基于DCT和线性判别分析的人脸识别

 提出基于离散余弦变换和线性判别分析的人脸识别方法.DCT变换本身并不进行数据压缩,它只是将图像源数据映射到另一个域,如何在新的数据域中选择最有效的DCT系数作为识别特征成为关键问题.本文从选择有效特征角度出发,引入特征选择算法,根据可分性判据确定将哪些DCT系数作为特征,然后对选出的DCT系数进行线性判别分析提取识别特征.在ORL人脸库上的实验结果证明了提出方法的有效性.     

基于二维图像直接线性判别分析的人脸识别算法研究

针对直接线性判别分析(DLDA)人脸识别算法存在的小样本问题,以及图像二维线性判别分析(2D-LDA)算法需要较多存储空间的问题,文中结合二维方法与直接判决的优点,提出基于二维图像直接线性判别分析(2D-DLDA)的人脸识别算法.该算法在克服小样本问题的同时,不会丢失图像中的有用信息,而且可以避免采用奇异值分解导致的无法精确计算特征向量的问题.在ORL和Yale人脸数据库中的实验结果表明,该算法具有较高的识别率和鲁棒性.     

基于子模式双向二维线性判别分析的人脸识别

针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析(Sub-pattern two-directional two-dimensional linear discriminant analysis,Sp-(2D)2 LDA)的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在ORL及Yale人脸库上的试验结果表明,Sp-(2D)2 LDA有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。     

一种低维空间线性人脸识别方法的研究

本文在基于成分方法的基础上提出了一种低维空间线性人脸识别分析方法.该方法着重强调和突出判别能量较高的特征,从而提高在低维空间的人脸识别正确率.通过对ORL人脸数据库的实验,表明了本文提出的方法在低维空间比传统的线性判别分析法LDA和主成分分析法PCA有更高的识别正确率.     

一种基于图的线性判别分析方法

线性判别分析(LDA)作为全局性降维的方法,在处理局部性边缘点的问题上存在不足,可能会导致边缘点的误分。针对该问题,提出一种新的降维方法,该方法基于图学习的思想,重新构造图,使得同类之间向中心靠拢的同时,不同类的K个近邻点远离该类中心。这样,高维数据在嵌入低维的过程中保持了样本的局部边缘点的特性,从而保证了边缘点的正确分类。通过在UCI数据集和人脸数据库中实验,结果表明本方法的有效性。     

一种应用于人脸识别的非线性降维方法

局部线性嵌入算法(locally linear embedding,LLE)作为一种新的非线性维数约减算法,在高维数据可视化方面获得了成功的应用.然而LLE算法获取的特征从分类角度而言并非最优,而且LLE算法难以获取新样本点的低维投影.为解决这两个缺陷,提出了将非线性的LLE算法和线性判别分析算法(linear discriminant analysis,LDA)相结合的一种新的非线性降维方法,通过ORL、Havard和CMU PIE三个人脸库的实验,结果表明,该方法能够大幅度提高识别率,对光照、姿态及表情变化具有一定的鲁棒性.     

基于LDA算法的人脸识别方法的比较研究

线性判别分析（LDA）是一种较为普遍的用于特征提取的线性分类方法。但是将LDA直接用于人脸识别会遇到维数问题和“小样本”问题。人们经过研究，通过多种途径解决了这两个问题并实现了基于LDA的人脸识别。文章对几种基于LDA的人脸识别方法做了理论上的比较和实验数据的支持，这些方法包括Eigenfaces、Fisherfaces、DLDA、VDLDA及VDFLDA。实验结果表明VDFLDA是其中最好的一种方法。     

基于因子分析的实用人脸识别研究

该文针对实用人脸识别中的光照、表情、姿态等变化问题,通过因子分析和数据挖掘提出一种鲁棒的人脸识别方法。本文首次提出基于因子分析的人脸识别方法,并分析基于内容与风格信息的因子分析模型的人脸识别方法与基于Fisher线性判别分析的人脸识别方法的一致性。为了提高该方法的鲁棒性,通过两因子方差分析与加性模型分离人脸内因子与外因子,降低风格信息对人脸观察特征的影响。实验结果表明：此方法比Fisher脸方法具有更高、更稳健的性能,特别是在Fisher脸方法无能为力的复杂环境下能表现出较好的性能。     

一种新颖的基于LDA的人脸识别方法

提出一种基于离散余弦变换(DCT)与．LDA相结合的人脸识别方法，首先利用DCT将图像进行降维，然后在低维空间中利用LDA进行特征提取。利用ORL人脸数据库和我们上海交通大学图像处理与模式识别研究所的人脸数据库进行测试，实验结果分别得到了97．5％和92．6％的正确识别率，表明它可以和其他方法相比较。     

基于优化的LDA算法人脸识别研究

提取低维人脸特征是人脸识别系统中极其关键的一步。线性判别分析(LDA)是一种较为普遍的用于特征提取的线性分类方法。本文提出了一种优化的LDA算法,该方法克服了传统的LDA算法用于人脸识别时存在的问题：通过重新定义样本类间离散度矩阵使传统的Fisher准则能够最优化,克服了边缘类对选择最佳投影方向的影响;同时,利用因数分解的方法避免了对矩阵求逆,解决了小样本问题。依据经验选取适当的e值,得到最佳的识别效果。实验结果表明,人脸识别效果优于传统LDA方法。     

基于DCT的改进零空间人脸识别算法

线性判别分析(LDA)是一种较为普遍的线性特征提取方法,它的主要缺点是在应用时经常遇到小样本问题,同时其准则函数并不与识别率直接相关。该文提出一种基于DCT的改进零空间LDA方法,能够解决以上两个问题。首先,通过使用DCT代替像素聚类并重新定义类间散布矩阵,得到一种新的零空间法。然后将这种方法与F-LDA结合起来得到一种新的对人脸识别更有效的特征提取方法,实验证明这种方法能得到较好的识别率。     

Face recognition using message passing based clustering method

Traditional subspace analysis methods are inefficient and tend to be affected by noise as they compare the test image to all training images, especifically when there are large numbers of training images. To solve such problem, we propose a fast face recognition (FR) technique called APLDA by combining a novel clustering method affinity propagation (AP) with linear discriminant analysis (LDA). By using AP on the reduced features derived from LDA, a representative face image for each subject can be reached. Thus, our APLDA uses only the representative images rather than all training images for identification. Obviously, APLDA is much more computationally efficient than Fisherface. Also, unlike Fisherface who uses pattern classifier for identification, APLDA performs the identification using AP once again to cluster the test image into one of the representative images. Experimental results also indicate that APLDA outperforms Fisherface in terms of recognition rate.     

基于Gabor特征的人脸识别算法的对比研究与实现

由于Gabor变换的核函数分布与哺乳动物视觉皮层简单细胞2D感受野剖面非常类似,并具有良好的方向选择性和空间局部性,从而为图像局部区域内多个方向的空间尺度信息和局部性结构特征的获取提供了更有效的方法。为了验证Gabor特征在人脸识别中的有效性和准确性,本文提出了一种采用目前四种传统特征提取的人脸识别方法与基于Gabor特征的人脸识别方法进行对比研究,同时提出利用ROC和CMC两个参量来验证基于Gabor特征人脸识别方法的有效性和准确性。在ORL人脸数据库上取得的实验结果表明,基于Gabor特征的人脸识别方法在同等条件下,得到了更高的人脸识别率,同时具有良好的鲁棒性。     

全局与局部特征融合在人脸识别中的应用研究

摘　要 主成分分析（PCA）和线性判别分析（LDA）是基于全局结构的特征提取方法,局部保持投影（LPP）和正交拉普拉斯脸（OLF）是基于局部结构的特征提取方法,全局结构特征的弱点是忽略了局部结构特征,局部结构特征的弱点是忽略了整体结构。基于此,本文提出了一种全局与局部结构特征融合（GLSF）的提取方法,将PCA和LDA的提取结果融合到LPP中,既描述了全局结构,又考虑了局部结构。在ORL及Yale上的实验结果表明,GLSF方法比PCA、LDA、LPP、OLF等方法具有更高的识别率。     

FLDA方法在单样本人脸识别中的应用研究

在人脸识别应用中,当每个人有多个训练样本(MSPP)时,Fisher线性判别分析(FLDA)方法可以很好地用于特征提取.然而,当每个人只有一个训练样本(SSPP)时,因为类内散布矩阵为零矩阵,所以FLDA方法将不能使用.为了解决该问题,提出了一种比较新颖的方法来估计类内散布矩阵,借助于奇异值分解(SVD)方法,先将人脸图像分解成两部分,然后分别估计出类内散布矩阵及类间散布矩阵,使FLDA方法能够得到有效的应用.在ORL及Yale上的实验表明了提出的方法比现有的许多方法取得了更好的识别效果.     

局部保持鉴别投影及其在人脸识别中的应用

针对流形学习在人脸识别中的应用,该文提出基于局部保持投影(Locality Preserving Projection, LPP)的监督线性维数约简方法。利用样本的类别信息,将LPP的最近邻图分解为类内图和类外图,通过优化,最优保持同类数据固有的局部邻域关系,缩小数据之间的距离,同时最大化不同类数据之间的距离,从而增大各类数据分布之间的间隔,提高了嵌入空间的辨别能力。此外,在构建图的过程中采用了自适应邻域,增强了对数据分布稀疏性的表征。在Extended Yale B和CMU PIE两个开放人脸数据库上进行了试验,验证了算法的有效性。     

基于核鉴别共同矢量的小样本脸像鉴别方法

人脸识别中通常存在小样本问题,使得基于Fisher线性鉴别分析的特征抽取方法存在病态奇异问题。近年来针对此问题提出了不同的解决方法,其中基于共同鉴别矢量(DCV)的方法成功克服了已有各种方法存在的缺点,有较好的数值稳定性和较低的计算复杂度。该文将DCV方法推广到非线性领域,将两次Gram-Schmidt正交化过程,转化为只需计算两个核矩阵和进行一次Cholesky分解完成,且得到的非线性Fisher鉴别矢量有标准正交的性质。实验验证了所得KDCV方法的识别性能优于DCV方法。