二维共轭正交偏最小二乘分析及图像识别应用

偏最小二乘（PLS）是一种有效的图像特征抽取方法。不同于其他的多元数据分析方法,PLS综合了PCA与CCA的优点,抽取对样本具有最佳解释能力的成分。讨论了偏最小二乘法建模思想及非迭代算法、共轭正交算法和基于2D特征抽取时的算法原理和特点,以及PLS用于图像识别时类隶属矩阵的构造。在ORL与Yale人脸库上的实验结果表明用2DCOPLS抽取的特征进行图像识别的效果更好,更稳定。     

基于偏最小二乘法与支持向量机的人脸识别

该文认为在人脸识别中,偏最小二乘回归方法作为一种新的降维方法,在处理小样本问题时具有明显优势,而主元分析方法作为一种传统的降维方法在选择分量时没有考虑类信息,因而有可能忽略掉重要的分类信息。支持向量机（SVM）模式识别方法具备良好的分类性能和鲁棒性。该文提出了一种基于偏最小二乘与支持向量机的人脸识别方法。利用偏最小二乘回归分析对人脸图像进行降维和特征提取,再利用支持向量机对特征向量进行分类识别。ORL人脸库的仿真结果证明偏最小二乘回归方法比主元分析方法更有效。     

基于偏最小二乘法的人脸识别

在人脸识别中．最小二乘回归方法及其改进的偏最小二乘法作为一种新的降维方法，在处理小样本、高维数等方面的具有明显优势。线性判决分析(也称Fisher判决)是一种应用广泛的分类算法。本文提出了一种基于偏最小二乘与线性判决分析相结合的人脸识别方法．利用偏最小二乘回归分析对人脸图像进行降维和特征提取．再利用线性判决分析对特征向量进行分类识别。ORL人脸库的仿真结果证明偏最小二乘回归方法比主元分析方法更有效。     

二维投影非负矩阵分解算法及其在人脸识别中的应用

建立在最小化非负矩阵分解损失函数上的人脸识别算法需同时计算基矩阵和系数矩阵, 导致求解这类问题十分耗时. 本文把非负属性引入二维主成分分析(2-dimensional principal component analysis, 2DPCA)中, 提出了一种新的二维投影非负矩阵分解(2-dimensional projective non-negative matrix factorization, 2DPNMF)人脸识别算法. 该算法在保持人脸图像的局部结构情况下, 突破了最小化非负矩阵分解损失函数的约束, 仅需计算投影矩阵(基矩阵), 从而降低了计算复杂度. 本文从理论上证明了所提出算法的收敛性, 同时, 使用了YALE、FERET和AR三个人脸库进行实验, 结果表明2DPNMF不仅识别率高, 而且速度优于非负矩阵分解和二维主成分分析.     

多元线性回归在非负矩阵分解人脸识别中的应用

单一次优非负基特征蕴含的人脸分类信息有限,分类精度受制于基特征的低维表示。针对非负矩阵分解（NMF）的弱分类特点,分析NMF的人脸识别过程,提出增加多组基特征扩充可用弱分类信息;利用多组弱分类标签向量的相关性,采用多元线性回归方法建立集成标签映射,整合关联的弱类别信息,在次优基特征低维表示基础上提取正确的类结构关系。利用多种人脸数据集的实验结果表明,符合统计属性的集成标签映射能显著改善NMF的人脸识别能力。     

偏最小二乘回归分析与特征融合在图像识别中的应用

为了更有效地进行图像识别,对同一模式的不同特征进行融合是有效途径。讨论了偏最小二乘法及其改进算法、特征融合方法在图像识别中的应用。首先讨论了偏最小二乘法的基本原理和非迭代偏最小二乘法、基于共轭正交的偏最小二乘法用于特征抽取的原理和特点,给出了三种特征融合方法,在ORL与Yale人脸库上的实验结果表明进行对用PLS抽取的特征融合后可以有效地进行图像识别。     

非线性偏最小二乘建模方法及在近红外光谱建模上的应用

偏最小二乘算法(PLS)是常用的线性光谱建模方法。针对汽油在线调合中具有非线性特点的辛烷值、干点等属性应用PLS方法建立模型误差较大问题,本文提出了残差-递阶偏最小二乘的建模方法,该方法对已经提取成分后的自变量中剩余的信息再提取主成分,并将该主成分作为新的自变量参与回归建模。仿真验证结果表明:残差-递阶偏最小二乘方法建立的模型中验证集的样本数据误差均在正负0.2之间。残差-递阶偏最小二乘方法与偏最小二乘、递阶偏最小二乘叫-PLS)两种方法比较,残差-递阶偏最小二乘建立的模型有的更高的精度和模型适应性。     

局部惩罚加权核偏最小二乘算法及其应用

为改善软测量模型精度,提出了一种局部惩罚加权核偏最小二乘算法.该方法通过核映射将原始输入映射到高维特征空间实现对非线性问题的线性化处理,并通过偏最小二乘算法进行主成分提取,降低数据维数;对由主成分构成的新数据集,依据局部学习思想构建局部惩罚加权最小二采回归模型,降低模型对异常数据的敏感度、优化模型参数.鉴于多模型可以改...     

改进的Gabor变换和二维NMF融合的人脸识别

为了得到高质量的人脸特征,提高人脸识别性能,提出基于改进的Gabor变换和（2D）2NMF（二维非负矩阵分解法）的人脸识别方法。改进的Gabor变换提取的特征有较高的品质,鲁棒性增强。二维非负矩阵分解法降维能大大降低图像数据维数,缩短计算时间,提高识别率。最后在ORL人脸库中进行实验,结果表明改进的Gabor变换和二维NMF方法相结合计算时间略微增加,但识别效率明显提高,从而证明了该方法的有效性。     

基于Fisher准则字典学习的压缩感知人脸识别算法

稀疏表示人脸识别算法在字典构造时易丢失大量分类信息且L1范数最小化计算量较大.针对此问题,提出一种基于Fisher准则字典学习和最小二乘法的压缩感知人脸识别算法.该算法首先由Fisher判别准则对训练样本训练得到字典;然后通过最小二乘法解L2范数最小化问题,得到人脸在该字典上的编码系数;最后结合各类别重构误差和编码系数对人脸分类.在公共人脸库上的测试结果表明,文中算法有较高的识别率,并有效提高识别速度.     

分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。     

二维PCA非参数子空间分析的人脸识别算法

提出一种结合二维PCA(2DPCA)的二维非参数子空间分析(2DNSA)人脸识别算法.利用2DPCA对原始图像矩阵进行特征降维,以降维后的特征为训练样本,进行二维非参数判别分析,并综合考虑类边界样本对分类的影响,采用2DNSA实现更合理的特征提取.基于Yale、LARGE人脸数据库的实验结果表明,与(2D)2pCA、2...     

偏最小二乘改进算法与特征抽取

采用基于正交约束的非迭代PLS可以实现PLS成分的快速有效抽取,但不能保证所抽取的成分之间不相关。而基于统计不相关约束的非迭代PLS建模方法所抽取的成分之间是无关的,从而可以保证图像识别时的有效性和稳定性。基于2DPCA思想的2DPLS特征抽取技术,直接从图像矩阵中抽取特征,能有效地解决小样本问题。但在使用PLS对单特征数据进行维数压缩时,传统的类标编码过于简单,为了充分利用数据分布信息,采用模糊k-近邻法对每个样本赋予一个样本标号,将近邻样本类别信息反映在该样本的类编码中,从而提出了基于样本标号的PLS及2DPLS改进算法。在ORL人脸库上的实验结果表明,该改进算法优于传统的PLS,能够更有效地抽取识别特征,其识别率要高于传统的PLS算法。     

一种双向压缩的二维特征抽取算法及其应用*

针对二维主分量分析（2DPCA）在最优投影轴上的投影是一个向量,其抽取出的图像特征是一个矩阵,特征数据量大,不便于直接分类的弱点,提出了一种特征抽取新方法。首先用2DPCA作一次横向压缩,对抽取出的特征矩阵再作一次2DPCA进行纵向压缩。这样抽取出的特征数量大大减少,可加快分类速度。ORL人脸库的试验结果表明了该方法的有效性。     

非线性迭代PLS信息模式识别算法

对偏最小二乘(PLS)回归的基本方法进行了分析研究,提出了基于非线性迭代偏最小二乘(NIPLS)的信息模式识别算法。该算法实现了模式识别中特征提取与分类器设计的有机结合。NIPLS较Fisher判别分析、Bayes判别分析等经典的模式识别算法,具有更强的信息识别能力,且对数据本身的分布要求不高,尤其对于多重共线性资料或解释变量多而样本数量少时更为有效。将该算法应用于土地质量的分类识别,结果表明,该文所建立的算法是有效的、可靠的。     

基于偏最小二乘的支持向量机多分类方法

该文提出了一种基于偏最小二乘（PLS）的支持向量机（SVM）多分类方法,该算法利用偏最小二乘思想对样本进行预处理,消除了样本属性之间的相关性,而且得到的综合属性与类信息的相关程度达到最大。通过实验可以看出,该方法不仅可以减少用支持向量机进行分类过程中的支持向量数目,而且当样本属性较多时,可以提高一定的识别率。     

高维少样本数据的特征压缩

针对一类高维少样本数据的特点,给出了广义小样本概念,对广义小样本进行信息特征压缩：特征提取（降维）和特征选择（选维）。首先介绍基于主成分分析（PCA）的无监督与基于偏最小二乘（PLS）的有监督的特征提取方法;其次通过分析第一成分结构,提出基于PCA与PLS的新的全局特征选择方法,并进一步提出基于PLS的递归特征排除法（PLS-RFE）;最后针对MIT AML/ALL的分类问题,实现基于PCA与PLS的特征选择和特征提取,以及PLS-RFE特征选择与比较,达到广义小样本信息特征压缩的目的。     

一种自适应加权HOG特征的人脸识别算法

为了提高人脸识别在复杂条件下的识别率,提出一种基于自适应加权梯度方向直方图特征（AW-HOG）的人脸识别方法。该方法首先将人脸图像分成均匀子块,并利用HOG描述算子提取分块人脸特征,根据各分块对识别的贡献率自适应地计算各分块的权重,然后融合权重系数以及各分块的HOG特征,形成AW-HOG特征并采用主成分分析（PCA）算法进行降维,最后利用支持向量机（SVM）进行分类识别。在Yale B 以及AR标准人脸库上的实验结果表明,提出的人脸识别方法在识别率上优于传统算法且对光照具有较强的鲁棒性。