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。

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。

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。

一种基于LBP和DLDA的人耳特征提取方法

本文提出了一种新的基于局部二值模式(LBP)和直接线性判别(DLDA)的人耳特征提取方法。LBP对局部纹理信息特征的提取性能和与灰度整体变换的无关性,使得其在人耳特征提取方面具有很强的优越性。采用LBP算法与直接线性判别分析算法相结合的人耳特征提取方法在识别率方面与原始图像特征提取方法相比有明显提升。

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.

基于PCA、LDA和DLDA算法的人脸识别

近年来,人脸识别的技术越来越成熟,但在复杂环境下准确识别人脸还需要进行研究。本文由浅入深,分别介绍了PCA、LDA和2LDA算法的人脸识别。并通过MATLAB对LDA和2LDA算法进行仿真,比较了它们的成功率和适用条件。

基于环形对称Gabor和双边2DLDA的人脸识别研究

本文提出一种基于环形对称Gabor变换和双边线性判别2DLDA的人脸特征提取算法。首先采用环形对称Gabor变换进行人脸图像的特征提取,用两种不同的融合方案得到特征图像,再利用双边线性判别2DLDA算法对特征图进行数据降维,最后使用最近邻分类法分类。在ORL和PIE人脸库中的实验结果表明,本文提出的算法可以有效降低冗余度、减少耗时,提高人脸识别率。

基于Gabor小波和2DPCA-2DLDA的人脸识别研究

结合Gabor小波、二维主成分分析和二维线性判别分析的特点,提出一种人脸特征提取方法。算法首先对人脸图像进行Gabor小波变换,然后进行2DPCA特征提取,提取特征脸,最后进行2DLDA处理,用支持向量机作为分类器。使用这种方法在ORL、Yale人脸库进行测试结果表明,计算复杂度得到减少的同时识别率也得到提高。

一种基于2DPCA和DLDA的人脸识别方法

一维方法特征提取时运算量大,图像较大时很不方便.二维的方法特征提取直接,速度快,但提取出的特征是矩阵,特征数量大,影响分类速度.结合2者的优点,提出二维与一维相结合的特征提取方法来识别人脸.先用二维PCA(2DPCA)处理原始图像,降维后进行DLDA处理.在ORL人脸库中验证了这种算法的可行性,结果表明识别率和分类速度均有提高.

基于改进的二维线性判别分析的人脸识别

本文提出一种新的特征提取方法,人脸图像在2DPCA投影的基础上进行B2DLDA投影提取出人脸特征。这种方法克服了传统PCA和LDA方法的小样本问题和维数灾难问题,并且充分利用了二维人脸图像矩阵空间结构信息,大幅度降低了人脸特征维数。实验证明这种方法的识别率比传统的PCA和2DPCA方法高,识别时间和训练时间比传统的PCA和2DPCA方法少。

基于PLS、LDA的中医面诊光泽识别研究

目的:探讨中医面诊中光泽信息客观识别的方法。方法:结合计算机视觉,利用计算机辅助进行面部光泽判断,尝试将偏最小二乘法(PLS)和线性判别式分析(LDA)方法在4种不同色彩空间下进行实验,做为面部光泽信息提取的手段。结果:PLS、LDA、2DLDA在RGB、HSV、Lab这些3通道的色彩空间上的判断正确率均高于单通道的判断结果;不同的特征抽取方法在不同色彩通道上得到的正确率不同:PLS方法在Lab颜色空间上对人脸光泽的判断正确率为89.06%,LDA在Lab颜色空间上判断正确率为88.69%,2DLDA在RGB颜色空间上判断正确率为89.00%。结论:不同特征抽取方法对于识别中医面诊光泽信息都具有积极作用,为中医望诊中光泽的量化检测技术研究提供了一种新的方法和思路。

用于相似字识别的手写汉字特征优化方法

针对常用的手写汉字特征提取方法不利于后续线性区分分析(LDA)特征变换中发现相似汉字的细微区分信息,通过将传统的手写汉字特征提取和LDA变换表述为像素级特征的二维特征矩阵优化问题,并利用二维线性区分分析(2DLDA)变换进行手写汉字特征矩阵的优化,提出了一种用于手写相似汉字识别的特征优化方法.该方法可以避免高维像素级特征向量利用LDA变换进行优化中的散度矩阵奇异性问题.对手写相似汉字的识别实验表明,相对于传统的方法,经过所提方法优化的梯度特征,识别错误率可以降低48.86%,验证了方法的有效性.

基于图像抽样重组的2维线性鉴别分析

图像识别中的2维线性鉴别分析(2DLDA)实际上是将图像的各个列(或行)视为样本向量,但这些样本向量不能满足统计学中的独立同分布要求。为克服2DLDA的不足,提出了基于图像抽样重组的2DLDA(SR2DLDA),它对图像进行下抽样,并将抽样所得的不同小图像重组成矩阵,然后对这些矩阵实施2DLDA。由于抽样重组的矩阵改善了各个列向量的独立性与分布同一性,因而SR2DLDA的识别性能有可能优于2DLDA,也优于LDA。在ORL人脸库、UMIST人脸库和FERET人脸库上的实验验证了SR2DLDA的有效性。

一种人脸图像识别算法的研究

针对人脸图像识别精度不高的缺点,本文将改进的Gabor,DLDA和最小二乘向量机进行融合了一种新的算法。在该算法中,首先通过Gabor中引入支持向量的字典学习算法,提高人脸信息,其次在DLDA中采用降低同类中距离偏大的样本之间的类内距离,去除了无用的样本,最后通过最小二乘向量机筛选出优良的样本。在仿真实验中与其他人脸识别算法进行对比,取得了比较好的识别效果。