核不相关空间算法及其在人脸识别中的应用

不相关空间算法是求解不相关鉴别矢量集的快速算法,但是将其应用在人脸识别中将遇到小样本问题,并且算法只是一种线性的特征提取方法。该文提出一种核不相关空间算法,该方法的关键是高维特征空间中不相关空间的计算,对此提出一种简单的计算方法,即根据eigenface中将高阶矩阵计算转化成低阶矩阵计算的思想,将高维特征空间中不相关空间的计算仍归结为标准的特征值分解问题。所提出的算法能够有效地解决小样本问题。在ORL人脸库上的实验结果验证了所提出的算法的可行性和有效性。     

直接正交鉴别保局投影算法

针对保局投影(LPP)及其衍生出的算法在人脸识别时须先采用主成分分析(PCA)算法对高维样本降维后才能应用,本文基于正交鉴别保局投影(ODLPP,orthogonal discriminal locality pre-serving projection)算法,提出了一种直接ODLPP(DODLPP)算法,利用拉普拉斯矩阵性质进行了相应的矩阵分解,可直接从高维样本的原始空间中提取投影矩阵。为解决ODLPP算法的小样本问题,给出先求解局部类内散度矩阵的零空间,然后再最大化类间散度矩阵的求解思路。人脸库上的实验结果表明所提算法的有效性。     

基于两空间核鉴别分析的人脸识别

指出了几种线性鉴别分析方法在处理小样本人脸识别问题时存在的不足,结合核方法的思想,提出了一种基于两空间核鉴别分析的人脸识别方法.首先使用KPCA方法在核变换后的特征空间中对样本进行处理;进面将变换后的类内散布矩阵分成非零空间和零空间进行鉴别向量确定和鉴别特征提取,最后将得到的两种鉴别特征融合,从而使用最近邻法进行分类....     

无参数直接正交判别局部差异投影分析算法

针对有监督局部结构和差异投影(SLSDP,supervise d local structure and diversity projection)的特征提取算法在构造差异系数 时没有利用样本类别信息且 其性能易受参数设置影响的问题,提出一种无参数直接正交判别局部差异投影分析(PFDODLD PA,parameter-free direct orthogonal discriminant local diversity projection ana lysis)算法。算法采用样本的余弦距离构造权值,能够动态获取样本的近邻点因而无需参数 设置,同时其差异权值计算公式采用了样本的类别信息,因此是 一种有监督的特征提取算法。对于算法的求解,为了解决小样本问题,给出了一种直接求解 的计算方法,利用 拉普拉斯矩阵的性质进行了相应的矩阵分解,可直接从高维样本的原始空间中求出正交投影 矩阵。在ORL和AR人脸 库上的实验结果表明,所提方法比原算法明显有效,最好识别率可分别提高2.3%和1.31%,说明所提方法是可行的。     

基于有监督的核局部线性嵌入的人脸性别识别

流形学习方法可以有效地发现存在于高维图像空间的低维子流形并进行维数约简,但它是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,而且流形学习方法大多没有明晰的投影矩阵,很难直接对新样本进行维数约简.针对这两个问题,提出一种新的有监督的核局部线性嵌入算法(SKLLE,supervised kernel local linear embedding).该算法通过非线性核映射将人脸样本投影到高维核特征空间,然后将人脸局部流形的结构信息和样本的类别信息进行有效地结合进行维数约简,提取低维鉴别流形特征用于分类.SKLLE算法不仅能发现嵌入于高维人脸图像的低维子流形,而且增强了局部类间的联系,同时对新样本有较好的泛化性,实验结果表明该算法能有效的提高人脸性别识别的性能.     

双辨别子空间高分辨距离像雷达目标识别

针对飞机目标的分类问题,提出了一种双辨别子空间高分辨距离像雷达目标识别方法.该方法首先依据Fisher准则导出距离像总散布矩阵的零空间中不含有辨别信息的结论,利用这一结论,对类间和类内散布矩阵进行预降维,降低了后续计算的复杂度.从全局的角度出发,基于类内散布矩阵零空间与非零空间所包含的辨别信息分别建立辨别子空间,实现对目标的特征提取.对ISAR实测飞机数据进行了分类,并与经典子空间方法进行比较,结果表明所提算法有效改善了目标识别性能.     

基于完备模糊Fisher的特征提取方法

为了更好地进行鉴别特征提取,一个完备模糊Fisher特征提取方法被提了出来,它在充分利用样本分布信息的基础上,重新定义了模糊类间散布矩阵和模糊类内散布矩阵;完备模糊Fisher方法考虑了模糊类内散布矩阵的奇异性,通过分别提取模糊类内散布矩阵的零空间和非零空间的鉴别信息,得到样本所有的鉴别信息。在Yale人脸库上的实验结果证明了该方法的有效性。     

基于正交指数局部保留投影的高光谱图像特征提取

针对高光谱图像,在判别局部保留投影(Discri minant Locality Preserving Projection,DLPP)的基 础上,提出了一种名为正交指数判别局部保留投影(Orthogonal Exponential Discriminan t Locality Preserving Projection,OEDLPP)的特征提取方法。该算法不但保留了DLPP算法的有监督特性,还利用 了指数矩阵(the matrix exponential)来获取更有效的样本信息,避免了小样本问题。同时,OEDLPP 对投影矩阵进行 施密特正交化,解决了特征的冗余性问题。应用OEDLPP算法对高光谱图像进行特征提取后, 并采用支持 向量机(SVM)对降维后的数据进行分类。与主成分分析(PCA)、局部保留投影(LPP)、 判别局部保 留投影(DLPP)、指数判别局部保留投影(EDLPP)、正交判别局部保留投影(ODLPP)等对 比实验结 果表明,本文算法对样本有效信息的获取具有一定的优越性,分类精度提升了2%~3%左右。     

一种基于复数域中二维特征提取的人脸识别方法

该文提出了一种新的基于复数域中的二维特征提取方法进行人脸识别。该方法首先对人脸样本进行镜像变换,根据原始人脸样本和相应的镜像样本分别计算偶对称样本和奇对称样本,通过奇偶加权因子将偶对称样本与奇对称样本组成复数样本,然后在复数域中分别定义复图像类内散布矩阵和复图像类间散布矩阵,并求解一组最优复投影轴,将复人脸样本投影到这组最优复投影轴上来提取人脸特征,最后采用最近邻距离分类器来分类所提取的特征。该方法在NUST603人脸图像库中进行了实验,实验结果表明该方法获得了较好的识别效果。     

自适应通用学习框架改进FLDA的人脸识别

针对传统的Fisher线性判别分析(FLDA)算法在处理单训练样本人脸识别时由于类内散布矩阵为零而不能进行特征提取的问题,提出了一种基于自适应通用学习框架改进FLDA的人脸识别算法。首先选取一个合适的通用训练样本集,计算其类内散布矩阵和样本平均向量;然后,利用双线性表示算法预测单训练样本的类内、类间散布矩阵,巧妙地解决了单训练样本类内散布矩阵为零的问题;最后,利用Fisher线性判别分析进行特征提取,同时借助于最近邻分类器完成人脸的识别。在Yale及FERET两大通用人脸数据库上的实验验证了所提算法的有效性及可靠性,实验结果表明,相比其他几种较为先进的单样本人脸识别算法,所提算法取得了更好的识别效果。     

融合复小波与零空间判别投射的人脸识别方法

提出一种新颖的零空间判别投射(NDPE)的子空间人脸识别方法。基于局部保持映射(LPP)和非参数判别分析方法,NDPF能够同时编码人脸数据流形的几何和判别结构,并且通过在零空间中求解特征值来克服小样本尺寸问题。为进一步提高人脸识别的准确率,提出融合双树复小波变换(DTCWT)与NDPE的方法。实验结果表明,所提人脸识别方法在ORL、Yale和AR人脸数据库上均取得了较高的识别率。     

Locality preserving projection based on Euler representation

Locality preserving projection (LPP) is a widely used linear dimensionality reduction method, which preserves the locality structure of the original data. Motivated by the fact that kernel technique can capture nonlinear similarity of features and help to improve separability between nearby data points, this paper proposes locality preserving projection model based on Euler representation (named as ELPP). This model first projects the data into a complex space with Euler representation, then learns the dimensionality reduction projection with preserving locality structure in this complex space. We also extend ELPP to F-ELPP by replacing the squared F-norm with F-norm, which will weaken the exaggerated errors and be more robustness to outliers. The optimization algorithms of the two models are given, and the convergence of F-ELPP is proved. A large number of experiments on several public databases have demonstrated that the two proposed models have good robustness and feature extraction ability.     

基于核的正交局部保持投影的人脸识别

针对发掘人脸图像中的高维非线性结构,本文将加核及向量间相互正交两种思想同时引入局部保留投影算法中,提出了一种新的基于核的正交局部保持投影(Kernel based Orthogonal Locality Preserving Projections, KOLPP)的非线性子空间人脸识别算法并给出了其推导过程。该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,在保证各向量正交的同时,通过局部保持投影算法做一线性映射,从而更好地提取人脸非线性局部邻域结构特征。在ORL和Yale人脸库上的试验证明了该文所提算法的有效性。     

核稀疏保持投影及生物特征识别应用

稀疏表示系数包含较强的鉴别信息,稀疏保持投影(Sparsity Preserving Projections,SPP)利用稀疏表示系数进行特征提取.本文通过核方法获取高维特征空间的核稀疏表示系数,并利用核稀疏表示系数构造邻接矩阵,提出核稀疏保持投影(Kernel Sparsity Preserving Projections,KSPP).核稀疏表示系数比稀疏表示系数包含更强的鉴别信息,因此KSPP可以比SPP提取更有效的鉴别特征.在多个数据库上的生物特征识别实验,KSPP都取得了不错的实验结果.     

一种改进的局部保持投影高光谱特征提取算法

局部保持投影算法仅能保持近邻样本的局部结构,无法保证提取的特征有利于后续分类识别。为此,提出一种半监督保持投影特征提取算法。SPP算法能够利用标记样本所携带的类别信息来约束未标记样本,从而提高样本的可分性;同时,还在目标函数中加入一正则项,避免了因矩阵奇异导致算法无法求解的问题。利用实际高光谱数据进行对比实验,结果表明,用SPP算法进行特征提取后的分类精度较LPP算法有显著提升,验证了它的有效性。     

基于局部保持投影和核直接判别分析的掌纹识别

为了提高识别性能,提出运用局部保持投影(LPP)和核直接判别分析(KDDA)相结合的方法进行掌纹识别.在小样本图像识别中,为了解决特征方程矩阵的奇异性,首先运用图像下抽样降低掌纹空间的维数,然后应用LPP提取掌纹局部结构特征作为KDDA的输入提取分类特征,计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库,...     

一种应用于小样本人脸识别的2DLPP算法

LPP是一种局部特征提取算法,被广泛应用于模式识别中,然而在人脸识别中会遭遇小样本问题,为解决这个问题,提出了一种应用于人脸识别的二维LPP算法,直接对图像矩阵进行特征提取,既解决了传统LPP算法的小样本问题,又加快了特征提取速度.YALE人脸库和Extended Yale B人脸库上的实验结果表明2DPP具有较高的识别率,对光照、姿态的变化具有一定的鲁棒性.