基于2维保局投影的人脸识别

特征提取是人脸识别的一个重要研究领域，能否有效地提取判别特征是决定人脸识别算法好坏的关键。一般的人脸识别算法都是基于图像向量的，需要将2维人脸图像压缩成1维向量，这不仅破坏了像素之间原有的空间结构关系，而且转换后的向量维数过高。为了避免这种情况，提出了一种直接基于图像矩阵的人脸识别算法——2维保局投影算法。由于该算法是在保局投影的基础上进行扩展，使其可以直接面向2维图像矩阵进行处理，同时在构建相似矩阵的时候引入了样本类别信息，因而可有效地提取人脸图片的2维判别特征。另外还采用最小近邻分类器估算识别率。在AT＆T人脸库的实验结果表明，与Eigenface、Fisherface以及Laplacianface算法相比，该方法具有较好的识别率。     

面向酉子空间的二维判别保局投影的人脸识别*

保局投影算法（LPP）在人脸识别中具有较好的识别性能,但它是一种非监督学习,并且在具体实现时需要把图像转换为向量,破坏了图像的像素结构,这显然不利于模式识别。针对这些问题,提出基于酉子空间的二维判别保局算法,不仅在判别保局算法的基础上增加了类别信息,而且直接在灰度矩阵上进行水平和垂直方向上的二维保局投影。该方法构造酉空间上的复向量后再运用线性判别分析提取特征。在ORL、Yale和XJTU人脸库中验证了算法的正确性和有效性,其识别率比传统的2DLDA和2DLPP等方法提高4～5个百分点。     

基于双向压缩二维保局投影的人脸识别方法

二维保局投影(2DLPP)只在图像的横向进行数据压缩,提取的特征维数较高,针对该问题,结合二维保局投影和可选的二维保局投影,提出双向压缩二维保局投影((2D)2LPP)算法。该算法从横向和纵向2个方向实施2DLPP,使图像的横向和纵向的维数都得到有效的约简。实验结果表明,(2D)2LPP在识别率和识别时间上都优于2DLPP和A2DLPP。     

超光谱遥感图像有监督LPP特征提取研究

在局部保留投影(LPP)特征提取算法的基础上,利用样本标签信息提出了一种有监督的局部保留投影算法(SPLPP),该算法的邻接图的权值不仅考虑了LPP算法中的相似性权值,而且加入了监督类的相关权值。SPLPP算法主要步骤是先用PCA去除高维超光谱遥感图像的冗余信息,再把监督机制引入到LPP中,实现图像的特征提取,将高维超光谱遥感图像投影到低维空间中,利于分类。应用SPLPP算法对高维的遥感原始超光谱图像进行特征提取后,利用支持向量机(SVM)和最近邻分类器(KNN)对降维后的遥感图像数据进行分类;并与PCA、LPP、LDA等特征提取算法进行了比较实验。实验表明:结合了LPP局部信息保留能力和全域标签信息的SPLPP算法,有更好的局部信息保留能力和类判别能力,使分类器分类精度更高,分类效果更好。     

完备鉴别保局投影人脸识别算法

为了充分利用保局总体散布主元空间内的鉴别信息进行人脸识别,提出了一种完备鉴别保局投影(complete discriminant locality preserving projections,简称CDLPP)人脸识别算法.鉴于Fisher鉴别分析和保局投影已经被广泛的应用于人脸识别,完备鉴别保局投影(locality preserving projections,简称LPP)算法将这两者结合起来,分析了保局类内散布、类间散布和总体散布的主元空间和零空间内包含的鉴别信息.该算法采用奇异值分解(singular value decomposition,简称SVD),去除了不含任何鉴别信息的保局总体散布的零空间;分别在保局类内散布的主元空间和零空间提取规则鉴别特征和不规则鉴别特征;用串联的方式在特征层融合规则鉴别特征和不规则鉴别特征形成完备的鉴别特征进行人脸识别.在ORL库、FERET子库和PIE子库上的大量识别实验充分表明了完备鉴别保局投影算法的性能优于线性鉴别分析、保局投影和鉴别保局投影等现有的子空间人脸识别算法,验证了算法的有 效性.     

基于图像优化局部保留投影的人脸表情识别

提出了一种基于图像优化局部保留投影的人脸表情识别方法。该算法在降维过程中将图像结构信息融入到LPP目标函数中,称之为GOLPP。与LPP不同,GOLPP通过降维处理,获得图像结构信息的同时将投影最优化,这样可从原始表情数据中提取更具判决性的表情信息。基于JAFFE和CED-WYU（1.0）两个表情数据库的识别结果表明,基于GOLPP的特征提取方法能有效地提高识别率。     

基于特征层融合的人脸识别新方法

为了探索人脸识别中有效的特征提取方法,提出了一种基于特征层融合的算法.该方法融合了保局投影(LPP)和最大间距准则(MMC)两种方法.首先对训练样本进行LPP判别分析,得到每个训练样本在LPP子空间上的投影,然后利用MMC方法对所有的投影进行鉴别分析,提取出更有效的样本判别特征;采用最小近邻分类器分类.在ORL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,该算法都具有较好的识别率.     

优化局部保留投影及其在表情识别中的应用

提出一种基于优化局部保留投影(OLPP)的人脸表情识别方法。OLPP方法在降维过程中将图像结构信息融入LPP目标函数,通过降维处理,在获得图像结构信息的同时将投影最优化,从而能从原始表情数据中提取更多更具判决性的有效表情信息。JAFFE和CED- WYU(1.0)2个表情数据库的识别结果表明,基于OLPP的特征提取方法能有效提高识别率。     

保局投影在图像隐密检测中的应用

为解决图像隐密检测中图像特征维数过高导致的"维数灾难"问题,在保持图像特征内在低维结构的基础上降低特征向量的维数,方便构造更有效的分类器,提出了一种基于保局投影(locality preserving projections,LPP)降维的图像隐密检测算法,对待测图像进行小波变换形成图像特征后,利用LPP算法实现对图像高维特征的降维,得到图像特征集的低维流形.使用支持向量机(SVM)算法将降维后的特征映射到分类特征空间,实现对正常图像和隐密图像分类.实验结果表明,与不使用降维算法的检测方案相比,基于LPP降维的检测算法能够显著地提高检测的准确率.     

鲁棒主元分析在掌纹识别中的应用

为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。     

基于保局投影的离线签名识别

针对离线签名识别中的特征提取问题,提出了一种基于保局投影的签名识别方法。该方法首先对签名图像进行形状特征、伪动态特征和纹理特征的提取;然后采用保局投影得到更具判别性的特征;最后运用支持向量机进行分类识别。实验表明该方法不但能有效地降低特征空间的维数,而且能使分类准确率得到显著提高。     

基于Gabor小波和核保局投影算法的表面缺陷自动识别方法

研究了Gabor小波变换和核保局投影(Kernel locality preserving projections, KLPP)算法的原理, 分析了热轧钢板表面缺陷的特点, 提出了一种基于Gabor小波和KLPP算法的特征提取方法, 并应用于热轧钢板表面缺陷自动识别. 首先利用Gabor小波将图像分解到5个尺度8个方向的40个分量中, 接着对原始图像和各个分量的实部和虚部分别提取均值和方差, 得到一个162维的特征向量, 然后利用KLPP算法将该特征向量的维数降到21维, 最后利用多层感知器网络对样本进行分类识别. 本文提出的特征提取方法具有计算简单、可并行处理的特点, 对沿一定方向分布的边缘和纹理具有较高的区分能力. 利用从工业现场采集的缺陷图像对本文方法进行了实验, 识别率达到93.87%.     

LPP算法和DLPP算法在掌纹识别中的应用研究

本文对近年来提出的局部保留映射（LPP）算法和判别局部保留映射（DLPP）算法思想进行了详细介绍,设计并完成了基于LPP和DLPP算法在掌纹识别中识别结果的对比实验。实验结果对基于这两种算法的掌纹识别方法给予数据支持,而且说明DLLP算法要优于LPP算法。     

Comment on “Facial expression recognition based on two-dimensional discriminant locality preserving projections” [Neurocomputing 71 (2008) 1730-1734]

In this note, we show that the mathematical formulation of the two-dimensional discriminant locality preserving projections (2D-DLPP) proposed in the paper [R. Zhi, Q. Ruan, Facial expression recognition based on two-dimensional discriminant locality preserving projections, Neurocomputing 71 (2008) 1730–1734] is not very sound. The rigorous version is thus given. We also point out that 2D-DLPP can be viewed from the perspective of the discriminant locality preserving projections (DLPP).     

LPMVP算法及其在故障检测中的应用

针对数据信息的特征提取和降维问题, 提出一种局部保持最大方差投影 (Locality preserving maximum varianceprojections, LPMVP) 新算法. 该算法综合考虑了主元分析(Principalcomponent analysis, PCA)和局部保持投影(Locality preservingprojections, LPP)算法的优点和不足, 提出了新的优化目标, 使投影得到的低维空间不仅和原始变量空间有相似的局部近邻结构, 而且有相似的整体结构, 因而可以包含更多的特征信息. 在此基础上, 本文使用LPMVP算法把原始变量空间划分为特征空间和残差空间, 分别构造了T2和SPE统计量对过程进行监测, 建立了一种新的故障检测方法. 通过数值例子以及TE过程的仿真研究, 表明了LPMVP算法可以有效地提取数据信息, 同时也体现了较强的故障检测能力.     

基于流形学习的局部保持PCA算法在故障检测中的应用

提出一种新的基于流形学习的数据降维及特征提取方法:局部保持 PCA 算法(LPPCA).通过在 PCA 的优化目标中融入流形学习的思想,不仅使投影得到的低维空间和原始样本空间具有相似的全局结构,并且保持了相似的局部近邻结构,克服了传统 PCA 方法只关注全局结构特征而忽略局部流形特征的缺陷,同时给出了 LPPCA 在故障检测中的应用方法. S-Curve 和 Swiss-roll 曲面数值仿真和 TE 过程仿真验证了算法的有效性和优越性.     

基于大间距准则的不相关保局投影分析

局部保持投影(Locality preserving projections,LPP)算法只保持了目标在投影后的邻域局部信息,为了更好地刻画数据的流形结构, 引入了类内和类间局部散度矩阵,给出了一种基于有效且稳定的大间距准则(Maximum margin criterion,MMC)的不相关保局投影分析方法.该方法在最大化散度矩阵迹差时,引入尺度因子α,对类内和类间局部散度矩阵进行加权,以便找到更适合分类的子空间并且可避免小样本问题; 更重要的是,大间距准则下提取的判别特征集一般情况下是统计相关的,造成了特征信息的冗余, 因此,通过增加一个不相关约束条件,利用推导出的公式提取不相关判别特征集, 这样做, 对正确识别更为有利.在Yale人脸库、PIE人脸库和MNIST手写数字库上的测试结果表明,本文方法有效且稳定, 与LPP、LDA (Linear discriminant analysis)和LPMIP(Locality-preserved maximum information projection)方法等相比,具有更高的正确识别率.     

A Direct Locality Preserving Projections (DLPP) Algorithm for Image Recognition

This paper proposes a novel locality preserving projections (LPP) algorithm for image recognition, namely, the direct locality preserving projections (DLPP), which directly optimizes locality preserving criterion on high-dimensional raw images data via simultaneous diagonalization, without any dimensionality reduction preprocessing. Our algorithm is a direct and complete implementation of LPP. Experimental results on the PolyU palmprint database and ORL face database show the effectiveness of the proposed algorithm.