基于模块2DPCA的人脸识别方法

提出了模块2DPCA(two-d im ensional princ ipal component analysis)的人脸识别方法。模块2DPCA方法先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于构造总体散布矩阵,然后利用总体散布矩阵的特征向量进行图像特征抽取。与基于图像向量的鉴别方法(比如PCA)相比,该方法在特征抽取之前不需要将子图像矩阵转化为图像向量,能快速地降低鉴别特征的维数,可以完全避免使用矩阵的奇异值分解,特征抽取方便;此外,模块2DPCA是2DPCA的推广。在ORL和NUST603人脸库上的试验结果表明,模块2DPCA方法在识别性能上优于PCA,比2DPCA更具有鲁棒性。

二维主成分分析方法的推广及其在人脸识别中的应用

提出了分块二维主成分分析(分块2DPCA)的人脸识别方法。分块2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其特点是:能方便地降低鉴别特征的维数;可以完全避免使用矩阵的奇异值分解,特征抽取方便;与2DPCA方法相比,使用低维的鉴别特征矩阵,而达到较高(至少是不低)的正确识别率。此外,2DPCA是分块2DPCA的特例。在ORL和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上优于2DPCA方法。

分块PCA鉴别特征抽取能力的分析研究

基于主成分分析(Principal Component Analysis,PCA),本文提出了分块 PCA 人脸识别方法。分块 PCA 从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用 PCA 方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在 Yale 人脸数据库上测试了该方法的鉴别能力。实验的结果表明,分块 PCA 在识别性能上优于通常的 PCA 方法,也优于基于 Fisher 鉴别准则的鉴别分析方法:Fisherfaces 方法、F-S 方法、组合鉴别方法,识别率可以达到100%。

人脸识别中PCA方法的推广

主成分分析(PrincipalComponentAnalysis,PCA)是公认的特征抽取的最为重要的工具之一,目前仍然被广泛地应用在人脸等图像识别领域。基于PCA,该文提出了分块PCA的人脸识别方法。分块PCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵利用PCA进行鉴别分析。其特点是能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出。与PCA方法相比,由于使用子图像矩阵,分块PCA可以避免使用奇异值分解理论,过程简便。此外,PCA是分块PCA的特殊情况。在Yale和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上明显优于经典的PCA方法,识别率可以分别提高6.7和4个百分点。

基于分块PCA的人脸识别方法

本文提出了一种称为M2PCA+FDA的新的人脸识别方法.新方法从模式的原始数字图像出发,先对样本图像进行分块,对分块得到的子图像矩阵采用PCA进行特征抽取,从而得到能代替原始模式的低维的新模式,然后,对新模式施行“Fisher-faces”方法,实现模式的分类.其特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类.在ORL和NUST603两个人脸数据库上对M2PCA+FDA方法进行了测试,实验的结果表明,本文提出的方法在识别性能上优于“Fisher-faces”方法和PCA方法.

分块PCA及其在人脸识别中的应用

主成分分析(principal component analysis,PCA)是公认的特征抽取的最为重要的工具之一,目前仍然被广泛地应用在人脸等图像识别领域。基于PCA,提出了分块PCA的人脸识别方法。分块PCA方法先对图像进行分块,对分块得到的子图像利用PCA进行鉴别分析。其特点是能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出。与PCA方法相比,由于使用子图像矩阵,分块PCA可以避免使用奇异值分解理论,过程简便。此外,PCA是分块PCA的特例。在Yale和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上明显优于经典的PCA方法,识别率可以分别提高6.7和4.4个百分点。

一种改进的模块PCA人脸识别新方法

提出了一种改进的模块PCA方法,即基于独立特征抽取的模块PCA方法。算法先对图像进行分块,然后对每一子块独立地进行PCA处理,求出测试样本子块与训练样本对应子块间的距离;最后将这些距离相加得到测试样本与训练样本的距离,用最近距离分类器分类。在ORL人脸库和Yale人脸库上的实验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。

改进的模块2DPCA人脸识别算法

提出一种改进的模块2DPCA人脸识别算法,即基于子距离的模块2DPCA人脸识别算法。该算法对图像进行分块,对每一子块独立地利用2DPCA进行处理,求出测试样本子块与训练样本对应子块间的子距离,将所有子距离相加得到测试样本与训练样本的距离,用最近距离分类器分类。在ORL人脸库上的实验结果表明,该算法在识别性能上优于普通的模块2DPCA算法和修正的模块2DPCA算法。

分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。

模块2DPCA的缺陷与改进

模块2DPCA是2DPCA的推广,在识别性能上比2DPCA更具鲁棒性。本文分析了模块2DPCA在计算训练样本总体散布矩阵和本征向量选取方面的缺陷,提出了一种改进的模块2DPCA算法。实验结果表明,改进后的算法能更好地选取本征向量,更有效地提取人脸特征。

模块2DPCA算法在人脸识别中的应用和讨论

文章讨论了模块2DPCA(two-dimensional principal component analysis)的人脸识别方法.传统的PCA方法是在特征抽取之前将子图像矩阵转化为图像向量,这样会造成维数增大.二维主成分分析算法(2DPCA)作为模式识别领域的一种重要算法,它直接利用原始二维图像矩阵,生成特征提取所需的图像协方差矩阵,具有较高健壮性.模块2DPCA是2DPCA的推广,模块2DPCA方法先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于构造总体散布矩阵,然后利用总体散布矩阵的特征向量进行图像特征提取.与2DPCA相比,模块2DPCA方法在识别性能上优于PCA,比2DPCA更具有鲁棒性.最后就模块2DPCA存在的问题进行了讨论.

一种融合模块2DPCA与PCA的人脸识别方法

针对主成分分析(PCA)求解高阶矩阵计算量很大和模块二维主成分分析(M2DPCA)特征数量仍然较大且有一定的相关性的问题,提出了融合模块2DPCA与PCA的方法进行人脸识别.该方法先通过M2DPCA对子图像进行特征提取,然后把每个图像中的子图像按分块的顺序重新组成新的矩阵,再对新的矩阵进行PCA.在ORL人脸库中实验,结果表明,该算法在一定程度上去除了特征参数间的相关性并大大减少了特征维数.

一种M2DPCA和NSA相结合的人脸识别方法

将非参数子空间分析方法(NSA)和模块化2DPCA方法相结合,提出了一种模块化2DPCA+NSA方法。NSA方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,没有考虑到图像的局部特征,对图像矩阵进行分块,采用2DPCA进行特征提取,得到替代原始图像的低维新模式,施行NSA。该法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NSA方法以及该方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NSA方法。

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。