基于张量线性鉴别分析的人脸识别算法

人脸识别现已成为当前模式识别和人工智能领域的一个研究热点。在线性鉴别分析(LDA)方法的基础上,结合张量知识,提出一种基于张量子空间的LDA人脸识别算法。该算法的核心思想是:首先构造关于遮挡物、角度和表情的三阶人脸张量,根据LDA的Fisher准则,利用迭代方法得出张量的最佳投影矩阵,再构造分类器,判定张量所属的类。该算法有较高的识别率,能够应用于多姿态的人脸识别。     

基于模糊集理论的二维线性鉴别分析新方法

二维线性鉴别分析（２DLDA）是一种直接基于矩阵的特征提取方法,跳过传统的基于Fisher鉴别准则 的线性鉴别分析方法中必须先将二维矩阵转化成一维矢量的过程,有效地提高了特征提取速度且避免了小样本 问题,其识别率优于传统的Fisherface方法。结合模糊集理论,提出了一种新的２DLDA算法———模糊２DLDA （F１DLDA）算法。首先采用FKNN算法得到相应的样本分布信息,并按其对最后得到的特征向量所作的贡献融入 到特征抽取过程中,得到有效的样本特征向量集。实验表明,F２DLDA算法的性能优于传统的２     

一种新颖的基于Gabor-LDA的人脸识别方法

为了克服光照、表情变化等因素对人脸识别的影响,提出了一种基于Gabor小波和最佳鉴别分析LDA的人脸识别方法。该方法充分利用了LDA得到的鉴别向量,用鉴别向量组成线性变换矩阵,直接从原始的强度图像上提取LDA特征。然后,用鉴别向量选择一些鉴别像素,仅在鉴别像素的位置上提取Gabor特征并对Gabor特征作LDA变换得到另一种LDA特征。它们分别可视为全局特征和局部特征。最后的分类器融合这两类特征。在FERET人脸库上的试验表明了该方法的有效性。     

一种新的求解零空间线性鉴别分析的快速算法

利用随机矩阵相乘是最近提出的一种求解零空间线性鉴别分析的算法,但是此算法需要对一个n×n的矩阵进行特征值分解(n指的是训练样本数),使得其算法复杂度依然较高。为了进一步提高零空间线性鉴别分析算法的求解速度,本文提出了一种新的利用随机矩阵相乘的求解零空间线性鉴别分析的快速算法。本文的算法不需要对n×n的矩阵进行特征值分解,使得其算法复杂度比现有的零空间线性鉴别分析求解算法要低得多。理论分析和在人脸数据库上的实验表明,本文算法的计算速度远比现有的零空间线性鉴别分析求解算法要快,但是其识别率与现有的零空间线性鉴别分析求解算法相同。     

利用两类投影方法进行特征融合的人脸识别

提出了利用两类投影抽取特征、用并行策略融合特征进行人脸识别的新方法。先用一维的基于向量的投影抽取一组特征，再用基于二维的图像投影的方法抽取一组特征，用复向量将样本的两组特征向量组合在一起，在复向量空间分析主分量(CPCA)，抽取人脸图像的鉴别特征。在FERET人脸库上的实验结果表明，该方法的识别性能比用单个特征有10%左右的提高。     

增强联系鉴别分析及在人脸识别中的应用

针对人脸识别中的小样本问题,本文提出了一种名为增强联系鉴别分析的方法并应用人脸识别中.该方法利用将人脸局部流形的结构信息和样本的类别信息进行有效地结合进行维数约简,首先构建人脸数据的近邻图与类别联系图,然后通过解决在一定约束条件下的优化问题来获取低维鉴别流形特征,实现在低维空间中同一类人脸数据聚集,不同类别间的人脸数据间尽可能发散,从而可以更好的应用于分类.在AT&T和Yale人脸图像数据库上的实验结果表明该方法能有效的提高人脸识别的性能.     

一种多频带线性鉴别分析方法

线性鉴别分析(LDA)是模式识别领域广泛使用的一种特征抽取方法,而在图像识别中,由于小样本问题,经常采用的是PCA LDA方法来代替单纯的LDA.提出了一种多频带线性鉴别分析方法(MBLDA),使LDA在完整的样本空间上进行,而且解决了小样本问题.MBLDA不仅避免了PCA过程带来的信息损失,而且提取的鉴别特征维数小,还提高了识别性能.该方法在识别精度上大幅度地超越了PCA和LDA或PCA LDA,通过对ORL,NUST603人脸库的实验验证了该算法的有效性.     

基于小样本音频信号的柱塞泵故障诊断

针对音频信号在柱塞泵故障诊断中存在的样本数量不足、故障特征微弱等问题,提出一种基于音频信号结合元迁移学习（Meta-transfer Learning,MTL）的柱塞泵故障诊断方法（Fault Diagnosis of Plunger Pump Based on MTL,MTL-PAFD）。该方法以柱塞泵的音频信号为样本,在单一传感器条件下,通过Gammatone滤波器组对信号进行处理,可有效提高强噪声干扰下音频信号的表征能力,然后结合元迁移学习,能实现小样本条件下的柱塞泵故障诊断。同时,根据柱塞泵故障诊断的实际需求,改进元迁移学习在故障诊断应用中的测试方法,能够自适应处理未知故障类。实验结果表明,MTL-PAFD仅对已知类别的故障诊断准确率可达到91.41%,而经过快速自适应学习后,其在识别未知故障类时准确率能达到89.64%。     

基于切割子模块的单样本人脸识别

针对单样本人脸识别问题,本文提出了一种基于单样本切割的子模块主成分分析方法.该方法将单样本人脸图片切割成大小相同、互不重叠的多个子模块,切割后的子模块集构成新的样本集.对所有子模块作主成分分析(PCA)并提取特征,同一人脸的子模块特征系数作为分类识别的依据.在ORL人脸库上的测试结果表明,同PCA,(PC)2A,Sub-pattern LDA相比,该方法具有更好的识别率.     

一种基于GDLPP的人脸识别算法

针对人脸识别中的特征提取问题,本文提出了一种结合Gabor小波特征和判别保局投影的人脸识别算法-GDLPP.该算法首先对人脸图像进行多分辨率的Gabor小波变换,提取样本的高阶统计信息;然后更改保局投影(LPP)的目标函数,增加样本类间散布约束,从而提取更具判别性的特征.本文采用最小近邻分类器估算识别率.在USPS数据库、Yale人脸库以及AR人脸库的测试结果表明,在姿态、光照、表情、训练样本数目变化的情况下,GDLPP都具有较好的识别率.     

基于深度信念网络的非限制性人脸识别算法研究

针对非限制性条件下的人脸识别存在自由度高、干扰因素复杂等技术难点,引入深度学习理论,提出了一种基于深度信念网络(DBNs)的非限制性人脸识别算法模型。基于相对熵稀疏性限制和dropout机制等方法,设计了优化算法。针对实际使用场合中样本量不足的问题,提出了一种混合DBNs模型,该模型采用CNNs深度卷积网络生成训练DBNs所需的模拟样本。标准人脸库下的实验结果表明,DBNs模型的平均识别率为97.0%,混合DBNs模型的平均识别率为90.3%,满足实际使用需求。     

二维类内差异信息保持的人脸识别

为了使增强的Fisher鉴别准则(EFDC)避免因PCA降维带来的鉴别信息丢失问题,本文将其进行二维推广,提出基于二维类内差异信息保持(2D-IDP)的人脸识别方法,该方法建立了一个鲁棒性更强的鉴别准则,使得投影后不同类的样本点尽量远离的同时,类内紧致性和差异信息都得到有效保持,避免了过学习现象的产生.同时对EFDC近邻图中的参数t作了重新定义,使其能根据不同的输入样本自适应的变化,避免了t选择不当导致的识别性能下降的问题.在YALE和AR人脸库上的实验表明了本文方法的有效性.     

基于最大间距MFA的鉴别分析

针对边界Fisher分析(MFA)所面临的小样本问题,本文基于最大间距准则(MMC),提出了一种基于最大间距的边界Fisher分析(MMMFA)算法.该方法利用描述类间数据可分性的相似度矩阵与描述类内数据紧致性的相似度矩阵之差作为鉴别准则,从而避免了MFA鉴别分析所遇到的小样本问题.然后探讨了本文算法与传统的线性降维算...