典型相关分析的理论及其在特征融合中的应用

利用典型相关分析的思想,提出了一种基于特征级融合的组合特征抽取新方法．首先,探讨了将典型分析用于模式识别的理论构架,给出了其合理的描述．即先抽取同一模式的两组特征矢量,建立描述两组特征矢量之间相关性的判据准则函数,然后依此准则求取两组典型投影矢量集,通过给定的特征融合策略抽取组合的典型相关特征并用于分类．其次,解决了当两组特征矢量构成的总体协方差矩阵奇异时,典型投影矢量集的求解问题,使之适合于高维小样本的情形,推广了典型相关分析的适用范围．最后,从理论上进一步剖析了该方法之所以能有效地用于识别的内在本质．该方法巧妙地将两组特征矢量之间的相关性特征作为有效判别信息,既达到了信息融合之目的,又消除了特征之间的信息冗余,为两组特征融合用于分类识别提出了新的思路．在肯考迪亚大学CENPARMI手写体阿拉伯数字数据库和FERET人脸图像数据库上的实验结果证实了该方法的有效性和稳定性,而且识别结果优于已有的特征融合方法及基于单一特征进行识别的方法．     

基于典型相关分析的组合特征抽取及脸像鉴别

利用典型相关分析的思想,提出了一种基于特征级融合的组合特征抽取新方法．首先,抽取同一模式的两组特征矢量,给出描述两组特征矢量之间相关性的判据准则函数;然后依此准则抽取它们的典型相关特征,构成有效鉴别特征矢量用于识别．该方法巧妙地将两组特征矢量之间的相关性特征作为有效判别信息,既达到了信息融合之目的,又消除了特征之间的信息冗余,为两组特征融合用于分类识别提供了新的思路．此外,从理论上进一步剖析了所提出的方法之所以能有效地用于识别的内在本质．在Yale和ORL标准人脸数据库上的实验结果证实了所提算法的有效性和稳定性,而且识别率大大高于用单一特征进行识别的结果．     

核典型相关分析特征融合方法及应用

构建了一种基于核函数的典型相关分析的特征融合算法。首先,利用核函数将图像矩阵映射到核空间,再抽取同一模式的两组特征向量,在两组特征向量之间建立描述它们的相关性的判据准则函数;然后依此准则函数抽取两组典型投影矢量集;最后通过给定的特征融合策略抽取组合的典型相关特征以用于分类识别。该算法将两组特征向量之间的相关性特征作为有效鉴别信息,既可以很好地融合信息,又可以有效地去除特征之间的信息冗余,并且避免了对映射后的数据矩阵进行分解,从而简化了数据运算。在AR、PIE、ORL、Yale人脸数据库及UCI手写体数字库上的实验结果证明了该方法的有效性和稳定性。     

无监督模式下统计不相关最佳鉴别平面

统计不相关最佳鉴别平面是一种重要的特征抽取方法,在模式识别领域中具有广泛的应用。然而,统计不相关最佳鉴别平面是基于Fisher准则和总体散布矩阵共轭正交条件的,需要通过样本类别信息计算Fisher最佳鉴别矢量,因而只能用于有监督模式。提出了一种将统计不相关最佳鉴别平面扩展到无监督模式下的方法,其基本思想是将模糊概念引入Fisher线性判别分析,通过对模糊Fisher准则的优化,在无监督模式下计算出最佳鉴别矢量及模糊散布矩阵,再根据共轭正交约束条件,求得第二条最佳鉴别矢量,进而获得一种基于无监督统计不相关最佳鉴别平面的特征抽取方法。对UCI数据集及CMU-PIE人脸数据库进行实验,结果表明,在样本类别信息缺失的情况下,该方法尽管无法具有与有监督模式下的统计不相关最佳鉴别平面特征抽取方法同样的性能,但当类别差异较大时,能够抽取有利于分类的统计不相关特征,获得优于主成分分析与独立成分分析等常见无监督特征抽取方法的性能。     

基于最小距离最大原则的模式分类

广义最佳鉴别矢量集是用于高维空间模式分类的有效方法。在高维空间模式分类的情况下，通常训练样本数要小于特征空间维数，从而使类内散布矩阵奇异，不能直接求解。对于这种情况下求解问题，人们给出了一系列求解方法。但这些方法均是应用平均的类间距离，而没有考虑到类问分布的最坏情况。该文对此进行改进，提出了一种新的基于最小距离最大原则的广义最佳鉴别矢量集的求解方法。实验结果表明，提出的方法要优于已有的方法。     

基于局部稀疏表示和线性鉴别分析的典型相关分析

为在特征融合中综合利用数据的类别信息和数据结构中所蕴含的自然鉴别信息, 提出一种基于局部稀疏表示和线性鉴别分析的典型相关分析算法. 首先利用局部稀疏表示模型, 以较小的计算复杂度获取局部稀疏重构矩阵; 然后在典型相关分析的框架中实现对局部稀疏结构保持、线性鉴别分析和组合特征相关性的联合优化, 增强了融合特征的鉴别能力. 在人工数据、多特征手写字数据、人脸数据上的实验表明了所提出方法的有效性.

     

结合ASM及特征融合策略的Tagged MR左心室分割

提出了一种基于ASM框架的Tagged MR图像左心室分割方法。即从基于典型相关分析的特征融合角度对LM滤波器组提取的Tagged MR图像左心室纹理特征用典型相关分析进行优化组合,再用SVM构造分类器,通过分类器来确定边缘点,驱动ASM模型边界变形得到分割结果。通过典型相关分析的特征融合可以降低分类错误率,提高分类性能;用分类器代替经典ASM模型的基于轮廓灰度的匹配法来确定边缘点具有较强的鲁棒性。该方法在不同时刻不同断层Tagged MR图像上进行了验证,实验结果表明该方法具有较高的准确度和较强的鲁棒性。     

基于光流与时序模板的人脸表情特征提取

提出了基于光流与分段时序模板的人脸表情特征提取方法。首先利用光流技术提取人脸表情图像序列中的特征矢量,然后用分段时序模板的方法提取时序特征,最后用典型相关分析的融合策略对这两类特征进行融合,并得到一组典型表情特征。结果表明该方法能够有效地提取表情特征,并消除了两组特征之间的信息冗余。     

不相关最佳鉴别矢量集的有效算法*

线性鉴别分析中处理小样本问题的方法有两类：①在模式识别之前,通过降低模式样本特征向量的维数达到消除奇异性的目的;②发展算法获得低维鉴别特征。将这两种方法结合起来,解决了高维小样本情况下基于广义Fisher线性鉴别准则的不相关最优鉴别矢量集的求解问题,给出了抽取最优鉴别矢量的有效算法。     

基于广义S变换的水下目标特征提取

针对水下目标识别中特征矢量难以准确提取的问题,提出了基于广义S变换模时频矩阵奇异值的水下目标特征提取方法。首先对目标信号进行广义S变换,然后提取广义S变换模时频矩阵奇异值作为目标识别特征矢量,最后利用概率神经网络实现目标识别。广义S变换在S变换的基础上,通过改变窗宽因子可提高信号分析的频率分辨率或时间分辨率,从而可根据信号分析需求实现水下目标非平稳非线性信号的时频分析。实验结果表明提取广义S变换模时频矩阵的奇异值作为目标识别特征矢量能够有效区分各类目标,且选取不同的窗宽因子具有不同的识别结果。     

A novel multiset integrated canonical correlation analysis framework and its application in feature fusion

Multiset canonical correlation analysis (MCCA) is difficult to effectively express the integrated correlation among multiple feature vectors in feature fusion. Thus, this paper firstly presents a novel multiset integrated canonical correlation analysis (MICCA) framework. The MICCA establishes a discriminant correlation criterion function of multi-group variables based on generalized correlation coefficient. The criterion function can clearly depict the integrated correlation among multiple feature vectors. Then the paper presents a multiple feature fusion theory and algorithm using the MICCA method. The detailed process of the algorithm is as follows: firstly, extract multiple feature vectors from the same patterns by using different feature extraction methods; then extract multiset integrated canonical correlation features using MICCA; finally form effective discriminant feature vectors through two given feature fusion strategies for pattern classification. The multi-group feature fusion method based on MICCA not only achieves the aim of feature fusion, but also removes the redundancy between features. The experiment results on CENPARMI handwritten Arabic numerals and UCI multiple features database show that the MICCA method has better recognition rates and robustness than the fusion methods based on canonical correlation analysis (CCA) and MCCA.     

A theorem on the generalized canonical projective vectors

This paper proposes a kind of generalized canonical projective vectors (GCPV), based on the framework of canonical correlation analysis (CCA) applying image recognition. Apart from canonical projective vectors (CPV), the process of obtaining GCPV contains the class information of samples, such that the combined features extracted according to the basis of GCPV can give a better classification performance. The experimental result based on the Concordia University CENPARMI handwritten Arabian numeral database has proved that our method is superior to the method based on CPV.     

Feature-level fusion of fingerprint and finger-vein for personal identification

Multimodal biometrics based on feature-level fusion is a significant topic in personal identification research community. In this paper, a new fingerprint-vein based biometric method is proposed for making a finger more universal in biometrics. The fingerprint and finger-vein features are first exploited and extracted using a unified Gabor filter framework. Then, a novel supervised local-preserving canonical correlation analysis method (SLPCCAM) is proposed to generate fingerprint-vein feature vectors (FPVFVs) in feature-level fusion. Based on FPVFVs, the nearest neighborhood classifier is employed for personal identification finally. Experimental results show that the proposed approach has a high capability in fingerprint-vein based personal recognition as well as multimodal feature-level fusion.     

增强的典型相关分析及其在人脸识别特征融合中的应用

在传统的典型相关分析(CCA)基础上,定义了类别相关性,提出了增强典型相关分析(ECCA)方法.对于一个模式空间的2个观测空间(对任意模式都有2种观测向量),ECCA能够找到这2个观测空间对类别而言更有意义的相关子空间,且同时保持了投影分量的无关性.实验结果表明,ECCA优于CCA,GCCA融合方法.     

核典型相关分析算法的多特征融合情感识别

为了提高情感识别的正确率,针对单模情感特征及传统特征融合方法识别低的缺陷,提出了一种核典型相关分析算法(KCCA)的多特征(multi-features)融合情感识别方法(MF-KCCA)。分别提取语音韵律特征和分数阶傅里叶域表情特征,利用两种特征互补性,采用KCCA将它们进行融合,降低特征向量的维数,利用最近邻分类器进行情感分类和识别。采用加拿大瑞尔森大学数据库进行仿真实验,结果表明,MF-KCCA有效提高了语音情感的识别率。     

一种新的核广义鉴别特征抽取方法

在基于核的广义鉴别特征模型的基础上,提出了一种新的核广义鉴别特征抽取方法。利用空间变换的有关理论,使得变换后的核总体散布矩阵满足非奇异性;同时通过核共轭特征抽取方法,抽取满足核共轭正交条件的特征向量,使抽取的特征满足统计不相关性。在ORL人脸库上的实验表明了所提方法的有效性,达到了比核鉴别分析等方法更好的识别效果。