图像特征抽取的MDNIB2DPCA方法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (9): 177-183.

图像特征抽取的MDNIB2DPCA方法

万倬1，2，朱嘉钢1，2，陆晓2

1.江南大学物联网应用技术教育部工程研究中心，江苏无锡 214122
2.江南大学晓山股份联合实验室，江苏无锡 214122

出版日期:2016-05-01 发布日期:2016-05-16

Multi-Directional NIB2DPCA method of image feature extraction

WAN Zhuo1，2, ZHU Jiagang1，2, LU Xiao2

1.Engineering Research Center of Internet of Things Applied Technology, Ministry of Education, Jiangnan University, Wuxi, Jiangsu 214122, China
2.Co-Laboratory in Hillsun Ltd. of Jiangnan University, Wuxi, Jiangsu 214122, China

Online:2016-05-01 Published:2016-05-16

摘要/Abstract

摘要： 在多方向二维主成分分析法MD2DPCA和无迭代双边二维主成分分析（NIB2DPCA）的基础上，提出了多方向无迭代双边二维主成分分析（MDNIB2DPCA）的特征抽取新方法。该方法可以对图像矩阵在多个方向上进行特征抽取，与MD2DPCA方法相比也提高了特征抽取速度。在灰度人脸图像库上的对比实验表明，所提的方法可以提高灰度图像识别率两个百分点以上;进一步地，在基于NIB2DPCA的彩色图像识别方法的基础上，提出了将所提的MDNIB2DPCA替换NIB2DPCA的彩色图像处理的新方法。在彩色人脸库上的对比实验表明，所提方法的识别正确率也可提高约一个百分点。

关键词: 彩色人脸识别, 二维主成分分析法（2DPCA）, 多方向无迭代双边二维主成分分析（MDNIB2DPCA）, 分数等级融合, 特征抽取

Abstract: Based on the methods Multi-Directional 2DPCA and Non-Iteration Bilateral projection based 2DPCA, a novel method named MDNIB2DPCA（Multi-Directional Non-Iteration Bilateral projection based 2DPCA） is proposed for image feature extraction. This method can extract features in multiple directions from the image matrices and obtain a higher feature extraction speed than MD2DPCA. The results of contrast experiments on gray image datasets show that the proposed method can obtain a higher accuracy by at least 2 percentage points than the previous methods. Furthermore, on the basis of NIB2DPCA based color image recognition method, an improved color image recognition method is proposed which replaces the NIB2DPCA by MDNIB2DPCA. The results of contrast experiments on color image datasets show that the proposed method can also obtain a higher accuracy by about 1 percentage point.

Key words: color face recognition, Two Dimensional Principal Component Analysis（2DPCA）, Multi-Directional Non-Iteration Bilateral projection based 2DPCA（MDNIB2DPCA）, score level fusion, feature extraction

万倬1，2，朱嘉钢1，2，陆晓2. 图像特征抽取的MDNIB2DPCA方法[J]. 计算机工程与应用, 2016, 52(9): 177-183.

WAN Zhuo1，2, ZHU Jiagang1，2, LU Xiao2. Multi-Directional NIB2DPCA method of image feature extraction[J]. Computer Engineering and Applications, 2016, 52(9): 177-183.

[1]	崔少国, 独潇, 杨泽田. 多注意力机制融合低高阶特征的神经推荐算法[J]. 计算机工程与应用, 2023, 59(8): 192-199.
[2]	葛迪, 吴彦文, 刘三女牙. 低成本自进化的学习者画像模型研究[J]. 计算机工程与应用, 2023, 59(11): 141-150.
[3]	黄伟, 刘贵全. MSML-BERT模型的层级多标签文本分类方法研究[J]. 计算机工程与应用, 2022, 58(15): 191-201.
[4]	张国庆1，2，王正群2，王颖静2，徐伟2. 图像多模态扰动的人脸识别方法[J]. 计算机工程与应用, 2013, 49(7): 204-207.
[5]	薛寺中，陈秀宏. 基于一种改进的类内散布矩阵的核鉴别分析法[J]. 计算机工程与应用, 2013, 49(2): 181-183.
[6]	张小燕，胡昊，苏勇. 高维空间中针对离群点检测的特征抽取[J]. 计算机工程与应用, 2012, 48(22): 189-194.
[7]	李丙春，邓勇. 四元数表示和NSCT变换的彩色人脸图像识别[J]. 计算机工程与应用, 2012, 48(2): 164-167.
[8]	刘祥涛1，2，刘书良3. NQPC：一种新型的基于查询日志的网页分类方法[J]. 计算机工程与应用, 2012, 48(11): 82-87.
[9]	张燕^1，2，郑玮¹，胡勇¹. 隐空间中参数化直接鉴别分析及其应用[J]. 计算机工程与应用, 2011, 47(6): 212-215.
[10]	张燕^1，2，唐振民¹，李燕萍³. 面向推荐系统的音乐特征抽取[J]. 计算机工程与应用, 2011, 47(5): 130-133.
[11]	张学谦，王自强，郜凤敏. 基于分布距离的特征聚类方法[J]. 计算机工程与应用, 2011, 47(29): 137-139.
[12]	张岩1，2，武玉强2. 一种改进的模块PCA人脸识别新方法[J]. 计算机工程与应用, 2011, 47(26): 216-218.
[13]	张国政，姜威. 采用频谱脸和FLD的分量融合彩色人脸识别[J]. 计算机工程与应用, 2011, 47(23): 188-190.
[14]	杨茂龙^1，2，王远方³，孙权森²，夏德深². 偏最小二乘改进算法与特征抽取[J]. 计算机工程与应用, 2011, 47(1): 179-181.
[15]	卢新国，彭湘华，李丹，周鹏杰，陈东. 在癌症识别中一种新颖的基因特征抽取算法[J]. 计算机工程与应用, 2010, 46(30): 237-240.