基于判别邻域嵌入的人脸识别

提出了一种人脸识别子空间方法:判别邻域嵌入(DNE).在框架中,训练样本数据的邻域和类关系被用来构建低维嵌入流形.在嵌入低维子空间后,同类样本保持它们固有的邻域关系,相反不同类近邻样本彼此远离.在ORL和Yale人脸数据库上,对提出的方法和主成分分析(PCA)、线性判别分析(LDA)、保持邻域嵌入(NPE)和保持局部投影(LPP)方法进行了比较,结果表明,提出的方法是有效的.     

基于核邻域保持投影的人脸识别

提出了一种有效的非线性子空间学习方法:核邻域保持投影.其主要思想是通过引入线性变换矩阵来近似经典的局部线性嵌入(LLE),然后通过核方法的技巧在高维空间里求解.经过推导,实际的子空间的计算可归结为标准的特征值分解问题而非推广的特征值分解问题.在AR人脸数据库上的试验表明该方法是有效的.     

基于局部边界鉴别分析的人脸识别

该文基于谱图理论和流形学习提出了局部边界鉴别分析(LMDA)的降维方法。在近邻保持投影的基础上,LMDA方法减少了同类数据间由于线性投影而带来的重构误差,同时保留了类内相似度图的拉普拉斯矩阵的完整性。另一方面,通过构造一个与类内相似图对应的类外代价图,LMDA可以扩大两者间的边界。在人脸识别中与其他方法的对比实验表明提出的算法能有效提升近邻保持投影的性能。     

张量局部判别投影的人脸识别

 经典的向量子空间学习算法是以数据流形的向量表示进行计算的,但是在现实世界中数据流形从本质上而言是以张量的形式存在,因此基于张量子空间的学习算法能够更好地揭示流形内在的几何结构.本文提出了一种新的张量子空间的学习算法:张量局部判别投影.首先构建类内和类间图,然后保持流形的局部结构并且利用数据的判别信息,推导出算法的计算公式,最后通过迭代计算广义特征向量,解得最优张量子空间.在标准人脸数据库上的实验表明该算法有效.     

局部保持鉴别投影及其在人脸识别中的应用

针对流形学习在人脸识别中的应用,该文提出基于局部保持投影(Locality Preserving Projection, LPP)的监督线性维数约简方法。利用样本的类别信息,将LPP的最近邻图分解为类内图和类外图,通过优化,最优保持同类数据固有的局部邻域关系,缩小数据之间的距离,同时最大化不同类数据之间的距离,从而增大各类数据分布之间的间隔,提高了嵌入空间的辨别能力。此外,在构建图的过程中采用了自适应邻域,增强了对数据分布稀疏性的表征。在Extended Yale B和CMU PIE两个开放人脸数据库上进行了试验,验证了算法的有效性。     

流形学习算法分析及在人脸数据库上的应用

为了更高效的处理高维数、高复杂性的非线性数据,发现其嵌入在源数据空间中的本维特征,提出了基于局部光滑逼近思想的流形学习算法,通过局部线性误差逼近最小化,实现将高维数据映射到低维空间.在FREY人脸数据库上进行降维实验,证明了该方法的可行性和有效性.     

一种局部稀疏判别投影算法

提取有效特征是模式识别中的关键步骤。流形学 习算法能有效处理样本的非线性,而 稀疏表示表现出具有较好的鲁棒性。为了提取具有判别特性和鲁棒的特征,本文结合稀疏表 示和判别准则,提出了一种局部稀疏表示和判别分析的特征提取算法,即局部稀疏判别投影 算法,并应用于人脸识别。算法通过保持数据间的局部稀疏性和最大化不同类别数据间的 可分性,使得降维后的数据具有稀疏性和可分性,因此有利于后续的分类。在ORL和YALE两 个开放人脸数据库上进行了实验,实验结果表明,算法具有较高的识别性,验证了算法的正 确性和有效性。     

基于监督局部线性嵌入的飞机目标识别方法

维数约简是目标识别的一个重要预处理步骤.由于飞机目标图像对各种空间变换(包括平移、尺度、旋转等变换)和观察角度、位置以及光照等因素都比较敏感,使得很多线性维数约简算法不能有效地用于飞机目标识别.局部线性嵌入(LLE)是一种有效的非线性维数约简方法,提出了一种基于LLE的监督LLE算法,并应用于多种条件下的飞机目标识别中...     

基于核正交局部判别嵌入的人脸识别

针对人脸识别中的非线性特征提取问题,提出一种基于核正交局部判别嵌入(KOLDE,kernel orthogonal local discriminant embedding)的人脸识别算法。首先通过引入基向量正交约束,得到OLDE算法,并给出算法的推导过程。然后为了更好地处理高度复杂非线性结构数据,将OLDE向高维空间扩展,在核空间提取图像的高阶非线性信息,得到核空间OLDE算法。在ORL和PIE库上的人脸识别实验验证了算法的有效性。     

张量正交局部敏感判别式分析及其在人脸识别中的应用

针对人脸识别的特征提取问题,本文提出了一种张量正交局部敏感判别分析(Tensor-based Orthogonal Locality Sensitive Discriminant Analysis, Tensor-OLSDA)的人脸识别算法。张量正交局部敏感判别分析在保持了流形的局部几何结构的同时加强了全局判别结构,并克服了局部敏感判别分析算法中非正交性带来的度量失真和维数估计困难等问题,从而增强了数据的可分性,提高了识别效果。张量正交局部敏感判别分析首先将人脸数据表示成高阶张量形式,在进行特征提取时将高阶张量数据沿不同阶展开,再利用特征根之间的正交性约束条件,求解正交局部敏感判别式分析特征子空间,最后将高阶人脸数据投影于这个特征子空间,进行识别。在AT&T和YaleB人脸库上的实验结果表明,Tensor-OLSDA具有良好的分类性能,能获得较为理想的识别结果。      

空间一致性邻域保留嵌入的高光谱数据特征提取

局部线性嵌入(LLE)和邻域保留嵌入(NPE)等流形学习方法可以提取高光谱数据的主要结构特征,有助于对数据的理解和进一步处理。但是,这些方法忽视了高光谱图像中相邻像素之间的相关性。针对这个问题,提出一种基于空间一致性思想的邻域保留嵌入(SC-NPE)特征提取算法,通过一个优化的局部线性嵌入,并考虑相邻像素的相关特性,在高维空间建立数据的局部邻域结构。然后寻找一个优化的变换矩阵,将局部邻域结构投影到低维空间,实现数据的特征提取。与LLE和NPE算法相比,SC-NPE既考虑高光谱数据的流形结构,又考虑了其图像域空间信息,可以更好地应用在高光谱数据的特征提取过程中。实验结果表明,SC-NPE特征提取算法在高光谱图像分类方面的性能明显优于其他同类算法。     

Orthogonal isometric projection for face recognition

Isometric projection(IsoProjection) is a linear dimensionality reduction method,which explicitly takes into account the manifold structure embedded in the data.However,IsoProjection is non-orthogonal,which makes it extremely sensitive to the dimensions of reduced space and difficult to estimate the intrinsic dimensionality.The non-orthogonality also distorts the metric structure embedded in the data.This paper proposes a new method called orthogonal isometric projection(O-IsoProjection),which shares the same linear character as IsoProjection and overcomes the metric distortion problem of IsoProjection.Similar to IsoProjection,O-IsoProjection firstly constructs an adjacency graph which can reflect the manifold structure embedded in the data and the class relationship between the sample points of face space,and then obtains the projections by preserving such a graph structure.Different from IsoProjection,O-IsoProjection requires the basis vectors to be orthogonal,and the orthogonal basis vectors can be calculated by iterative way.Experimental results on ORL and Yale databases show that O-IsoProjection has better recognition rate for face recognition than Eigenface,Fisherface and IsoProjection.     

Neighbourhood preserving discriminant embedding in face recognition

In this paper, we present an effective technique on discriminative feature extraction for face recognition. The proposed technique incorporates Graph Embedding and the Fisher’s criterion where we call it as Neighbourhood Preserving Discriminant Embedding (NPDE). Utilizing the Graph Embedding criterion, the underlying nonlinear face data structure is revealed as representative and discriminative features for analysis. We employ Neighbourhood Preserving Embedding (NPE) for the purpose. NPE takes into account the restriction that neighbouring points in the high-dimensional space must remain within the same neighbourhood in the low dimension space and be located in a similar relative spatial situation (without changing the local structure of the nearest neighbours of each data point). Furthermore, by taking the advantage of the Fisher’s criterion, the discriminating power of NPDE is further boosted. Based on this intuition, NPDE obtains better discriminative capability and experimentally verified in ORL, PIE and FRGC.     

Research on a face recognition algorithm based on 3D face data and 2D face image matching

Under the condition of weak light or no light, the recognition accuracy of the mature 2D face recognition technology decreases sharply. In this paper, a face recognition algorithm based on the matching of 3D face data and 2D face images is proposed. Firstly, 3D face data is reconstructed from the 2D face in the database based on the 3DMM algorithm, and the face depth image is obtained through orthogonal projection. Then, the average curvature map of the face depth image is used to enhance the data of the depth image. Finally, an improved residual neural network based on the depth image and curvature is designed to compare the scanned face with the face in the database. The method proposed in this paper is tested on the 3D face data in three public face datasets (Texas 3DFRD, FRGC v2.0, and Lock3DFace), and the recognition accuracy is 84.25%, 83.39%, and 78.24%, respectively.     

Kernel neighborhood preserving embedding for classification

The Neighborhood Preserving Embedding(NPE)algorithm is recently proposed as a new dimensionality reduction method.However,it is confined to linear transforms in the data space.For this,based on the NPE algorithm,a new nonlinear dimensionality reduction method is proposed,which can preserve the local structures of the data in the feature space.First,combined with the Mercer kernel,the solution to the weight matrix in the feature space is gotten and then the corresponding eigenvalue problem of the Kernel NPE (KNPE) method is deduced.Finally,the KNPE algorithm is resolved through a transformed optimization problem and QR decomposition.The experimental results on three real-world data sets show that the new method is better than NPE,Kernel PCA (KPCA) and Kernel LDA(KLDA)in performance.     

一种应用于人脸识别的核正交等度规映射算法

针对人脸识别中的特征提取,提出了一种新的核正交等度规映射(KOIsoP,kernel orthogonal isometric projection)人脸识别算法。首先用核方法提取人脸图像中的非线性信息,并将其投影在一个高维非线性空间,从而更好地提取人脸非线性流形结构信息。然后通过等度规映射做一线性映射得到基向量。最后正交化得到的基向量,使得算法更利于保留人脸非线性子流形空间与距离有关的结构信息和重构样本,以便获得更好的识别效果。ORL和PIE库上的人脸识别实验验证了算法的有效性。