而提高了木材的识别率。(2D)2FPCA为木材的智能识别提供了一条新途径。

基于二维Fisher线性判别的掌纹识别方法

在Fisher线性判别(FLD)中,类内离散矩阵总是奇异的。为了解决矩阵的奇异性问题,应用一种新的二维Fisher线性判别(2DFLD)直接进行矩阵投影。对于PolyU掌纹图像库,分别用PCA,PCA+FLD和2DFLD提取特征掌纹子空间,将待识别图像投影到低维子空间上,用余弦距离进行掌纹匹配。实验结果表明,与PCA相比,PCA+FLD的识别率最多提高1.18%。2DFLD识别率最高达到99.34%,比PCA+FLD提高7.61%,特征提取仅耗时0.047s。

基于相对梯度的人脸识别方法

在原始相对梯度算子的基础上,提出一种新的相对梯度算子,并将它与二维主成分分析(2DPCA)或者二维Fisher线性判别分析(2DFLD)相结合,形成一种基于改进相对梯度算子的人脸识别算法。在AR库和Yale_B库上的实验表明,基于改进相对梯度算子的人脸识别算法对人脸图像的光照、表情等变化均具有较好的鲁棒性,识别准确率明显高于只用2DPCA或2DFLD进行特征抽取的人脸识别方法,以及基于原始相对梯度算子的人脸识别算法。同时采用三种不同大小的窗口分别进行实验,实验结果证明,当窗口大小为3×3时,识别效果相对最好。

二维Fisher线性判别中子模式性能的一种评价方法

针对二维Fisher线性判别(2DFLD)方法中传统子模式选取方法计算量大、十分耗时的问题,结合影响2DFLD方法识别结果的两个主要因素——样本在投影空间的离散程度和子模式之间的相似度,提出了一种子模式性能的评价方法。首先设计子模式的构成方式;接着依据该评价方法计算各个子模式的性能指标;最后选出较优的子模式。在人耳图库、ORL人脸图库及虹膜图库上的实验结果表明,该评价方法能有效地选取较优子模式,并能够将计算时间缩短为常规子模式选择方法的近1/4,是一种有效的子模式性能评价方法。

基于梯度信息的人脸识别方法

光照、表情等外部条件的变化是影响人脸识别效果的重要因素。梯度信息反映了图像信息变化幅度的大小,对边缘敏感,对光照不敏感。基于梯度信息的人脸识别方法能够缓解光照等变化对人脸识别的影响,具有一定的鲁棒性。提出两种基于梯度信息的人脸识别方法,即基于梯度幅值的人脸识别方法和基于方向梯度的人脸识别方法。抽取梯度信息,借助于2DPCA或2DFLD对抽取的梯度信息进行特征抽取,通过相似性进行分类。在AR和Yale-B人脸库上的实验表明所提出的两种方法均具有较好的识别效果。

融合双向主成分分析的二维线性判别方法

通过分析已有掌纹识别中特征提取的方法,提出一种融合双向主成分分析的二维线性判别方法.首先,对掌纹感兴趣区域的图像矩阵进行行和列双方向的二维主成分分析,消除图像中行和列的相关性,降低特征维数;然后,在其子空间内实现二维线性判别,得到最佳投影矩阵;最后,提取判别特征完成特征识别.实验结果表明,该方法提取速度快、识别率高、鲁棒性好.

基于二维Fisher线性判别的人脸耳组合识别

针对人脸易受到年龄、表情等影响,提出了脸和耳相结合的组合识别方法。利用二维Fisher线性判别(2DFLD)方法分别进行了脸、耳图像层和特征层的组合识别。在北京科技大学人耳库和ORL人脸库上进行实验,结果表明,图像层组合和特征层组合的识别率分别为97.5%、95.0%,分别比人脸识别提高了12.5%和10.0%,比人耳识别提高了5.0%和2.5%;与同样应用于组合识别的主成分分析(PCA)、二维PCA(2DPCA)比较,也取得了较好识别效果。这说明,多生物特征组合识别是一种有效的识别方法。

基于块双向Fisher线性判别分析人脸识别

为解决二维Fisher线性判别(2DFLD)分析需要较多系数用以表示图像的特征阵、只考虑了图像的列间相关性从而忽略行间相关性以及作为全局特征提取方法可能会失去一些重要的局部特征等问题,提出一种基于块双向二维Fisher线性判别分析(B2DFLD)算法。首先利用块图像获取保持重要局部信息;然后基于行列双向投影,获取提取特征信息;最后计算特征阵的Frobenius距离,并进行分类。在ORL、YALE与FERET人脸数据库上进行了实验,并同传统的8种人脸识别方法比较。实验结果表明,在确定图像块大小、改变训练样本数以及特征维数的前提下,本文方法的最好识别率都高于93.08,平均误识率高于0.15,明显优于其他方法,表明本文方法对有光照、表情以及遮挡的人脸图像识别具有较高的鲁棒性。