基于非线性映射的Fisher判别分析

提出一种非线性分类3-法——基于非线性映射的Fisher判别分析（NM-FDA）．首先提取基向量;然后采用Nystrom方法,以基向量为训练样本．将形式未知的非线性映射近似表达为已知形式的非线性映射,这种近似的非线性映射将变量由非线性的输入空间转换到线性的特征子空澡;最后对映射数据进行线性Fisher判别分析．实验采用7组标准数据集,结果显示NM-FDA具有较强的分类能力．     

基于统计特征和小波分解方法的人脸识别研究

计算机的自动人脸识别是当今研究的热点和难点,并且在安全系统和商贸系统等领域有着广泛的应用。论文介绍了用于人脸识别的基于统计特征的方法和基于小波分解的方法,并对每种识别方法进行分析与比较,总结了影响人脸识别技术应用的关键因素。     

基于轮廓波变换和核Fisher判别分析的人脸识别

Contourlet变换是一种新的多尺度几何分析方法,它不仅具有小波变换的多分辨率特性和时频局域特性,还具有很强的方向性和各向异性.提出基于Contourlet变换和核Fisher判别分析的人脸识别方法,研究了Contourlet变换的低频系数、各层高频系数与核Fisher判别分析相结合进行人脸识别的识别率和识别时间.实验表明,Contourlet变换的低频系数与核Fisher判别分析相结合,有优异的识别率,也减少了识别时间;高频成分有一定的识别性能,但识别率较低.将低频成分与高频方向子带相结合能获得最优的识别率.     

广义并行2维复判别分析的人脸识别

目的 针对2维线性鉴别分析提取人脸特征向量稳定性较差、仅对行或列方向提取特征时容易丢失不同行或列间有助于鉴别分析的协方差信息、同时存在特征维数较高的问题,提出一种广义并行2维复判别分析的人脸识别方法。方法 首先对人脸图像进行广义并行2维线性判别分析处理,根据特征值贡献率动态选取特征向量组成正交投影矩阵,完成水平和垂直方向上的投影;其次将处理后得到的两类特征矩阵以复数的实部和虚部形式相加,对融合后的特征矩阵进行广义2维复判别分析处理得到复特征矩阵;然后以复特征矩阵的特征值大小来衡量特征矩阵分量的识别性能,对特征矩阵分量进行重新排序,选取最具鉴别力的分量形成最终表征人脸的特征;最后采用最大相似度分类器比较测试样本与训练样本特征的相似度,进行人脸图像特征的分类识别。结果 在Yale、ORL、FERET、CMU-PIE及LFW人脸数据库上进行实验测试,该方法的最优识别率分别为100%、100%、98.98%、99.76%及98.67%,特征维数在8590之间,表明该方法对复杂条件下的人脸识别有较高的准确率和较低的空间占有率。结论 该方法能够有效克服2维线性鉴别分析提取特征稳定性差、特征空间中特征重叠、存储系数多、特征维数高的缺点,表现出较高鲁棒性和准确率及较低空间复杂度的特性。     

基于广义Fisher鉴别分析的人脸识别

本文提出了一种基于广义Fisher鉴别分析的人脸识别新方法。在ORL标准人脸库上的试验结果证实了所提出方法的有效性和稳定性。     

基于小波变换和Fisher判别分析的人脸识别方法

提出了一种将小波变换和Fisher判别分析相结合的人脸识别方法.该方法先对经过预处理的标准脸像进行二级小波分解,并将第一级低频子带系数与第二级低频子带的积分投影结果一并作为该图像的一次特征;然后再对其进行Fisher判别分析得到一个低维的特征矢量,同时判别能力得到了有效增强,判别分析中采用了一种"同步对角化类间、类内散布矩阵"的策略,避免了传统FDA求解方法受类内散布矩阵Swth出现奇异的困扰.在YALE和ⅡS两个人脸数据库上进行验证,采用了简单的最近邻分类器,结果表明该方法产生的识别性能优于传统的Eigenfaces和Fisherfaces方法.     

基于零空间核判别分析的人脸识别

提取有效特征对高维数据的模式分类起着关键作用.零空间线性判别分析(null-space linear discriminant analysis,NLDA)在数据降维和特征提取上表现出较好的性能,但是该方法本质上仍是一种线性方法.为有效提取数据的非线性特征,提出了零空间核判别分析算法(null-space kernel discriminant analysis,NKDA)并将其应用于人脸识别.利用核函数将原始样本隐式地映射到高维特征空间后,采用一次瘦QR分解求核类内散布矩阵的零空间鉴别矢量集,最后再进行一次Cholesky分解求得具正交性的核空间鉴别矢量集.与NLDA相比,NKDA具有更好的识别性能且在大样本情况下也能应用.另外,基于NKDA,提出了增量NKDA算法,当增加新的训练样本时能正确地更新NKDA鉴别矢量集.在ORL库、Yale库和PIE子库上的实验结果表明了算法的有效性和效率,在有效降维的同时能进一步提高鉴别能力.     

L_(2,1)范数正则化的广义核判别分析及其人脸识别

特征选取和子空间学习是人脸识别的关键问题。为更准确选取人脸中丰富的非线性特征,并解决小样本问题,提出了一种新的L_(2,1)范数正则化的广义核判别分析(generalized kernel discriminant analysis based on L_(2,1)-norm regularization,L21GKDA)。利用核函数将原始样本隐式地映射到高维特征空间中,得到广义核Fisher鉴别准则,再利用一种有效变换将该非线性模型转化为线性回归模型;为了能使特征选取和子空间学习同时进行,在模型中加入了一种L_(2,1)范数惩罚项,并给出该正则化方法的求解算法。因为方法借助于L_(2,1)范数惩罚项的特征选取能力,所以它能有效地提高识别率。在ORL、AR和PIE人脸库上的实验结果表明,新算法能有效选取人脸的非线性特征,提高判别能力。     

张量局部Fisher判别分析的人脸识别

子空间特征提取是人脸识别中的关键技术之一,结合局部Fisher判别分析技术和张量子空间分析技术的优点, 本文提出了一种新的张量局部Fisher判别分析(Tensor local Fisher discriminant analysis, TLFDA)子空间降维技术. 首先,通过对局部Fisher判别技术进行分析,调整了其类间散度目标泛函, 使算法的识别性能更高且时间复杂度更低;其次,引入张量型降维技术对输入数据进行双边投影变换而非单边投影, 获得了更高的数据压缩率;最后,采用迭代更新的方法计算最优的变换矩阵.通过ORL和PIE两个人脸库验证了所提算法的有效性.     

改进的线性判别分析及人脸识别

为有效解决传统LDA（线性鉴别分析）的小样本规模问题,提出一种改进的LDA算法。首先对样本进行无损降维;然后在Fisher准则基础上,用散度矩阵差代替散度矩阵的比值,避免对类内矩阵求逆的同时也降低了计算复杂度,实现有效的特征抽取;最后实现对人脸的识别。实验结果表明,该算法是有效的,优于传统LDA方法。     

基于核的多元区别分析算法的特征抽取及其在人脸识别中的应用

提出了一种基于核技术的求多元区别分析最佳解的K1PMDA算法，并把这一算法应用于人脸识别中。对线性人脸识别中存在两个突出问题：1、在光照、表情、姿态变化较大时，人脸图像分类是复杂的、非线性的；2、小样本问题，即当训练样本数量小于样本特征空间维数时，导致类内散布矩阵奇异。对于前一个问题，可以采用核技术提取人脸图像样本的非线性特征，对于后一个问题，采用加入一个扰动参数的扰动算法。通过对ORL，Yale Group B以及UMIST三个人脸库的实验表明，该算法是可行的、高效的。     

一种融合KPCA和KDA的人脸识别新方法

核判别分析（KDA）和核主成分分析（KPCA）分别是线性判别分析（LDA）和主成分分析（PCA）在核空间中的非线性推广,提出了一种融合KDA和KPCA的特征提取方法并应用于人脸识别中,该方法综合利用KDA和KPCA 的优点来提高人脸识别的性能。此外,还提出了一种广义最近特征线(GNFL)方法来构造有效的分类器。实验结果证明：提出的方法获得了更好的识别结果。     

人脸识别中基于学习的核图像微分滤波器

针对人脸识别应用,提出一种基于学习且具有鉴别能力的核图像微分滤波器。首先,区别于现有滤波器的手工设计方法,该滤波器利用训练集动态学习获得,通过在学习过程中融入线性判别分析（LDA）思想,可在增加滤波后图像类内相似度的同时减小类间相似度;其次,在线性滤波分类器的基础上进一步引入二阶微分信息,并结合核方法在高维空间下进行滤波器学习,使得图像中的细节和非线性信息可以得到更好的利用并获得更具鉴别力的特征描述。AR和ORL人脸库上的多组对比实验结果表明,与线性可学习图像滤波器IFL、不考虑微分信息的核图像滤波器以及只考虑一阶微分信息的核图像滤波器进行比较,所提算法可有效提高识别性能。     

基于部件的级联线性判别分析人脸识别

文章提出一种基于人脸部件表示的级联线性判别分析人脸识别方法。该方法将人脸图像划分为具有交叠区域的多个部件,对每个部件应用线性判别分析以寻找该部件的判别方向,然后对所有部件应用线性判别分析以寻找总体最优判别方向。以从该级联线性判别分析提取的特征作为人脸描述。在FERET人脸库上的人脸识别和人脸确认的实验结果表明,该方法优于传统的基于全局图像的Fisherface方法。     

基于集成学习的规范化LDA人脸识别

针对人脸识别问题中经常面临的“小样本”问题,在规范化的LDA算法的基础上加以改进,并结合集成学习的方法,利用Adaboost算法,在每一次的迭代过程中引进一个加权函数对难以分离的样本增加权重。增加分类器之间的差异度,从而提高样本在新的特征空间中的可分离性,将识别率提高至98.5%。通过ORL数据库的大量实验表明,该算法比传统算法有更好的性能。     

基于LBP和Fisherfaces的多模态人脸识别

提出一种结合局部二值模式（LBP）和Fisherfaces的多模态人脸识别方法。用LBP算子提取人脸灰度图像和深度图像的区域LBP直方图序列（LBPHS）,再采用Fisherfaces分别构建相应的线性子空间,用余弦相似度作为投影向量的相似度量,用加权求和规则进行信息融合。在FRGC数据库上的实验结果表明,该方法要明显优于LBPHS与直方图交及Fisherfaces与余弦相似度的融合,等错误率仅为0．33％。     

基于加权不相关鉴别分析的人脸识别

提出了一种基于加权不相关鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以改善样本在低维线性空间中的可分性;然后,以给出的加权Fisher准则为目标函数,在共轭正交的约束下求解其最佳投影方向,从而保证所提取的最佳鉴别特征之间的统计不相关性。实验结果表明,与经典的特征脸方法和Fisher脸方法相比,该方法对光照变化、表情变化以及时间变化等不敏感,具有更好的鲁棒性。     

基于加权Fisher准则的线性鉴别分析及人脸识别

提出了一种基于加权Fisher准则线性鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以提高样本在低维线性空间中的可分性,然后探讨了高维、奇异情况下如何降低运算量的问题,并给出了一个简单高效的算法。在ORL标准人脸库上进行测试,由该算法抽取的特征在最近邻分类器和最小距离分类器下均达到96%的正确识别率,这一结果优于经典的特征脸和Fisher脸方法在该库上的识别结果。     

一种增量PCA算法及其在人脸识别中的应用

主成分分析（PCA）是模式识别领域一种重要的方法,现在已被广泛地应用于人脸识别算法中,但基于PCA人脸识别系统在应用中面临着一个重要障碍：增量学习问题。针对这个问题,提出了一种适用于成批增量数据的IPCA算法,该算法在原始PCA分解的基础上,利用空间投影变换,使得可以在一个低维空间求解整体PCA,从而降低了求解的复杂度,在此基础上对该增量算法进行了核化,并在ORL人脸数据库上验证了算法的有效性。     

对称LDA及其在人脸识别中的应用

线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。基于人脸的一种直观自然特性——镜像对称性,提出一种算法——对称线性鉴别分析。该算法引入镜像变换,生成镜像样本,依据奇偶分解原理,生成镜像奇、偶对称样本,并分别提取各奇偶样本的对称鉴别特征。理论分析与实验证明,该算法合理地利用了镜像样本,既扩大了样本容量,又提高了人脸识别率。