一种自适应权值的PCA算法

针对传统PCA方法对离群点鲁棒性差的问题,提出了一种具有更高鲁棒性且自适应权值的PCA方法。在PCA方法的基础上建立了一个加权的重建误差和最小模型,通过引入信息熵来调节重建误差的权值;通过交替优化算法迭代求解模型。在Yale人脸库和UCI数据集上的实验表明该方法具有很好的鲁棒性和识别率。     

工业器件上的字符提取及识别方法

针对工业器件上的文字，给出了一个字符识别系统。该系统主要由两部分组成，字符提取和字符识别。在字符提取阶段，给出了两种字符的提取方法以及互补Ostu二值化方法。在识别阶段，对第一类字符利用TM矩和仿射不变矩提取特征并且组合成特征向量，然后利用交叉相关来识别；对第二类字符利用模板匹配法，基于Hu不变矩和TM矩的交叉相关分别得到各自的识别结果，然后采用投票原则作出最后的判决。实验结果表明，提出的方案是可行和合理的。     

鲁棒的加权核主成分分析算法

为减弱离群点对数据处理的影响, 提出了一种鲁棒的加权核主成分分析算法。利用核函数将样本投影到核空间, 在核空间构建一个样本加权重建误差最小模型, 最大限度地提取数据中的非线性信息并降低离群点样本的干扰。在Yale人脸库和UCI数据集上的实验表明, 该方法具有很好的识别率, 尤其对离群点样本具有较好的鲁棒性。     

基于前景和背景分析的手写体汉字切分方法

在离线手写体字符识别中，正确切分字符是提高识别性能的关键步骤之一。本文针对离线手写体汉字，提出了一种基于垂直投影法和前景一背景细化的切分算法。首先，本算法利用垂直投影法和背景细化的方法对非粘连字符进行切分，根据周边特性取得代价函数，利用动态规划法合并字块。其次，对于粘连字符，根据背景和前景细化的结果，选取一系列的特征点形成切分路径，然后利用代价函数来选择合适的路径。实验结果表明，提出的切分算法对手写体汉字字符有较好的切分效果。     

工业器件上的字符提取及识别

介绍了一个工业器件上字符识别和获取系统.在字符提取阶段,给出了两种字符的提取方法以及互补Ostu二值化方法.在识别阶段,对第一类字符利用TM 矩和仿射不变矩提取特征并且组合成特征向量,然后利用交叉相关来识别; 对第二类字符利用模板匹配法,基于Hu不变矩和TM 矩的交叉相关分别得到各自的识别结果,然后采用投票原则来作出最后的判决.实验结果表明提出的方案是可行的和合理的.     

面向Kullback-Leibler散度不确定集的正则化线性判别分析

线性判别分析是一种统计学习方法. 针对线性判别分析的小样本奇异性问题和对污染样本敏感性问题, 目前许多线性判别分析的改进算法已被提出. 本文提出了基于Kullback-Leibler (KL)散度不确定集的判别分析方法. 提出的方法不仅利用了L_s范数定义类间距离和L_r范数定义类内距离, 而且对类内样本和各类中心的信息进行基于KL散度不确定集的概率建模. 首先通过优先考虑不利区分的样本提出了一种正则化对抗判别分析模型并利用广义Dinkelbach算法求解此模型. 这种算法的一个优点是在适当的条件下优化子问题不需要取得精确解. 投影(次)梯度法被用来求解优化子问题. 此外, 也提出了正则化乐观判别分析并采用交替优化技术求解广义Dinkelbach算法的优化子问题. 许多数据集上的实验表明了本文的模型优于现有的一些模型, 特别是在污染的数据集上, 正则化乐观判别分析由于优先考虑了类中心附近的样本点, 从而表现出良好的性能.     

基于一阶和二阶信息图像表示的人脸识别

针对人脸训练集中的样本存在不同程度的变换（比如平移,旋转,缩放等）,导致传统的基于稀疏表示的分类算法(SRC)、基于协同表示的分类算法(CRC_RLS)在分类时精精度降低。针对这些问题, 提出了一种基于一阶和二阶信息的图像表示分类算法(SRC_FSD),这种方法通过测试图像的像素值是由对应训练图像的邻近像素值图像的重建而成的, 利用泰勒公式,考虑了一阶和二阶信息, 目的是消除变换对图像造成的影响,从而提高测试样本的分类精度。最后在Extended Yale B和AR人脸数据集上进行了不同维度下样本的对比实验,实验结果表明该方法具有很好的鲁棒性,有效的提高了人脸识别率。     

基于样本加权的格拉斯曼平均算法

格拉斯曼平均子空间对应着高斯数据的主成分,解决了PCA的扩展性问题,但算法假定样本的贡献取决于样本的长度,这可能导致离群点对算法的干扰较强。为此,利用无监督学习数据的局部特性或监督学习中样本的类别信息建立样本的权重,从而提出一种基于样本加权的格拉斯曼平均的算法,在UCI数据集和ORL人脸数据库上的实验结果表明,新算法有好的鲁棒性并且其识别率比已有方法提高1%~2%。     

Lp范数约束下的最大化L1范数主成分分析

针对主成分分析在处理污染数据时的敏感性且其投影向量非稀疏的特性,提出一种鲁棒主成分分析的优化模型。该模型的目标函数采用L1范数且投影向量受Lp范数约束。范数约束下的主成分分析算法被用来求解该模型且其理论分析表明该算法可取得局部最优解。另外把核函数嵌入到线性模型并给出核方案。通过在UCI数据集和人脸库上的实验表明该算法的可行性和有效性。     

基于Lp范数的2DPCA的人脸识别方法

主成分分析（PCA）是降维的一种经典方法。二维主成分分析（2DPCA）在特征抽取之前不需要将图像矩阵转化为向量形式,所以能快速地提取特征。但是基于L2范数的PCA和2DPCA在遇到异常值时的表现不稳定而且得到的向量通常不是稀疏的。提出了一种基于L1范数的且受Lp范数约束的2DPCA方法（2DPCA-Lp）。当参数p接近1时,它可以得到稀疏的解。该方法既具有2DPCA的快速方便性,又是泛化的并且对异常值较不敏感。同时也证明该方法可以取得一个局部最大化的解。通过在ORL和UMIST人脸库上的实验表明了该方法的有效性。