一种正交分量辨别分析用于人脸识别的方法

线性辨别分析（LDA）特征空间的坐标轴是非正交的，并且基于LDA的分类器的性能容易受训练集变化的影响。Okada提出了一种优化正交系统，但运算量大，且增加了特征空间坐标轴的数目，影响分类器速度。本文提出一种新的正交分量辨别分析（OCDA），没有增加坐标轴的数目，并且稳定性和识别率都优于LDA。     

基于正交分量辨别分析的人脸识别方法

线性辨别分析(LDA)特征空间的坐标轴是非正交的,并且基于LDA的分类器的性能容易受训练集变化的影响.Okada[1]提出了一种优化正交系统,但运算量大,且增加了特征空间坐标轴的数目,影响分类器速度.本文提出一种新的正交分量辨别分析(OCDA),没有增加坐标轴的数目,并且稳定性和识别率都优于LDA.     

核零空间线性鉴别分析及其在人脸识别中的应用

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.     

改进的线性判别分析及人脸识别

为有效解决传统LDA（线性鉴别分析）的小样本规模问题,提出一种改进的LDA算法。首先对样本进行无损降维;然后在Fisher准则基础上,用散度矩阵差代替散度矩阵的比值,避免对类内矩阵求逆的同时也降低了计算复杂度,实现有效的特征抽取;最后实现对人脸的识别。实验结果表明,该算法是有效的,优于传统LDA方法。     

正则化双阶线性稀疏编码在人脸识别中的应用

传统的稀疏编码方法在遇到大规模数据时,因计算复杂度高而出现异常。针对这种异常导致不能很好地进行特征提取的问题,提出正则化双阶线性稀疏编码DLRSC(Double Linear Regularization Sparse Coding)方法。借助于广义多特征子空间框架来学习噪声和异常像素的结构特征,通过使用L1球理论,计算出唯一的近似解,并且利用滤波技巧避免了大规模数据的复杂计算,从而降低了时间及空间复杂度。最后,在ORL及Yale两大通用人脸数据库上的实验验证了所提的DLRSC方法的有效性,实验结果表明,相比其他几种最先进的稀疏编码方法,所提方法取得了更好的识别效果。     

基于加权Fisher准则的线性鉴别分析及人脸识别

提出了一种基于加权Fisher准则线性鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以提高样本在低维线性空间中的可分性,然后探讨了高维、奇异情况下如何降低运算量的问题,并给出了一个简单高效的算法。在ORL标准人脸库上进行测试,由该算法抽取的特征在最近邻分类器和最小距离分类器下均达到96%的正确识别率,这一结果优于经典的特征脸和Fisher脸方法在该库上的识别结果。     

基于分块二维线性鉴别分析的人脸识别

基于2DLDA方法,提出了一种基于图像分块的二维线性鉴别分析(M2DLDA)的人脸识别方法。该方法首先对原始人脸图像进行必要的预处理后进行分块,再对分块后的子图像分别采用2DLDA方法进行特征提取,最后用最小距离分类器进行识别。该方法的优点：分块后能有效的抽取人脸图像的局部特征有利于分类;降低了2DLDA方法提取的特征矩阵的维数;特征提取是基于图像矩阵的,抽取方便快速。在ORL人脸数据库上的实验结果表明：该方法在识别性能上优于2DLDA方法。     

PCA算法及其在人脸识别中的应用

线性特征提取在人脸识别中的应用非常广泛,PCA是其主要方法之一,本文详细介绍了它所基于的K-L变换原理,实现了一个基于该算法的人脸识别系统,并用ORL人脸数据进行了实验验证.实验证明该方法是基本可行的,对实际应用有一定的参考价值.     

基于部件的级联线性判别分析人脸识别

文章提出一种基于人脸部件表示的级联线性判别分析人脸识别方法。该方法将人脸图像划分为具有交叠区域的多个部件,对每个部件应用线性判别分析以寻找该部件的判别方向,然后对所有部件应用线性判别分析以寻找总体最优判别方向。以从该级联线性判别分析提取的特征作为人脸描述。在FERET人脸库上的人脸识别和人脸确认的实验结果表明,该方法优于传统的基于全局图像的Fisherface方法。     

对称LDA及其在人脸识别中的应用

线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。基于人脸的一种直观自然特性——镜像对称性,提出一种算法——对称线性鉴别分析。该算法引入镜像变换,生成镜像样本,依据奇偶分解原理,生成镜像奇、偶对称样本,并分别提取各奇偶样本的对称鉴别特征。理论分析与实验证明,该算法合理地利用了镜像样本,既扩大了样本容量,又提高了人脸识别率。     

2维异方差鉴别分析及其在人脸识别中的应用

在2维线性鉴别分析(2DLDA)的基础上.介绍了2维异方差鉴别分析(2DHDA),并将其应用于人脸识别.2DHDA算法去除了2DLDA算法样本类内协方差相等的约束,克服了异方差鉴别分析(HDA)算法的"小样本"问题.首先,根据2DLDA准则定义2DHDA准则;然后,将2DHDA准则取对数,用梯度下降法求得最优投影矩阵,人脸图像向最优投影矩阵投影提取人脸图像的特征;最后,最小距离分类器完成人脸识别.基于ORL与Yale混合人脸数据库的实验结果表明了2DHDA应用于人脸识别的有效性.     

正交判别的线性局部切空间排列的人脸识别

为了将线性局部切空间排列算法发展为有监督的学习算法,提出了一种正交判别的线性局部切空间排列算法.该算法首先利用样本数据的类别信息计算类间散度矩阵,然后再通过对原算法的目标函数进行修改来建立新的优化问题.在解出投影子空间的基础上,再通过进行正交化来得到投影的正交子空间.在两个标准人脸数据库上进行的实验表明,由于该算法使用了局部切空间来表示数据样本所在流形的局部几何结构,不仅融合了判别信息和正交化技术,并且兼顾了局部几何结构和判别结构的保持,因此提高了识别能力.     

人脸识别中基于核的子空间鉴别分析

尽管基于Fisher准则的线性鉴别分析被公认为特征抽取的有效方法之一，并被成功地用于人脸识别，但是由于光照变化、人脸表情和姿势变化，实际上的人脸图像分布是十分复杂的，因此，抽取非线性鉴别特征显得十分必要。为了能利用非线性鉴别特征进行人脸识别，提出了一种基于核的子空间鉴别分析方法。该方法首先利用核函数技术将原始样本隐式地映射到高维（甚至无穷维）特征空间；然后在高维特征空间里，利用再生核理论来建立基于广义Fisher准则的两个等价模型；最后利用正交补空间方法求得最优鉴别矢量来进行人脸识别。在ORL和NUST603两个人脸数据库上，对该方法进行了鉴别性能实验，得到了识别率分别为94％和99．58％的实验结果，这表明该方法与核组合方法的识别结果相当，且明显优于KPCA和Kernel fisherfaces方法的识别结果。     

基于零空间核判别分析的人脸识别

提取有效特征对高维数据的模式分类起着关键作用.零空间线性判别分析(null-space linear discriminant analysis,NLDA)在数据降维和特征提取上表现出较好的性能,但是该方法本质上仍是一种线性方法.为有效提取数据的非线性特征,提出了零空间核判别分析算法(null-space kernel discriminant analysis,NKDA)并将其应用于人脸识别.利用核函数将原始样本隐式地映射到高维特征空间后,采用一次瘦QR分解求核类内散布矩阵的零空间鉴别矢量集,最后再进行一次Cholesky分解求得具正交性的核空间鉴别矢量集.与NLDA相比,NKDA具有更好的识别性能且在大样本情况下也能应用.另外,基于NKDA,提出了增量NKDA算法,当增加新的训练样本时能正确地更新NKDA鉴别矢量集.在ORL库、Yale库和PIE子库上的实验结果表明了算法的有效性和效率,在有效降维的同时能进一步提高鉴别能力.     

基于核的Fisher非线性最佳鉴别分析在人脸识别中的应用

抽取最佳鉴别特征是人脸识别中的重要一步。对小样本的高维人脸图像样本,由于各种抽取非线性鉴别特征的方法均存在各自的问题,为此提出了一种求解核的Fisher非线性最佳鉴别特征的新方法,该方法首先在特征空间用类间散度阵和类内散度阵作为Fisher准则,来得到最佳非线性鉴别特征,然后针对此方法存在的病态问题,进一步在类内散度阵的零空间中求解最佳非线性鉴别矢量。基于ORL人脸数据库的实验表明,该新方法抽取的非线性最佳鉴别特征明显优于Fisher线性鉴别分析(FLDA)的线性特征和广义鉴别分析(GDA)的非线性特征。     

基于核的Foley-Sammon鉴别分析与人脸识别

通过建立基于核的Foley-Sammon鉴别分析(KFSDA)的两个等价模型,并分析这两个等价模型的解之间的关系,从理论上给出KFSDA模型的具体求解方法．分析表明,基于核的Foley-Sammon鉴别分析保留了FSDA能明显降低样本特征之间冗余信息的优点,更重要的是该方法能够有效地抽取样本的非线性特征,是对FSDA的进一步拓展．在ORL标准人脸库上的实验结果验证了文中方法的有效性．     

人脸识别中多目标最优不相关图像鉴别分析研究

考虑图像投影鉴别分析问题,为提高特征抽取的速度和识别率,利用图像矩阵直接构造图像散布矩阵,在具有统计不相关的条件下将Foley-Sammon鉴别分析(FSLDA)转化为两目标约束优化问题,并给出了有效投影向量的概念;根据多目标优化的最优性条件可将求取有效投影向量的问题归结为求广义特征方程的最大特征值对应的特征向量,并据此进行特征抽取,进而提出了两目标最优图像投影鉴别分析方法。与其他鉴别投影分析方法相比,该方法具有以下特点:(1)可直接由图像矩阵构建散布矩阵;(2)有效投影向量具有统计不相关性;(3)训练样本的类内散布矩阵不必为可逆的,也不需要求某种形式矩阵的逆。在ORL标准人脸库和NUST603人脸库上的试验结果表明,上述图像投影鉴别分析方法在识别性能上较以往的方法有一定的提高,尤其是特征抽取的速度有明显的提高。     

张量局部Fisher判别分析的人脸识别

子空间特征提取是人脸识别中的关键技术之一,结合局部Fisher判别分析技术和张量子空间分析技术的优点, 本文提出了一种新的张量局部Fisher判别分析(Tensor local Fisher discriminant analysis, TLFDA)子空间降维技术. 首先,通过对局部Fisher判别技术进行分析,调整了其类间散度目标泛函, 使算法的识别性能更高且时间复杂度更低;其次,引入张量型降维技术对输入数据进行双边投影变换而非单边投影, 获得了更高的数据压缩率;最后,采用迭代更新的方法计算最优的变换矩阵.通过ORL和PIE两个人脸库验证了所提算法的有效性.     

基于核化图嵌入的最佳鉴别分析与人脸识别

将压缩映射和同构映射引入核化图嵌入框架(kernel extension of graph embedding,简称KGE),从理论上证明了KGE框架内的各种核算法其实质是KPCA(kernel principal component analysis)+LGE(linear extension of graph embedding,简称LGE)框架内的线性降维算法,并且基于所给出的理论框架提出了一种综合利用零空间和非零空间鉴别信息的组合方法.任何一种可以用核化图嵌入框架描述的核算法,都可以有相应的组合方法.在ORL,Yale,FERET和PIE人脸数据库上验证了所提出的理论和方法的有效性.     

最大散度差鉴别分析及人脸识别

传统的Fisher线性鉴别分析(LDA)在人脸等高维图像识别应用中不可避免地遇到小样本问题。提出一种基于散度差准则的鉴别分析方法。与LDA方法不同的是,该方法利用样本模式的类间散布与类内散布之差而不是它们的比作为鉴别准则,这样,从根本上避免了类内散布矩阵奇异带来的困难。在ORL人脸数据库和AR人脸数据库上的实验结果验证算法的有效性。