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。     

核空间正交及不相关邻域保持鉴别嵌入算法

针对人脸识别中的非线性特征提取问题,基于邻域保持嵌入,提出了一组在核空间具有正交性鉴别矢量和一组在核空间具有统计不相关性鉴别矢量的计算方法.算法首先利用核的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.然后在目标函数中最小化核空间类内邻域散度并最大化核空间类间邻域散度来增强算法的分类鉴别能力.最后通过...     

基于核映射的无相关鉴别矢量集算法

针对人脸识别这一非线性分类问题,提出了一种基于核的无相关鉴别矢量集算法。应用了支持向量机中核函数的思想,通过核映射将原空间的非线性分类问题转化为特征空间的线性分类问题,然后在特征空间进行无相关鉴别矢量集的求取。其优势在于:利用核函数不但可以将非线性问题转化为线性问题,而且可以提取样本图像的高阶统计特征。在ORL人脸库中的测试结果表明,与传统的全局正交鉴别矢量集算法及传统的无相关鉴别矢量集算法相比,基于核映射的无相关鉴别矢量集算法有更高的识别率,最高识别率可达到99%。     

基于类别多核局部判别嵌入的人脸识别

在局部判别嵌入的基础上提出了一种有效的非线性子空间学习方法:类别多核局部判别嵌入.首先针对给定数据的类别信息,定义基于每一个类别的局部核函数,形成多核,接着将不同的局部核函数进行线性组合作为最终的核函数引入到局部判别嵌入算法中,得到类别多核局部判别嵌入算法,在核空间内提取图像高阶非线性信息.在ORL和Yale库上的人脸识别表明该方法是有效的.     

基于核贝叶斯压缩感知的人脸识别

为加快人脸识别速度和提高人脸识别率,将贝叶斯压缩感知算法进行核扩展并运用到人脸识别,改进局部特征统计方法,结合空间金字塔模型,用于人脸图像的特征提取。首先用局部特征统计提取图像特征,在此基础上再进行第二层局部统计,然后根据空间金字塔模型分层提取不同空间尺度的特征,最后运用核贝叶斯压缩感知算法分类。在AR和FERET人脸数据库上的试验结果表明,本研究算法相对于传统方法具有更好的性能。     

基于核方法的二维线性判决分析的人脸识别算法

针对基于二维线性判决分析的人脸识别算法中缺少非线性判决信息的问题,提出了一种改进的基于核方法的二维线性判决分析的人脸识别算法。实验结果表明,改进后的算法相对原算法具有更好的识别效果。在此基础上研究了在使用多项式核函数时本文算法的性能,得出了在选用低次数多项式核函数时识别率较高的结论。     

非线性隐核偏最小二乘回归算法及其应用

利用隐核映射技术,将输入数据映射到一个高维隐特征空间,然后在隐特征空间里引入改进的非线性迭代算法构造线性PLS回归模型,提出了一种新的非线性隐核偏最小二乘回归算法(HKPLS)并应用于非线性系统建模中.仿真验证了所提方法的有效性.     

基于核空间的全局正交鉴别矢量集方法

提出了一种基于核的全局正交鉴别矢量集方法。首先应用支持向量机中核函数的概念,将样本隐式地映射到特征空间,然后构造特征空间的正交空间,再将特征空间样本映射到特征空间的正交空间,求解基于Fisher的全局正交鉴别矢量集。在ORL人脸图像库上的实验结果表明,与现有的基于核的广义鉴别矢量集算法(GDA)和改进的基于核的广义鉴别矢量集算法(MGDA),以及基于核的直接鉴别矢量集算法(KDDA)相比,本文算法有更高的识别率及鲁棒性。     

基于再生核空间的语音信号的正交分解与实现算法

提出了一种在Hilbert空间W21[a,b]中对语音信号进行正交分解的方法及其实现算法.利用Hilbert空间W21[a,b]的再生核函数构造一组{φj*(x)}1n标准正交函数组,基于该函数组{φj*(x)}1n对语音信号实施正交分解,再根据W21[a,b]中再生核函数的性质给出了计算正交分解系数的快速算法.该方法将离散的问题影射到连续函数空间中进行处理,同时将Hilbert空间中的内积计算问题转化为函数在离散点的取值问题.实验结果表明,该方法可用于语音信号重建与特征抽取.     

再生核支持向量机在非线性系统中的应用

为了提高非线性系统辨识的精度,提出用Walsh函数作为空间V0的尺度函数,构造出L2(R)空间的正交规范序列。结合小波多分辨分析,将Hilbert空间分为一系列子空间,并由可分Hilbert空间与L2(R)的等价性,利用内积同构的线性算子,可以把V0子空间的尺度函数折算为Hilbert空间的子空间V0的尺度函数,构造出新的Walsh序列再生核。通过仿真实验,与传统的RBF核函数、高斯核函数等比较,该尺度再生核函数具有更高的辨识精度,较少支持向量数目,充分体现了支持向量机较好的推广性能。     

智能环境下基于核相关权重鉴别分析算法的多特征融合人脸识别

针对智能会议环境下基于单模特征的人脸识别的识别率低、鲁棒性差的问题,提出了一种在智能会议室环境下基于核相关权重鉴别分析(KRWDA)算法的融合全局和局部特征的多特征融合人脸识别方法。基于相关权重鉴别分析算法并结合核方法,提出了一种核相关权重鉴别分析算法,有效解决了小样本问题。利用全局特征和局部特征在识别时所描述的内容和作用的互补性在特征层融合两种特征,全局信息和局部信息分别采用离散余弦变换和Ga-bor小波变换提取。在AMIES2016数据库上的仿真实验表明,本文所提出的方法可以有效地提高系统身份识别的正确率。     

基于核邻域保持判别嵌入的人脸识别

为了提取高维人脸图像中的非线性特征,提出一种新的非线性降维方法:核邻域保持判别嵌入算法(KNPDE).为了表示特征空间中类间邻域结构和不同类样本间的相似度,分别构建类内邻接矩阵和类间相似度矩阵.通过使用核技巧,KNPDE将邻域保持嵌入(NPE)和Fisher判别准则相结合,在保持特征空间中类内邻域结构的同时充分利用类间判别信息,从而具有更强的分类能力.在Yale和UMIST人脸库上的试验结果进一步表明了该算法的有效性.     

用小波变换和Fisher判别对人脸进行特征提取

提出了一种用小波变换和核函数Fisher判别对人脸进行特征提取的方法.同传统的特征提取方法相比,用核函数Fisher判别进行特征提取,不仅可以对人脸图像进行维数压缩,而且还可以有效利用提样本的类别信息.同时,用小波变换对人脸图像进行预处理以降低计算复杂度.同传统的Fisher变换相比,可以较好地解决人脸识别这一非线性问题.实验结果表明方法是有效的.     

基于核Fisher判别分析的目标识别

核Fisher判别分析是基于Fisher线性判别提出的一种非线性分类方法,其主要思想是首先把样本映射到某一特征空间,然后在此特征空间进行Fisher线性判别,这样就隐含地实现了原输入空间的非线性判别. 分析了核Fisher判别方法的分类机理,然后基于此方法对三类实际的船舶目标噪声谱进行了识别,并与神经网络、支撑矢量机等其他分类方法做了比较. 实验结果表明,核Fisher判别分析(加上一线性支撑矢量机做阈值估计)的识别效果优于其他分类算法.     

基于改进的核判别分析的人脸识别算法研究

由于目前面临光照、表情、姿态等影响,人脸识别是计算机视觉领域中的一个难题.由于人脸图像蕴含着丰富的纹理信息,充分利用纹理特征也是提高人脸识别算法的有效方法.利用图像处理中信号处理和学习两种方法的优势,提出了基于Gabor小波和KDCV相结合的图像特征提取算法.首先利用小波分析提取人脸图像的纹理特征,然后用改进的核判别分析方法对提取的纹理特征进行降维,用降维后的数据作为人脸识别的特征.通过仿真实验表明,改进的核判别分析算法可有效提高人脸识别正确率,提高算法的实际应用性.