江苏省自然科学基金(05KJD520036)
- 作品数：5 被引量：44H指数：3
- 相关作者：杨静宇陈伏兵陈秀宏王文胜韦相和更多>>
- 相关机构：南京理工大学淮阴师范学院更多>>
- 发文基金：江苏省自然科学基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 分块二维主成分分析鉴别特征抽取能力研究被引量：3
- 2006年
- 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。
- 陈伏兵韦相和严云洋杨静宇
- 关键词：线性鉴别分析特征抽取二维主成分分析人脸识别
- 人脸识别中基于核的子空间鉴别分析被引量：10
- 2006年
- 尽管基于F isher准则的线性鉴别分析被公认为特征抽取的有效方法之一,并被成功地用于人脸识别,但是由于光照变化、人脸表情和姿势变化,实际上的人脸图像分布是十分复杂的,因此,抽取非线性鉴别特征显得十分必要。为了能利用非线性鉴别特征进行人脸识别,提出了一种基于核的子空间鉴别分析方法。该方法首先利用核函数技术将原始样本隐式地映射到高维(甚至无穷维)特征空间;然后在高维特征空间里,利用再生核理论来建立基于广义F isher准则的两个等价模型;最后利用正交补空间方法求得最优鉴别矢量来进行人脸识别。在ORL和NUST603两个人脸数据库上,对该方法进行了鉴别性能实验,得到了识别率分别为94%和99.58%的实验结果,这表明该方法与核组合方法的识别结果相当,且明显优于KPCA和Kernel fisherfaces方法的识别结果。
- 陈伏兵韦相和陈秀宏杨静宇
- 关键词：FISHER线性鉴别分析核函数人脸识别
- 不相关最佳鉴别矢量集的有效算法被引量：1
- 2006年
- 线性鉴别分析中处理小样本问题的方法有两类:①在模式识别之前,通过降低模式样本特征向量的维数达到消除奇异性的目的;②发展算法获得低维鉴别特征。将这两种方法结合起来,解决了高维小样本情况下基于广义Fisher线性鉴别准则的不相关最优鉴别矢量集的求解问题,给出了抽取最优鉴别矢量的有效算法。
- 陈伏兵王文胜谢永华杨静宇
- 关键词：特征抽取小样本问题人脸识别
- 人脸识别中PCA方法的推广被引量：18
- 2005年
- 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。
- 陈伏兵陈秀宏王文胜杨静宇
- 关键词：主成分分析特征抽取分块PCA特征矩阵人脸识别
- 模块二维主成分分析——人脸识别新方法被引量：13
- 2006年
- 提出了模块二维主成分分析(M2DPCA)线性鉴别分析方法。M2DPCA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：能有效地降低模式原始特征的维数；可以完全避免使用矩阵的奇异值分解,特征抽取方便；此外,2DPCA是M2DPCA的特例。在ORL人脸库上试验结果表明,M2DPCA方法在识别性能上优于PCA,比2DPCA更具有鲁棒性。
- 陈伏兵陈秀宏张生亮杨静宇
- 关键词：线性鉴别分析特征抽取特征矩阵人脸识别
