基于低秩表示投影的无监督人脸特征提取

为了构造数据之间的自适应邻接图,同时克服稀疏表示系数和协同表示系数互相独立、提取全局信息弱的缺陷,提出采用低秩表示(low-rank representation, LRR)系数构造权重矩阵的流形学习算法,即低秩表示投影(low-rank representation projections, LRRP)和判别低秩表示投影(discriminative low-rank representation projections, DLRRP)。在新算法中,将低秩表示系数表征的样本之间的邻接关系保留在特征空间;同时利用低秩系数的聚类性质,在优化目标中加入类内散度最小化项,计算出具有判别性的投影矩阵。试验结果表明,在真实人脸图像库上与其他几种流形学习算法相比,LRRP和DLRRP能够取得更好的识别率。提出的新算法是有效的特征提取算法,能够丰富流形学习框架。     

基于流形的局部加权协从表示人脸识别

针对稀疏表示分类（Sparse Representation Classification,SRC）运行时间过长和协从表示分类（Collaborative Representation Classification,CRC）仅仅利用人脸数据的全局特征的缺点,本文提出一种基于流形的局部加权协从表示方法（Locality Weighted CRC,LWCRC）,并将其应用在人脸识别中。首先将训练样本中位于高维流形空间中的人脸特征进行局部加权投影到低维空间,随后通过Tikhonov正则化阵用训练样本加权表示测试样本,最后通过最小二乘（Residual Least Square,RLS）分类器进行分类。通过在AR、FERET和Extended-Yale b数据库上实验,本文提出的方法优于SRC、CRC、NRS等方法。     

基于禁忌搜索的人工蜂群算法及其应用

人工蜂群算法(artificial bee colony algorithm,ABC)是一种简单有效的群智能算法,通过蜜蜂之间的相互合作寻找最优解.禁忌搜索算法(tabu search algorithm,TS)是人工智能与局部邻域搜索算法的结合,具有非常好的全局寻优能力.为了提高ABC的搜索效率和全局寻优能力,结合TS,在ABC中增加一个禁忌表,提出了一种基于禁忌搜索的人工蜂群算法(artificial bee colony algorithm based on tabu search,TSABC).通过对10个常用的标准测试函数进行实验,对TSABC算法进行了验证,并将其应用于图像边缘检测中.实验结果表明,TSABC取得了较好的优化效果,提高了寻优精度和收敛速度,边缘检测结果也更理想.