|
1.
|
一种改进的线性判别分析算法在人脸识别中的应用
|
|
|
|
|
|
|
刘忠宝《计算机工程与科学》,2011年第33卷第7期
|
|
|
线性判别分析算法是一种经典的特征提取方法,但其仅在大样本情况下适用。本文针对传统线性判别分析算法面临的小样本问题和秩限制问题,提出了一种改进的线性判别分析算法ILDA。该方法在矩阵指数的基础上,重新定义了类内离散度矩阵和类间离散度矩阵,有效地同时提取类内离散度矩阵零空间和非零空间中的信息。若干人脸数据库上的比较实验表明了ILDA在人脸识别方面的有效性。
|
|
2.
|
基于DCT的改进零空间人脸识别算法
|
|
|
|
|
|
|
赵传强 王汇源 吴晓娟《电子与信息学报》,2008年第30卷第7期
|
|
|
线性判别分析(LDA)是一种较为普遍的线性特征提取方法,它的主要缺点是在应用时经常遇到小样本问题,同时其准则函数并不与识别率直接相关.该文提出一种基于DCT的改进零空间LDA方法,能够解决以上两个问题.首先,通过使用DCT代替"像素聚类"并重新定义类间散布矩阵,得到一种新的零空间法.然后将这种方法与F-LDA结合起来得到一种新的对人脸识别更有效的特征提取方法,实验证明这种方法能得到较好的识别率.
|
|
3.
|
结合零空间法和F-LDA的人脸识别算法 被引次数：1
|
|
|
|
|
|
|
王增锋 王汇源 冷严《计算机应用》,2005年第25卷第11期
|
|
|
线性判别分析（LDA）是一种常用的线性特征提取方法。传统LDA应用于人脸识别时主要存在两个问题：1）小样本问题，即由于训练样本不足引起矩阵奇异； 2)优化准则函数并不直接与识别率相关。提出了一种新的能同时解决以上两个问题的基于LDA的人脸识别算法。首先，通过重新定义样本的类内散布矩阵和类间散布矩阵，提出了一种新的零空间法。然后把这种新的零空间法与F LDA（Fractional LDA）算法相结合，得到一种对人脸识别更有效的特征提取方法。实验结果表明，这种新算法具有较高的识别率。
|
|
4.
|
多阶矩阵组合LDA及其在人脸识别中的应用
|
|
|
|
|
|
|
刘忠宝 王士同《计算机工程与应用》,2011年第47卷第12期
|
|
|
线性判别分析(LDA)是一种普遍用于特征提取的线性分类方法。但将LDA直接用于人脸识别会遇到小样本问题和秩限制问题。为了解决以上问题,提出一种基于多阶矩阵组合的LDA算法——MLDA。该算法重新定义了传统LDA中的类内离散度矩阵Sw,使传统Fisher准则具有更好的健壮性和适应性。若干人脸数据库上的比较实验证明了MLDA的有效性。
|
|
5.
|
基于线性判别分析的加权零空间算法及在人脸识别中的应用 被引次数：4
|
|
|
|
|
|
|
张玉华 王欣《山东大学学报(工学版)》,2009年第39卷第6期
|
|
|
线性判别分析(LDA)用于人脸识别时,存在因训练样本不足引起类内散布矩阵奇异的小样本问题.基于LDA的传统零空间方法首先去掉总体散布矩阵的零空间进行降维,可以避免小样本问题.提出了一种加权零空间特征提取方法,并对加权系数进行了讨论.在人脸数据库上的实验结果验证了其有效性.
|
|
6.
|
一种可调控制参数的LDA人脸识别算法
|
|
|
|
|
|
|
曾岳 冯大政《计算机与现代化》,2010年第12期
|
|
|
线性判别分析（LDA）方法进行高维的人脸识别时,经常会遇到小样本问题（SSS）和边缘类重叠问题。本文提出一种新的LDA方法,重新定义类内离散度矩阵,利用参数来权衡其特征值估计的偏差和方差,以解决小样本问题;对类间离散矩阵加权,让边缘类均匀分布,防止边缘类的重叠,以提高识别率。大量的实验已经证明该方法能根据小样本问题的严重度调控参数以达到最高识别率,比传统的方法更优。
|
|
7.
|
基于优化的LDA算法人脸识别研究 被引次数：2
|
|
|
|
|
|
|
庄哲民 张阿妞 李芬兰《电子与信息学报》,2007年第29卷第9期
|
|
|
提取低维人脸特征是人脸识别系统中极其关键的一步.线性判别分析(LDA)是一种较为普遍的用于特征提取的线性分类方法.本文提出了一种优化的LDA算法,该方法克服了传统的LDA算法用于人脸识别时存在的问题:通过重新定义样本类间离散度矩阵使传统的Fisher准则能够最优化,克服了边缘类对选择最佳投影方向的影响;同时,利用因数分解的方法避免了对矩阵求逆,解决了小样本问题.依据经验选取适当的e值,得到最佳的识别效果.实验结果表明,人脸识别效果优于传统LDA方法.
|
|
8.
|
一种相似子空间嵌入算法
|
|
|
|
|
|
|
钱文光 李会民《山东大学学报(工学版)》,2018年第1期
|
|
|
通过对经典的线性判别分析(Linear Discriminant Analysis,LDA)及最大边界准则(Maximum Margin Criterion,MMC)方法的分析,提出一种类内子空间深入学习的监督降维方法——相似子空间嵌入(Similarity Subspace Embedding,SSE),对类内离散度矩阵进行深入学习,得到每类的类内离散度子空间,通过对所有类内离散度子空间的学习,获得信息更为丰富的类间离散度矩阵,进而得到更好的低维空间。与MMC方法相比,SSE方法对类内数据学习更充分,同时避免了LDA方法存在的小样本问题。在AR人脸图像、Coil数据集及手写体上的试验结果表明,与其它三种相关的经典方法相比,SSE方法具有较高的识别率,说明了该方法的有效性。
|
|
9.
|
基于直接LDA的人脸识别方法研究 被引次数：1
|
|
|
|
|
|
|
闫芳 林小竹 刘家彬《北京石油化工学院学报》,2011年第19卷第2期
|
|
|
为了研究加权的类间离散度矩阵对人脸识别率的影响以及寻找影响识别率的因素,分别采用零空间投影法和非零空间投影法直接求解Fisher准则线性判别问题。零空间投影保留最具判别能力的样本类内离散度矩阵的零空间,非零空间投影保留样本类间离散度矩阵的非零空间,两种方法都很好地避免了高维小样本问题。通过对Yale人脸库的图像进行试验,结果表明类内离散度矩阵的零空间投影法要优于类间离散度矩阵的非零空间投影法,而加权值修正对识别率的影响并不明显,它的应用是有一定前提条件的。
|
|
10.
|
基于对称线性判别分析算法的人脸识别
|
|
|
|
|
|
|
王伟 张明《计算机应用》,2009年第29卷第12期
|
|
|
小样本问题的存在使得类内离散度矩阵为奇异阵,因此求解线性判别分析(LDA)算法的广义特征方程存在病态奇异问题.为解决此问题,在已有算法的基础上,引入镜像图像来扩大样本容量,并采用 S_w零空间的方法求得Fisher准则函数的最优解.通过在ORL和Yale标准人脸库上的实验结果表明,人脸识别效果优于传统LDA方法、独立成分分析(ICA)方法以及二维对称主成分分析(2DSPCA)方法.
|
|
11.
|
基于多尺度自适应LDA的人脸识别方法
|
|
|
|
|
|
|
张健 肖迪《计算机工程与设计》,2012年第33卷第1期
|
|
|
在人脸提取特征时,线性判别分析(LDA)方法受到光照、姿态等因素引起的高频部分影响较大,忽视了可能含有重要鉴别能力的低频信息.同时,人脸识别属于小样本问题,会使类内散布矩阵发生严重退化.针对以上两个问题,提出了一种基于多尺度自适应线性判别分析(MA-LDA)的人脸识别方法,并在ORL和Yale人脸库中进行了验证.MATLAB编程实验结果表明,该方法比传统方法有更好的性能.
|
|
12.
|
类依赖的线性判别分析
|
|
|
|
|
|
|
陈晓红 陈松灿《小型微型计算机系统》,2008年第29卷第5期
|
|
|
线性判别分析(LDA)是一种常用的特征提取方法,其目标是提取特征后样本的类间离散度和类内离散度的比值最大,即各类样本在特征空间中有最佳的可分离性.该方法利用同一个准则将所有类的样本投影到同一个特征空间中,忽略了各类样本分布特征的差异.本文提出类依赖的线性判别方法(Class-Specific LDA,CSLDA),对每一类样本寻找最优的投影矩阵,使得投影后能够更好地把该类样本与所有其他类的样本尽可能分开,并将该方法与经验核相结合,得到经验核空间中类依赖的线性判别分析.在人工数据集和UCI数据集上的实验结果表明,在输入空间和经验核空间里均有CSLDA特征提取后的识别率高于LDA.
|
|
13.
|
一种自适应的非参数判别分析方法
|
|
|
|
|
|
|
黄亮 赵宇明《微计算机信息》,2009年第25卷第1期
|
|
|
线性判别分析(LDA)是在包括人脸识别等多个应用领域被广泛采用的降维方法.但是,由于LDA是基于各类均服从高斯分布的假设,导致其类间散度矩阵的定义会产生相邻类别的重叠问题.因此,我们提出了一种自适应的非参数判别分析方法(ANDA),此方法通过增加位于类边界附近样本点在类间散度矩阵中的权重的方法来增大不同类的相邻样本点之间的距离.本文通过在FERET以及ORL人脸库上的实验把ANDA方法与传统的PCA+LDA,Orthogonal LDA(OLDA)和非参数判剐分析(NDA)进行了比较,实验结果表明本文提出的方法优于其他方法.
|
|
14.
|
一种基于双向2DLDA特征融合的人脸识别方法 被引次数：4
|
|
|
|
|
|
|
杜海顺 柴秀丽 汪凤泉 张帆《仪器仪表学报》,2009年第30卷第9期
|
|
|
在分析2DLDA方法的基础上,给出类间离散度和类内离散度矩阵另一种形式的定义.基于这种类间离散度和类内离散度矩阵定义的二维线性判别分析方法即为扩展2DLDA方法.通过对2DLDA方法和扩展2DLDA方法提取的人脸图像特征分析可知,2DLDA提取的主要是人脸图像水平方向上的判别信息,扩展2DLDA提取的主要是人脸图像垂直方向上的判别信息.因此,称2DLDA为水平方向2DLDA,扩展2DLDA为垂直方向2DLDA.水平和垂直方向2DLDA将同一原始人脸图像映射到两个不同的特征空间,并得到互补的两类人脸图像特征.最后,设计一种特征融合方法,对这两类人脸图像特征进行融合,并将其用于人脸识别.在ORL和Yale人脸数据库上的实验结果证明,本文提出的人脸识别方法具有较高的平均识别率,鲁棒性更好.
|
|
15.
|
基于改进LDA算法的人脸识别 被引次数：1
|
|
|
|
|
|
|
齐兴敏 尹朝庆 李智博《计算机与数字工程》,2007年第35卷第8期
|
|
|
提出一种基于改进LDA的人脸识别算法,该算法克服传统LDA算法的缺点,重新定义样本类间离散度矩阵和Fisher准则,从而保留住最有辨别力的信息,增强算法的识别率.实验结果证明该算法是可行的,与传统的PCA LDA算法比较,具有较高的识别率.
|
|
16.
|
基于小波变换的优化LDA人脸特征提取
|
|
|
|
|
|
|
方杰 谭晓衡《传感器与微系统》,2012年第31卷第5期
|
|
|
运用小波进行图像分解提取低频子带图,并利用优化的线性判别分析(LDA)算法寻找最优投影子空间,从而映射提取人脸特征,实现人脸的分类识别。该方法避免了传统LDA算法中类内离散度矩阵非奇异的要求,解决了边缘类重叠问题,具有更广泛的应用空间。实验表明:该方法优于传统的LDA方法和主分量分析(PCA)方法。
|
|
17.
|
一种基于2D-PLDA和小波子带的虹膜识别算法 被引次数：1
|
|
|
|
|
|
|
王相海 董钦科《中国图象图形学报》,2011年第16卷第1期
|
|
|
近年来，基于线性判别分析(LDA)的图像模式识别方法研究越来越受到人们的关注。然而LDA方法自身存在的小样本难题，极大的影响了样本集特征矩阵的获取。研究者随后提出的2维线性分析(2D-LDA)在一定程度上解决了这个问题。在传统2D-LDA基础上，提出一种改进的2维线性分析方法——2D-PLDA，该方法通过对样本集进行预分类，使得散布矩阵更加合理；在此基础上将2D-PLDA和离散小波相结合，应用于虹膜识别中。实验结果证明，该算法在识别精度和计算复杂度等方面均较传统LDA和2D-LDA方法有很大的改进，同时采用小波的不同子带作为输入空间也在一定程度上增加了算法的鲁棒性。
|
|
18.
|
核零空间线性鉴别分析及其在人脸识别中的应用
|
|
|
|
|
|
|
《计算机学报》,2014年第11期
|
|
|
零空间线性鉴别分析NLDA充分利用样本总类内离散度矩阵的零空间信息,能有效克服线性鉴别分析LDA的小样本问题.核方法通过非线性映射,将输入空间样本映射到高维特征空间,再在高维特征空间利用线性特征提取算法.因此,核方法属于非线性特征提取算法.文中结合LDA、NLDA和核方法的优点,引入了核零空间线性鉴别分析KNLDA,导出了KNLDA算法.该算法通过引入核函数,得到低维矩阵,有效避免了直接计算复杂的非线性映射函数,解决了高维类内离散度矩阵的维数灾难问题.同时,将KNLDA算法应用于人脸识别.基于ORL人脸数据库以及ORL与Yale混合人脸数据库的实验结果表明了KNLDA算法的有效性.
|
|
19.
|
一种改进的线性判别分析算法MLDA 被引次数：1
|
|
|
|
|
|
|
刘忠宝 王士同《计算机科学》,2010年第37卷第11期
|
|
|
线性判别分析(LDA)是模式识别方法之一，已广泛应用于模式识别、数据分析等诸多领域。线性判别分析法寻找的是有效分类的方向。而当样本维数远大于样本个数(即小样本问题)时，LDA便束手无策。为有效解决线性判别分析法的小样本问题，提出了一种改进的LDA算法——MLDA。该算法将类内离散度矩阵进行标量化处理，有效地避免了对类内离散度矩阵求逆。通过实验证明MLDA在一定程度上解决了经典LDA的小样本问题。
|
|
20.
|
对人脸识别中Fisher线性判别的改进方法
|
|
|
|
|
|
|
CHENG Xing-jing FU jia-xiang《数字社区&智能家居》,2008年第27期
|
|
|
论文对传统的Fisher线性判别作了深入的分析,由于样本类间离散度矩阵不能很好的分开距离较近的样本类,为此该文又重新定义了样本类间离散度矩阵。通过改进其投影方向来减轻边缘类对特征分解的主导作用,从而提高了识别效率。
|
|
