用于人脸识别的两类主成分分析融合

doi:10.3778/j.issn.1002-8331.2010.01.057

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (1): 194-195.DOI: 10.3778/j.issn.1002-8331.2010.01.057

• 图形、图像、模式识别 • 上一篇下一篇

用于人脸识别的两类主成分分析融合

杨军^1，2，张秀琼²，高志升²，袁红照²

1.四川师范大学计算机科学学院，成都 610066
2.四川大学图形图像研究所，成都 610064

收稿日期:2008-07-21 修回日期:2008-08-25 出版日期:2010-01-01 发布日期:2010-01-01
通讯作者: 杨军

Fusion of two different PCAs for face recognition

YANG Jun^1，2，ZHANG Xiu-qiong²，GAO Zhi-sheng²，YUAN Hong-zhao²

1.College of Computer Science，Sichuan Normal University，Chengdu 610066，China
2.Institute of Image & Graphic，Sichuan University，Chengdu 610064，China

Received:2008-07-21 Revised:2008-08-25 Online:2010-01-01 Published:2010-01-01
Contact: YANG Jun

摘要/Abstract

摘要： 分析了基于总体离散度矩阵和总类间离散度矩阵的主成分分析的原理。利用两种方法分别提取人脸特征并进行识别。对两种方法获得的结果进行了特征层融合和决策层融合，基于ORL人脸数据库的实验表明该方法的识别性能优于单一的主成分分析方法。

关键词: 人脸识别, 主成分分析, 总体离散度矩阵, 类间离散度矩阵, 数据融合

Abstract: The principle of two different PCAs，PCA based on global scatter matrix and PCA based on global between-class scatter matrix is analyzed firstly.Two different fusion methods，feature level fusion and decision level fusion are proposed using the feature got from two different PCAs.The experiment result is displayed and data fusion method is proved to be efficient for getting better recognition rate.

Key words: face recognition, Principal Component Analysis（PCA）, global scatter matrix, between-class scatter matrix, data fusion

中图分类号:

TP391

杨军^1，2，张秀琼²，高志升²，袁红照². 用于人脸识别的两类主成分分析融合[J]. 计算机工程与应用, 2010, 46(1): 194-195.

YANG Jun^1，2，ZHANG Xiu-qiong²，GAO Zhi-sheng²，YUAN Hong-zhao². Fusion of two different PCAs for face recognition[J]. Computer Engineering and Applications, 2010, 46(1): 194-195.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[3]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[4]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[5]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[6]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[7]	李俊瑶，黎智辉，谢兰迟，侯欣雨，叶东. 基于老化模型的跨年龄人脸识别研究进展[J]. 计算机工程与应用, 2021, 57(24): 27-38.
[8]	刘金金，李清宝，李晓楠. 基于对抗学习和知识蒸馏的神经网络压缩算法[J]. 计算机工程与应用, 2021, 57(21): 180-187.
[9]	徐遐龄，刘涛，田国辉，于文娟，肖大军，梁陕鹏. 有遮挡环境下的人脸识别方法综述[J]. 计算机工程与应用, 2021, 57(17): 46-60.
[10]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[11]	徐然然，吴小俊，尹贺峰. 鉴别性非负表示分类及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(13): 147-153.
[12]	赵怡，高淑萍，何迪. 基于深度学习的眼动跟踪数据融合算法[J]. 计算机工程与应用, 2021, 57(10): 211-217.
[13]	张东梅，买日旦·吾守尔，古兰拜尔·吐尔洪. 面向高维混合不平衡信贷数据的单类分类方法[J]. 计算机工程与应用, 2021, 57(10): 233-240.
[14]	王钰，刘凡，王菲. 基于自编码器和稀疏表示的单样本人脸识别[J]. 计算机工程与应用, 2021, 57(1): 168-172.
[15]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.

用于人脸识别的两类主成分分析融合

Fusion of two different PCAs for face recognition

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics