一种基于双向2DLDA特征融合的人脸识别方法

在分析2DLDA方法的基础上,给出类间离散度和类内离散度矩阵另一种形式的定义。基于这种类间离散度和类内离散度矩阵定义的二维线性判别分析方法即为扩展2DLDA方法。通过对2DLDA方法和扩展2DLDA方法提取的人脸图像特征分析可知,2DLDA提取的主要是人脸图像水平方向上的判别信息,扩展2DLDA提取的主要是人脸图像垂直方向上的判别信息。因此,称2DLDA为水平方向2DLDA,扩展2DLDA为垂直方向2DLDA。水平和垂直方向2DLDA将同一原始人脸图像映射到两个不同的特征空间,并得到互补的两类人脸图像特征。最后,设计一种特征融合方法,对这两类人脸图像特征进行融合,并将其用于人脸识别。在ORL和Yale人脸数据库上的实验结果证明,本文提出的人脸识别方法具有较高的平均识别率,鲁棒性更好。

采用双向改进模糊2DLDA算法提升多因素影响的局部放电识别可靠性

缺陷尺寸、施加电压、绝缘老化等多因素会引起局部放电特征的分散、交叉,并对变压器局部放电的识别可靠性产生较大影响。为了解决上述问题,本文提出了一种双向改进模糊2DLDA(TD-MF2DLDA)算法,提取局部放电(PD)灰度图像特征以提升局部放电的识别可靠性。首先,提出了一种改进模糊2DLDA(MF2DLDA)算法,并引入双向压缩策略,构建了局部放电灰度图像压缩的TD-MF2DLDA算法。最后,采用模糊C均值聚类算法对TD-MF2DLDA特征和其他特征进行了对比分析。对实验室局部放电样本的识别结果表明,当存在绝缘老化等多因素影响时,TD-MF2DLDA算法可以取得92.84%的聚类正确率,较NMF-PCA特征和传统局部放电PRPD特征的77.80%和71.12%具有明显的提高,能够有效避免缺陷尺寸、施加电压、绝缘老化等因素导致的局部放电特征分散、相互交叉等问题,提高了局部放电识别的可靠性。同时,FCM聚类指标XBI表明TD-MF2DLDA特征较NMF-PCA特征和PRPD特征具有更好的类内紧凑性和类间可分性,更适合现场应用。

采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式(Center Quad Binary Pattern,C-QBP)和用于描述图像小尺度局部特征的简化四点二元模式(Simplified Quad Binary Pattern,S-QBP)两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。

基于2DLDA与FSVM的人耳识别

针对人耳图像特征提取和识别方面存在的问题,提出一种将二维线性鉴别分析(2DLDA)和模糊支持向量机(FSVM)相结合的人耳图像识别方法。利用2DLDA将人耳图像直接投影,提取的人耳特征,可以保留人耳图像样本的大量类内和类间信息。同时,FSVM在支持向量机(SVM)的基础上引入隶属度参数,更加适合多类问题。实验结果表明,该方法与2DLDA相比具有更高的识别率。

基于Gabor-2DLDA方法的人脸识别研究

结合Gabor小波、二维线性鉴别分析(2DLDA)的特点,提出一种人脸识别方法。算法首先对人脸图像进行Gabor小波变换,然后进行2DLDA处理,最后使用最近邻法则进行分类。使用这种方法在ORL、Yale人脸库上进行测试,结果表明,Gabor-2DLDA方法比其它传统方法具有更优的性能,而且在提高识别率的同时算法的复杂程度并没有明显增加。

基于分块2DPCA与2DLDA的单训练样本人脸识别

二维线性判别分析(2DLDA)在人脸识别已经获得巨大成功,然而用于单训练样本人脸识别问题方法失效,因为每类需要多个样本计算类内散度.对此提出了一种新的基于图像矩阵的分块二维主成分分析+二维线性判别分析(Block 2DPCA+2DLDA)的单训练样本人脸识别算法.首先将图像进行分块,并按其位置将子图像分成多个样本集,在每个样本集上应用2DPCA算法,进行第一次识别.其次将第一次识别出的已知类别的测试样本并入原单训练样本集中,原单训练样本集成为多训练样本集.最后在新的训练样本集和测试集上应用2DLDA算法作为第二次识别,识别第一次未能识别出的图像.Block 2DPCA+2DLDA算法在ORL人脸数据库上被检测,实验结果表明Block 2DPCA+2DLDA识别结果优于PCA、2DPCA等算法.

基于改进广义S变换和2DLDA的轴承故障诊断方法

聚焦性是时频分布的重要指标,以时频图像作为故障分析基础时,较优的聚焦性能较好地体现信号的时频特征,降低不同类型信号的区分难度。虽然广义S变换可较好地反映非平稳信号的时频特性,但其聚焦性易被高斯窗标准差影响。为提高广义S变换时频图像的能量聚焦特性,文中提出了一种经过改进的参数寻优准则,并结合双向2DLDA图像压缩算法诊断轴承故障。

2DPCA+2DLDA和改进的LPP相结合的人脸识别算法

针对局部保持投影(LPP)算法无监督且只保留局部信息的特性,提出一种2DPCA+2DLDA和改进的LPP相结合的人脸识别算法。将训练集样本用2DPCA+2DLDA算法进行投影,保留数据整体空间信息和分类信息;引入类内、类间信息对LPP算法的关系矩阵进行优化,使LPP成为有监督的非线性学习方法,采用改进的LPP(ILPP)算法对训练集图像进行二次投影,提取样本的局部流形信息,并作为人脸识别信息进行鉴别。在Yale和ORL人脸库的测试结果验证了该方法的有效性。

基于局部二元模式和重采样双向2DLDA的人脸识别算法

针对人脸识别中存在的小样本问题及光照变化、表情变化等导致的识别问题,提出一种基于局部二元模式和重采样双向2DLDA的人脸识别算法LBP-RB2DLDA.AR人脸库的实验结果表明,该算法具有较高的识别率和鲁棒性.

基于ULBP特征子空间的2DLDA人脸识别方法

将图像层次化分割并提取各个图像子块的均匀模式的局部二值模式(ULBP)直方图特征,在考虑到全局及局部特征的同时,将处理空间从灰度空间投影到ULBP特征子空间,有效消除行向量之间的相关性,从而使应用行二维线性鉴别分析处理得到的鉴别投影矩阵性能更优.在ORL、YALE及FERET人脸库上与基于二维线性鉴别分析的方法及基于多级局部二值模式的方法对比,结果显示文中方法维数更低,识别率更高,从而验证文中方法的有效性.

一种基于双向模块2DLDA的人脸识别方法

针对人脸识别中的特征抽取问题,对原始的二维线性判别分析(2DLDA)算法进行改进,提出了一种基于双向模块2DLDA的人脸识别算法。首先对原始图像进行模块化处理,然后分别从行和列2个方向上实施2DLDA变换,最后通过可调幂因子最近邻分类器进行特征分类,完成人脸识别。该方法不仅有效的利用人脸的局部特征信息、降低光照对人脸的影响,而且显著降低了人脸图像特征的维数。在ORL人脸库以及Yale人脸库中的实验结果表明,提出的人脸识别方法具有较好的人脸识别性能。

基于泛滑动窗与加权2DLDA的单样本人脸识别

对于单训练样本人脸识别,基于每人多个训练样本的传统人脸识别算法效果均不太理想。尤其是基于Fisher线性鉴别准则的一些方法,由于类内散布矩阵为零矩阵,根本无法进行识别。针对这一问题进行了分析研究,提出了一种新的样本扩充方法,即泛滑动窗法。采用"大窗口,小步长"的机制进行窗口图像采集和样本扩充,不仅增加了训练样本,而且充分保持和强化了原始样本模式固有的类内和类间信息。然后,使用加权二维线性鉴别分析方法(Weighted2DLDA)对上面获得的窗口图像进行特征抽取。在ORL国际标准人脸库上进行的实验表明了所提算法的可行性和有效性。

基于QR分解与2DLDA的单样本人脸识别

提出了一种新的基于矩阵的QR分解与2DLDA的单样本人脸识别算法(QR decomposition+2DLDA).利用矩阵的QR分解,将单样本人脸图像进行QR分解后提取有效的部分信息构成虚拟图像,结合原训练图像生成新的训练样本集,应用2DLDA进行特征提取和识别.在ORL人脸数据库上对算法进行了实验,实验结果表明此算法的识别效果不仅优于PCA、SPCA、(PC)2 A、E(PC)2 A算法,而且对于光照、表情等因素具有良好的鲁棒性.

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.

融合2DPCA和模糊2DLDA的人脸识别

结合模糊集理论、双向二维主成分-线性鉴别分析((2D)2PCALDA)的特点,提出一种新的人脸图像特征提取方法。算法首先对人脸图像进行二维主成分分析(2DPCA)处理,再用模糊K近邻算法计算图像的隶属度矩阵,并将其融入到2DLDA过程中,从而得到模糊类间散射矩阵和模糊类内散射矩阵。与(2D)2PCALDA相比,该算法充分利用了(2D)2PCALDA的优点,有效地提取了行和列的识别信息,并充分考虑了样本的分布信息。在Yale和FERET人脸数据库上的实验结果表明,该方法识别效果优于(2D)2PCALDA、双向二维主成分分析((2D)2PCA)等方法。

基于2DLDA与SVM的人脸识别算法

二维线性鉴别分析(2DLDA)算法能有效解决线性鉴别分析(LDA)算法的"小样本"效应,支持向量机(SVM)具有结构风险最小化的特点,将两者结合起来用于人脸识别。首先,利用小波变换获取人脸图像的低频分量,忽略高频分量;然后,用2DLDA算法提取人脸图像低频分量的线性鉴别特征,用"一对多"的SVM多类分类算法完成人脸识别。基于ORL人脸数据库和Yale人脸数据库的实验结果验证了2DLDA+SVM算法应用于人脸识别的有效性。

基于DWT和2DLDA的人耳识别研究

根据离散小波变换(DWT)和二维线性鉴别分析(2DLDA)的特点,结合人耳图像特征,提出一种将DWT与2DLDA相结合的人耳图像识别方法。该方法对人耳图像进行DWT,选择其中的低频子带,在低频子带中利用2DLDA提取人耳图像特征,最后使用最近邻法则进行分类。实验结果表明,该方法识别效果优于2DLDA方法。

基于小波分解和K2DPCA-2DLDA的手背静脉识别

提出了一种基于小波分解和二维主成分分析-二维线性判别式分析(K2DPCA-2DLDA)的手背静脉识别方法,选用db4小波基对原图进行小波分解。对其低频子图进行K2DPCA映射获得低维空间特征,通过对此低维空间特征进行2DLDA变换得到最终特征表达,利用最近邻法则进行了分类。实验结果表明,该方法能提高手背静脉识别率,有效减少识别时间。

融合双向2DLDA和局部SVD的人脸识别

针对人脸识别中光照、表情、姿态的影响,提出一种融合双向二维线性鉴别分析和局部对称平均的人脸识别新方法。通过双向二维线性鉴别分析对整幅图像进行特征提取,利用局部奇异值分解对称平均提取图像的局部特征。对2种方法提取到的特征利用基于加权欧式距离的最近邻分类器进行融合识别,在ORL人脸库上的实验结果证明了该方法的有效性。

基于三次B样条小波和2DFFT-2DLDA的人脸识别

提出了一种基于三次B样条小波和2DFFT-2DLDA的人脸识别方法,用三次B样条小波对人脸图像进行多层分解,得到一幅低频子图和3幅边缘细节子图,选取其中两幅效果最好的子图进行二维傅里叶变换后将其连接形成一个特征向量,然后进行2DLDA处理产生最终的特征表达,最后使用最近邻法进行分类。在JAFFE和Yale人脸库中的实验表明算法具有比频谱脸算法和Gabor-2DLDA算法更高的识别率,同时具有很低的算法复杂度。