KSLPP：新的人脸识别算法

针对人脸识别中的特征提取问题，提出了一种新的核有监督保局投影人脸识别算法,即KSLPP.该算法通过非线性映射将人脸样本投影到高维空间，通过可调因子有效地结合人脸局部流形的结构信息和样本的类别信息，提取人脸的非线性特征.采用最小近邻分类器估算识别率.采用AT&T人脸库以及Yale人脸库，对该方法进行了测试.结果表明，与Eigenface、Fisherface以及Laplacianface等方法相比，该方法具有较好的识别率.     

一种应用于人脸识别的核正交等度规映射算法

针对人脸识别中的特征提取,提出了一种新的核正交等度规映射(KOIsoP,kernel orthogonal isometric projection)人脸识别算法。首先用核方法提取人脸图像中的非线性信息,并将其投影在一个高维非线性空间,从而更好地提取人脸非线性流形结构信息。然后通过等度规映射做一线性映射得到基向量。最后正交化得到的基向量,使得算法更利于保留人脸非线性子流形空间与距离有关的结构信息和重构样本,以便获得更好的识别效果。ORL和PIE库上的人脸识别实验验证了算法的有效性。     

基于图像分块和RBF神经网络的人脸识别方法

目的 提出一种基于图像分块和径向基函数(RBF)神经网络的人脸特征提取与识别方法,解决人脸识别中的高维、小样本问题.方法 采用人脸图像的分块处理、奇异值分解压缩算法,降低特征维数,有效地解决了存储和传输中的数据压缩问题,运用基于聚类方法的RBF神经网络分类器进行人脸分类识别.结果 通过实验和数据分析表明,该方法在人脸骨骼特征明显时具有较高的识别率,与基于整体人脸图像的识别效果相比,识别率提高了3%.结论 笔者提出的识别方法具有良好的学习效率和识别精度品质指标.     

核空间正交及不相关邻域保持鉴别嵌入算法

针对人脸识别中的非线性特征提取问题,基于邻域保持嵌入,提出了一组在核空间具有正交性鉴别矢量和一组在核空间具有统计不相关性鉴别矢量的计算方法.算法首先利用核的方法提取人脸图像中的非线性信息,并将其投影在一个高维非线性空间.然后在目标函数中最小化核空间类内邻域散度并最大化核空间类间邻域散度来增强算法的分类鉴别能力.最后通过...     

大型人脸库上基于局部二元模式直方图映射的快速识别

传统的基于局部二元模式(LBP)的人脸识别方法采用卡方统计度量LBP直方图间的差异,由于卡方统计度量的复杂性以及是在高维空间进行判别,此方法在大型人脸库上的识别速度低,为此提出一种LBP直方图映射(LBPHP)方法.将LBP直方图映射到保局投影(LPP)空间获取低维LBPHP特征,当判别新样本时只须比较新样本与训练样本的LBPHP特征,识别过程简单且在低维空间进行,识别速度很快.鉴于LPP强大的鉴别特性,此方法的识别率很高.在2个知名人脸库上对LBPHP方法进行实验验证,结果表明,相比于传统识别方法,LBPHP的识别速度快,尤其在大型人脸库上优势更加明显,适于在此类人脸库上的实际应用如身份认证等.     

基于孪生神经网络的小样本人脸识别

在基于深度学习的人脸识别领域中,孪生神经网络是一种解决过少样本数据降低模型性能并导致过拟合现象的有效方法.文章基于孪生神经网络提出一种引入CBAM混合域注意力机制的小样本人脸识别方法,对比实验将输出值映射为128维特征向量;采用对比损失函数,通过比较样本网络输出特征向量之间的欧氏距离来判断人脸的相似度.结果表明:在使用...     

基于相关鉴别分析和随机森林的人脸识别方法

本文研究了人脸识别应用中的"维数灾难"问题。针对经典欧式距离不能较好刻画高维空间中样本间相似性特征,我们引入了相关系数鉴别分析方法,在高维空间中,基于相关系数提取鉴别特征,实现了人脸样本的维数约简。本文实验结果表明,该方法在小规模及大规模数据集上均具有较好的性能。     

基于Kernel PCA的人脸识别算法的探讨

扼要阐明抽取二维人脸图像特征方法并进行人脸识别,结合实验结果进行分析比较主元分析和核主元分析方法的优缺点,得出核主元分析方法在人脸识别算法中误识率低,解决了维数和小样本问题,能准确快速识别人脸的结论.     

基于核映射的无相关鉴别矢量集算法

针对人脸识别这一非线性分类问题,提出了一种基于核的无相关鉴别矢量集算法。应用了支持向量机中核函数的思想,通过核映射将原空间的非线性分类问题转化为特征空间的线性分类问题,然后在特征空间进行无相关鉴别矢量集的求取。其优势在于:利用核函数不但可以将非线性问题转化为线性问题,而且可以提取样本图像的高阶统计特征。在ORL人脸库中的测试结果表明,与传统的全局正交鉴别矢量集算法及传统的无相关鉴别矢量集算法相比,基于核映射的无相关鉴别矢量集算法有更高的识别率,最高识别率可达到99%。     

LLE与核Fisher判别分析结合的人脸识别研究

针对人脸识别问题提出了将LLE与核Fisher相结合的识别方法LLEKF,先应用LLE方法将样本和待测试的人脸图像集降低到一定维数,再利用核Fisher判别法通过选择合适的核函数,确定最优参数,对降维后的样本图像进行训练,并对降维后的人脸图像进行分类.实验证明,利用LLE低维嵌入后的数据能够更好地保持原人脸数据的非线性特征,并降低特征提取的时间,再经过核Fisher进行分类,明显提高了分类的效率.     

基于DNA微阵列数据的特征子空间集成分类

针对DNA微阵列数据应用于临床诊断时分类准确率过低的问题,结合其高维小样本的特点提出了一种特征子空间集成分类方法。该方法首先通过层次聚类与信噪比特征选择策略将原始训练数据集映射到一个非冗余的特征基因空间,然后随机抽取一些特征子空间构成训练子集并应用支持向量机训练基分类器,最后采用多数投票的方式决定测试样本的类属。最后在4个标准的微阵列数据集上与其他方法进行了对比实验,结果证明了本文方法的有效性。     

零空间边界Fisher分析法及其在人脸识别中的应用

边界Fisher分析（MFA）是一种有效的特征抽取方法,但在人脸识别的应用中会遭遇小样本问题。基于此,提出一种利用零空间法求解MFA优化准则的算法。该算法通过在MFA的类内散度矩阵的零空间中最大化MFA类问离散度得到最优投影向量,从而避免MFA方法所遇到的小样本问题,同时也保留了包含在类内散度矩阵零空间中的鉴别信息。在标准人脸库上的识别实验结果表明,该算法的识别率高于LDA和MFA,并且较容易选择其最优低维特征空间的维数。     

基于仿生模式识别的非特定人连续语音识别的研究

仿生模式识别基本原理应用到非特定人连续语音识别中，在构建语音模型时，将高维空间点覆盖的理论应用到非特定人的连续语音识别的学习过程中，在识别时，采用高维空间覆盖动态搜索的方法，对连续语音进行动态搜索，这样就可以避免因分割错误而带来的错误识别．通过实验得到了较为满意的识别结果。     

一种提高雷达HRRP识别和拒判性能的新方法

在支持向量域描述的基础上,提出了多核支持向量域描述．针对支持向量域描述核函数形式过于简单的缺点,将支持向量域描述由单个高斯核扩展为多个高斯核线性组合的形式．扩展后的多核支持向量域描述方法可以表述为半正定规划问题,因此可以收敛到全局最优解．新方法采用了更加复杂的核函数形式,能够更加灵活地描述训练样本在高维特征空间的边界分布情况,从而获得了比支持向量域描述更高的识别率和更低的虚警率．     

空间约束半监督高斯过程下的高光谱图像分类

针对高光谱遥感图像分类中带标记训练样本较少、导致分类正确率偏低的问题,提出用于高光谱图像分类的空间约束半监督高斯过程方法.由于高光谱图像的特征空间满足流形分布假设,大量未标记样本可以使数据空间变得更加稠密,从而有助于更加准确地刻画局部空间特性,提高分类的精度和普适性.通过对高斯过程模型中的核函数施加空间近邻约束,建立未标记样本与带标记样本之间的空间联系.该半监督高斯过程分类器不仅可以提升高光谱遥感图像的分类性能,而且构造简单,实现方便.实验结果表明,在仅有少量带标记的训练样本情况下,半监督高斯过程分类方法对高光谱图像有较高的分类精度和稳定性.     

一种适用于数据流分类的特征选择方法

数据流环境下的高维、属性冗余、含噪音等问题是经常且可能同时存在的,在一定程度上影响了数据流的分类效果.为改善这一现状,提出一种快速、有效的数据流特征选择方法.引入统计指标IV（information value）值作为特征重要度的评价标准,在此基础上依据经验阈值来进行特征选择,从而解决了传统特征选择方法时空效率不高、区分度不明显、难以应用数据流的问题.实验结果表明:FS-IV具有较小的时间开销和较好的抗噪性能,该方法与已有的数据流分类模型相结合,在保证分类精度可比的情况下,能显著提高时空性能.     

智能环境下基于核相关权重鉴别分析算法的多特征融合人脸识别

针对智能会议环境下基于单模特征的人脸识别的识别率低、鲁棒性差的问题,提出了一种在智能会议室环境下基于核相关权重鉴别分析(KRWDA)算法的融合全局和局部特征的多特征融合人脸识别方法。基于相关权重鉴别分析算法并结合核方法,提出了一种核相关权重鉴别分析算法,有效解决了小样本问题。利用全局特征和局部特征在识别时所描述的内容和作用的互补性在特征层融合两种特征,全局信息和局部信息分别采用离散余弦变换和Ga-bor小波变换提取。在AMIES2016数据库上的仿真实验表明,本文所提出的方法可以有效地提高系统身份识别的正确率。     

核最优变换与聚类中心的算法

基于核化原理,提出核最优变换与聚类中心算法．算法通过非线性变换,将数据映射到核空间,并在核空间中执行最优变换与聚类中心算法．该算法可提取稳健的非线性鉴别特征,解决复杂分布数据的模式分类问题．同时,基于训练样本在核空间所张成的子空间的一组基,提出一个快速提取鉴别特征的计算方法,解决了一般核方法面临的“大训练集”难题．基于IRIS,YEAST,GLASS等数据的分类实验验证了该方法的有效性．     

基于改进Fisher准则的深度卷积神经网络识别算法

为了有效利用深度学习技术自动提取特征的能力,并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题,提出了基于Fisher准则的深度学习算法.该方法在前馈传播时,采用卷积神经网络自动提取图像的结构信息等特征,同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数,降低了模型复杂度;在反向传播权值调整时,采用了基于Fisher的约束准则.在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小,类间距离大,从而使权值能更加快速地逼近有利于分类的最优值,当样本量不足或训练迭代次数不多时可有效地提高系统的识别率.大量的实验结果证明:该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果.