基于稀疏重构的判别分析

为了解决现有判别分析算法对残缺和遮挡等外部干扰比较敏感的问题,从局部稀疏表示的角度,提出一种基于稀疏重构的判别分析(SDA)降维算法。该算法首先利用稀疏表示完成各个类内局部稀疏重构,然后通过非所在类内的样本均值完成各样本的类间局部稀疏重构,最后在降维过程中保持类间和类内的稀疏重构信息之比。在AR和UMIST人脸库人脸数据集上的实验结果表明,与基于图优化的Fisher分析(GbFA)算法和基于重构判别分析(RDA)算法相比,该算法提高了基于近邻分类的最高识别准确率2%~10%。     

稀疏判别分析

针对流形嵌入降维方法中在高维空间构建近邻图无益于后续工作,以及不容易给近邻大小和热核参数赋合适值的问题,提出一种稀疏判别分析算法（SEDA）。首先使用稀疏表示构建稀疏图保持数据的全局信息和几何结构,以克服流形嵌入方法的不足;其次,将稀疏保持作为正则化项使用Fisher判别准则,能够得到最优的投影。在一组高维数据集上的实验结果表明,SEDA是非常有效的半监督降维方法。     

基于图嵌入正则化的人脸线性判别分析

提出一种基于图嵌入正则化的人脸线性判别分析方法。构造非监督最优类可分准则,基于图嵌入理论,求解该最优类可分准则下的最优投影向量,在非监督的图嵌入框架下利用样本局部类别信息提高人脸识别率,降低矩阵计算复杂度。在典型的人脸数据库上的实验证明了该方法的有效性。     

人脸识别中线性判别分析的单参数正则化方法

将线性判别分析(LDA)应用于人脸识别中时,小样本问题常常出现,即,通常可获得的人脸训练样本个数远小于训练样本的维数,从而导致类内散布矩阵Sw奇异,于是得到病态的特征值问题.使用数学工具探讨了这一现象的实质.此外,提出了一种单参数正则化方法来解决小样本问题,该方法以满足tr(S'w)=tr(Sw)为条件,用一个可逆矩阵S'w去估计奇异的类内散布矩阵Sw.在使用小波变换对人脸像降维预处理后进行了该方法与传统LDA的对比实验.实验表明,该方法可大幅提高LDA的识别性能.     

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。     

最大边际近邻线性判别分析

线性判别分析是特征提取的重要方法之一,但是定义散布矩阵时,容易产生误差导致数据分类不明确.提出一种新的子空间学习方法,最大边际近邻元判别分析方法,依据近邻元准则将数据样本投影到该子空间内并重新定义散布矩阵,从而构造新的目标函数.克服了传统的定义形式对于两类或多类的类别均值之间距离值相近时难以区分导致数据样本之间重叠或部分交叉的缺点,并解决了其本身具有的小样本问题.在标准的人脸数据库上进行试验,证明了所提方法的有效性.     

基于稀疏表示的快速l2范数人脸识别方法

多数稀疏表示方法需要原子数目远远大于原子维数的大规模冗余字典,并采用l1-范数最小化方法来计算稀疏系数。为了降低算法复杂度,本文提出一种基于稀疏表示的快速l2-范数人脸识别方法。通过提取融合特征和缩小字典规模来改善字典结构,增强l2-范数的稀疏性,从而在保证识别性能的前提下大幅提高算法运行速度。实验表明,与其他稀疏表示方法相比,本文方法可以显著降低算法复杂度,同时可以保持良好的人脸识别率和排除干扰人脸的能力。     

权值正交重构判别分析算法

重构判别分析(Reconstructive Discriminant Analysis, RDA)算法未考虑线性子空间距离不同,导致较差的子空间数据结构保持能力,并且RDA算法是非正交的,给数据重构带来困难。针对这些不足,提出一种权值正交重构判别分析(Weighted Orthogonal Reconstructive Discriminant Analysis, WORDA)算法,该算法首先针对线性子空间距离不同引入线性子空间权值矩阵,以提高子空间数据结构保持能力;又在投影过程加上正交约束克服测度扭曲问题,获得更好的子空间投影。在ORL、Yale、AR和FERET人脸库上大量实验验证了该算法的有效性。     

监督型稀疏保持投影

稀疏保持投影（SPP）是最近提出的一种无监督降维方法,因此无法利用标号数据提供的监督信息。为此,对SPP进行了扩展,给出了两种监督型稀疏保持投影算法：基于稀疏保持的判别分析（SPP+LDA）和监督稀疏保持投影（S2PP）。前者通过在SPP变换的子空间内进行线性判别分析（LDA）达到利用数据间稀疏重建关系和监督信息的目的;后者借助数据标号直接修正SPP构建的稀疏重建图在SPP中自然地融入监督信息。分析了两种算法的优缺点,在两个常用的人脸数据集（Yale和AR）上验证了两者的可行性及有效性。     

一种用于人脸识别的图优化线性判别分析算法

提出一个面向人脸识别的基于图优化的线性判别分析降维算法。该算法首先定义同类性的关联邻接矩阵和异类性的互斥邻接矩阵;然后以两个邻接矩阵作为作用因子分别建立两种不同样本之间的权值矩阵;最后通过这两个度量权值矩阵的相关投影完成数据的降维。在Yale、YaleB和UMIST人脸库的实验验证了该算法的有效性。     

基于PCA和LDA统一化原理的增强型线性鉴别分析准则

主分量分析(PCA)和线性鉴别分析(LDA)是模式识别领域的使用最为广泛的两种特征抽取方法,而在图像识别中经常采用的是PCA LDA方法来代替单纯的LDA。本文提出一种增强型线性鉴别准则(ELDA),将PCA的优点和LDA的优点充分地融合在一起,不仅解决了PCA过程中使用最小距离方法时识别精度相对低的缺点,而且解决了LDA过程中当类内散布矩阵奇异时投影向量的求解问题,也就是说可以使用该方法来替代PCA LDA的两步骤方法。另外,该方法在识别精度上比PCA和LDA或PCA LDA方法都有较大的提高,通过在ORL、Yale和NUST603人脸库上的实验验证了该算法的有效性。     

小样本情况下Fisher线性鉴别分析的理论及其验证

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。近几年,在小样本情况下如何抽取F isher最优鉴别特征一直是许多研究者关心的问题。本文应用投影变换和同构变换的原理,从理论上解决了小样本情况下最优鉴别矢量的求解问题,即最优鉴别矢量可在一个低维空间里求得;给出了特征抽取模型,并给出求解模型的PPCA+LDA算法;在ORL人脸库3种分辨率灰度图像上进行实验。实验结果表明,PPCA+LDA算法抽取的鉴别向量有较强的特征抽取能力,在普通的最小距离分类器下能达到较高的正确识别率,而且识别结果十分稳定。     

优化线性辨别分析在人脸识别中的应用(英文)

国内外学者研究发现,类间方差最大化的方向与类内方差最大化的方向之间的角度对传统的线性辨别分析方法的准确性影响显著,并且,当这两个方向平行的时候,传统的线性方法往往不能得到很好的结果。经过的研究和实验,发现传统线性方法的准确性与类间方差和类内方差之间的角度没有直接的决定关系,它的最大问题在于线性地对类间方差和类内方差的加和不能完全保留类别之间的辨别信息。提出了一种优化的线性辨别分析的方法(OLDA)来解决这个问题。首先,引入了辨别能量的概念,能够给任意两个类之间的辨别信息赋予同样的权重;其次,引入了一种梯度下降的算法来计算最终的判别向量,并且加速迭代算子的引入能够更加有效地解决运算复杂度的问题。最后,为了解决非线性问题,预先的聚类算法能够将非线性问题转化成为线性问题,从而使数据集能够被有效地分辨出来。采用了一个人脸数据集和一个虚拟数据集进行了实现,实验结果表明提出的优化辨别分析的方法能够有效地解决数据集的分类问题。     

基于线性判别分析和自适应K近邻法的手势识别

基于小容量数据集的手势识别是人机交互技术研究中的一个重要课题。本文提出了一种基于线性判别分析和自适应K近邻法的手势识别方法。首先,应用高斯背景建模方法从包含目 标交互者的训练视频集中提取各类手型图像,并调整到相同尺度来构建手势训练集。然后,通过改进的线性判别分析对训练数据进行特征提取。最后提出一种自适应K近邻法对实时交互过程中得到的手型信息进行分类和识别。应用上述方法自建小型手势库进行实验和比较分析,结果显示与现有的手势识别算法相比,本文方法具有更高的识别率。     

基于稀疏约束判别分析的说话人识别算法

在噪音环境下,传统说话人识别特征参数的性能会大幅降低。针对该问题,提出一种说话人特征提取方法,将线性判别分析加上稀疏性的约束,并采用梯度下降的优化方法得出相应算法。实验结果表明,该方法不仅在纯净语音的情况下具有较好的鲁棒性,对含有噪音的语音也有较高的识别率。     

Fisher线性鉴别分析的理论研究及其应用

Fisher线性鉴别分析已成为特征抽取的最为有效的方法之一.但是在高维、小样本情况下如何抽取Fisher最优鉴别特征仍是一个困难的、至今没有彻底解决的问题.文中引入压缩映射和同构映射的思想,从理论上巧妙地解决了高维、奇异情况下最优鉴别矢量集的求解问题,而且该方法求解最优鉴别矢量集的全过程只需要在一个低维的变换空间内进行,这与传统方法相比极大地降低了计算量.在此理论基础上,进一步为高维、小样本情况下的最优鉴别分析方法建立了一个通用的算法框架,即先作K-L变换,再用Fisher鉴别变换作二次特征抽取.基于该算法框架,提出了组合线性鉴别法,该方法综合利用了F-S鉴别和J-Y鉴别的优点,同时消除了二者的弱点.在ORL标准人脸库上的试验表明,组合鉴别法所抽取的特征在普通的最小距离分类器和最近邻分类器下均达到97%的正确识别率,而且识别结果十分稳定.该结果大大优于经典的特征脸和Fisherfaces方法的识别结果.     

一种核正交局部敏感辨别分析算法

为了发掘嵌入在人脸样本的非线性结构信息,把核方法和基向量正交化思想引入局部敏感分析算法中,提出一种新的人脸识别算法-核正交局部敏感辨别分析(Kernel based Orthogonal Locality Sensitive Discriminant Analysis).并给出了算法的推导过程及计算步骤.首先用核方法提取人脸样本的非线性信息,并将其投影至高维非线性空间,然后采用局部敏感辨别分析做线性映射,最后采用施密特正交化方法得到正交的基向量,从而使算法更好地描述人脸非线性流形结构特征.在ORL和YaleB人脸库的人脸识别实验证明了所提算法的有效性.