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%。

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。

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.

一种基于局部排序PCA的线性鉴别算法

主分量分析(Principal Component Analysis,PCA)是模式识别领域中一种重要的特征抽取方法,该方法通过K-L展开式来抽取样本的主要特征。基于此,提出一种拓展的PCA人脸识别方法,即分块排序PCA人脸识别方法(MSPCA)。分块排序PCA方法先对图像矩阵进行分块,对所有分块得到的子图像矩阵利用PCA方法求出矩阵的所有特征值所对应的特征向量并加以标识;然后找出这些所有的特征值中k个最大的特征值所对应的特征向量,用这些特征向量分别去抽取所属的子图像的特征;最后,在MSPCA的基础上,将抽取子图像所得到的特征矩阵合并,把这个合并后的特征矩阵作为新的样本进行PCA+LDA。与PCA和PCA+LDA方法相比,分块排序PCA由于使用子图像矩阵,可以避免使用奇异值分解理论,从而更加简便。在ORL人脸库上的实验结果表明,所提出的方法在识别性能上明显优于经典的PCA和PCA+LDA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。

分块PCA和奇异值分解相结合的人脸识别算法

针对分块PCA算法对位移、旋转等几何变化比较敏感的缺点,提出一种基于分块PCA和奇异值分解相结合的人脸识别算法。该算法分别提取分块子图像的PCA特征和奇异值特征,在此基础上得到同时包含分块PCA和奇异值信息的距离测度,利用最小距离分类器进行分类识别。在ORL人脸库上的实验结果表明,该方法能够得到较高的识别率。

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。

基于相位一致性图像的模块化PCA人脸识别方法

提出了一种新的基于相位一致性的模块化PCA的人脸识别方法。解决了人脸识别受光照影响的问题。首先得到人脸训练样本的相位一致性图像;然后将人脸相位一致性图像划分为更小的子模块,用PCA方法处理这些子模块图像。在姿势、光照以及表情变化的情况下同一个人的局部面部特征是不变的,因此用该方法来处理这些变化。给出了传统的模块化PCA方法与该方法在不同姿势、光照和表情变化条件下的对比实验结果。实验结果表明该方法的人脸识别率较传统模块化PCA方法有了较大提高。

基于图像熵值的加权分块2DPCA人脸识别

在分块2DPCA(Modular 2DPCA)算法的基础上,提出一种基于图像子块熵值加权的Modular 2DPCA算法(Entropy Modular 2DPCA)。Modular 2DPCA法直接计算测试图像与训练图像特征矩阵的距离,而Entropy Modular 2DPCA根据测试样本自适应确定图像子块的权值,增强包含分类信息多的子块权值,加入测试样本的信息,解决2DPCA人脸识别算法完全依赖人脸库的问题。将Entropy Modular 2DPCA算法、2DPCA算法以及Modular 2DPCA算法在ORL、自建人脸数据库上进行对比测试实验,实验结果表明,Entropy Modular 2DPCA算法具有良好的识别性能和计算速度,提高了对人脸姿态、光线、遮挡等问题的鲁棒性。

基于PCa技术下工业化住宅的设计手法研究

基于PCa技术下工业化住宅建筑体系的设计手法包括模数协调法、基本单元空间构成法和土建与设备分离法。通过模数选择、基本空间和基本单元的设置等手段,实现基于PCa技术下工业化住宅建筑体系的建立。

M-FPCA在彩色人脸图像识别中的应用

将因子化主成分分析(FPCA)算法应用于人脸图像特征提取时,需要使用迭代算法,但该算法应用于高分辨率图像时实时性较差,并且可能导致维数灾难。针对上述问题,提出一种模块化FPCA(M-FPCA)的新型特征提取方法。将原始数字图像样本进行模块化,对模块化后得到的各个子图像矩阵采用FPCA算法进行特征提取,合并子图像特征矩阵得到原图的特征矩阵。彩色图像由R、G、B 3个分量来表示,根据现有彩色信息融合方法的不足,对其进行改进,并结合M-FPCA算法,提出一种彩色M-FPCA新方法。在CVL和FEI人脸库上进行的实验结果表明,M-FPCA方法能提高FPCA算法的实时性,解决维数灾难问题。彩色M-FPCA方法能有效提取彩色人脸图像的色彩信息,得到较高的人脸识别率。

基于PCA谱聚类分析的无功分区方法研究

以互联电网简化拓扑结构模型为基础,结合复杂网络理论,提出了一种基于PCA谱聚类分析的无功电压分区新方法。该方法根据电网的运行和结构特性,以网络的加权邻接矩阵作为无功分区的简化拓扑模型,利用PCA对分区模型进行主成分分析,将主成分个数作为谱聚类选择特征向量的维数标准,从而改进了谱聚类算法并完成对电力网络的快速有效划分。同时,把无功缺额度与模块度Q函数结合起来构建新的模块度指标,保证了分区数目的合理性并改善了区域的无功平衡性,最后对分区结果进行无功备用校验并做出相应调整从而得到最终的分区方案。通过对IEEE 30标准节点的仿真计算和测试,验证了该分区方法的有效性。

分块PCA与最大散度差鉴别分析结合的人脸识别

提出了一种将分块PCA与最大散度差鉴别分析相结合的人脸识别方法。该方法是先对原始的人脸图像进行分块,然后对分块得到的子图像矩阵采用PCA方法进行特征抽取,从而把原始模式从高维空间映射到较低维空间。接下来再对新模式采用最大散度差线性鉴别分析,这样就避免了对新模式的类内散布矩阵非奇异的要求。在ORL人脸库和Yale人脸库上分别检验了分块PCA与最大散度差鉴别分析相结合的人脸识别方法的识别性能,实验结果表明该方法抽取的鉴别特征有较强的鉴别能力。

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.

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。

分块多线性主成分分析及其在人脸识别中的应用研究

主成分分析(Principal Component Analysis,PCA)是人脸识别中一个经典的算法,但PCA方法在特征提取时考虑的是图像的整体信息,并没有考虑图像的局部信息,而分块PCA(Modular Principal Component Analysis,Modular PCA)则可以有效地提取图像中重要的局部信息,所以在人脸识别实验中获得了比传统PCA更好的识别效果。但PCA和Modular PCA都要进行图像的矢量化,这会破坏原始数据的空间结构,也有可能会导致"维数灾难"。多线性主成分分析(Multilinear Principal Component Analysis,Multilinear PCA)作为PCA在高维数据上的扩展,直接使用矩阵或者高阶的张量来获得有效特征,既可以避免"维数灾难",又可以体现直接将张量数据作为处理对象时保留原始数据较好基本结构信息的优点。在研究Modular PCA和Multilinear PCA的基础上,提出了分块多线性主成分分析(Modular Multilinear Principal Component Analysis,M2PCA)算法,用于识别人脸。在Yale、XM2VTS和JAFFE人脸数据库上进行了人脸识别实验,结果表明,在同等的分块条件下,所提出的方法的识别效果要优于Modular PCA的方法。

基于分块相位一致性的人脸识别算法

针对基于可见光的人脸图像的识别容易受光照和表情变化的影响,人脸的表情变化仅限于局部等问题,以及图像的相位一致性特征不受图像的亮度或对比度影响的特点,提出了一种基于分块相位一致性的人脸识别算法。该算法用log-gabor滤波器对图像进行滤波,利用相位一致性模型提取相位一致性特征图像;对每幅特征图像进行分块主元分析(PCA)处理;融合所有子图像的距离信息,采用最近邻分类器进行分类识别。实验证明该方法具有更好的识别性能。

改进的分段主成分分析算法及其在前列腺分割中的应用

主成分分析(PCA)作为形状建模中的经典算法,在训练阶段考虑训练样本的整体信息,而忽略了样本的局部细节信息。分段主成分分析(MPCA)针对PCA的不足改进了算法,在人脸识别应用中获得了比传统PCA更好的识别效果。但在MPCA中样本一般都被划分为同样大小的子样本块,没有考虑到实际的样本局部动态变化信息。这里根据初始样本的方差信息对MPCA算法进行改进,将样本划分成尺寸大小不一的多类样本(分段样本),然后分别对分段样本做主成分分析,得到原始样本的分段PCA模型。将该模型应用于前列腺超声图像分割实验,结果表明其分割效果优于传统的PCA算法和MPCA算法。

基于分块双向二维主成分分析的步态识别

提出了一种基于步态能量图和分块双向二维主成分分析进行步态特征的算法。首先对图像序列预处理提取运动轮廓,通过分析区域分布直方图检测出运动周期,生成步态能量图描述步态的空间和时间特性,继而使用分块双向二维主成分提取步态特征用以分类,最后在USF步态数据库上测试,并与其它几个算法进行比较。实验结果显示,该方法有更高的识别率和更低的计算复杂度。