基于直接局部保持投影和尺度不变特征变换的人脸识别方法

尺度不变特征变换(SIFT)算法提取的人脸特征具有一定的鲁棒性,但存在数据维数过高和计算过于复杂的问题。为此,提出一种基于直接局部保持投影-尺度不变特征变换(DLPP-SIFT)的人脸识别算法。首先采用SIFT算法进行特征提取,然后结合子空间方法局部保持投影(LPP)进行降维,利用直接对角化方法求取特征矩阵,解决了LPP的奇异值问题。在ORL和FERET人脸库的实验结果表明,DLPP-SIFT算法可显著减少计算复杂度和特征匹配时间,与SIFT、主成分分析(PCA)-SIFT、LPP-SIFT相比,具有更好的鲁棒性。     

基于局部二元模式的人脸表情识别

提出了一种基于局部二元模式（LBP）和局部保全投影（LPP）相结合的面部表情识别方法。使用LBP算子对图像分块处理,综合人脸局部和整体的特征;再使用LPP对表情特征降维,最后采用支持向量机对面部表情分类。在日本女性人脸表情库上实验表明,本文提出的方法有更好的识别率和更快的识别速度。     

基于图像矩阵判别局部保持投影的人脸识别

提出一种基于图像矩阵判别局部保持投影的人脸识别方法。图像矩阵判别局部保持投影是在局部保持投影基础上进行了扩展,考虑了类标签信息并在其目标函数中增加类间散度约束,使得求解的特征更具判别性。另外,图像矩阵判别局部保持投影是直接处理图像矩阵而不需要将矩阵转化为向量,保留了像素间的空间位置关系,避免了奇异性问题。实验结果表明该方法是有效的。     

基于自适应最近邻的局部保持投影算法

局部保持投影（LPP）是一种新的数据降维技术,但其本身是一种非监督学习算法,对于分类问题效果不是太好。基于自适应最近邻,结合LPP算法,提出了一种有监督的局部保持投影算法（ANNLPP）。该方法通过修改LPP算法中的权值矩阵,在降维的同时,增加了类别信息,是一种有监督学习算法。通过二维数据可视化和UMIST、ORL 人脸识别实验,表明该方法对于分类问题具有较好的降维效果。     

基于学习超分辨率重建中的样本选择方法

提出一种人脸图像超分辨率重建（Super-Resolution Reconstruction,SRR）的自适应学习样本选择方法。利用局部保持投影（Locality Preserving Projections,LPP）算法的局部保持能力,在人脸图像局部流形上分析其非线性结构特征,并给出了LPP变换向量的数值解法。在LPP的特征空间中动态搜索学习样本,即选择出与输入图像块最为相似的像素块集合。利用选择出的样本通过基于像素块的特征变换法完成超分辨率重建。实验表明,自适应样本选择方法可以快速、有效地选择出少量学习样本,具有良好的图像高频信息复原能力。     

局部结构保持的鉴别分析方法

局部投影保持LPP(Locality Preserving Projections)是一种局部特征提取算法,它能够有效地保留数据集的局部结构。不相关保局投影鉴别UDLPP(Uncorrelated Discriminant Locality Preserving Projections)在LPP的基础上考虑了类别信息,通过保留类内几何结构并最大化类间距离获得了良好的鉴别性能。结合UDLPP的思想,在UDLPP的基础上提出了一种局部结构保持的鉴别分析方法PCLSP(Pattern Classification based on Local Structure Preserving)。该方法结合了数据集的类别信息以及数据集的局部结构信息,通过最小化类内近邻分离度以及最大化类间近邻分离度来提高鉴别性能,从而进一步反映了数据的局部结构,提高了识别率。通过在ORL(Olivetti-Oracle Research Lab)和YALE两个标准人脸库上实验验证了该算法的有效性。     

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。     

基于局部保持投影的复合位置投影

为解决在人脸识别领域的特征提取问题,提出一种基于局部保持投影（LPP）的复合位置投影（MLPP）方法,通过选取不同的类内、类间度量矩阵和约束矩阵,将求解最优变换矩阵的问题转换成普通的特征值问题。在构造邻接图时,该算法将相同类各点作为邻接点,将类内结构保持到特征空间中,在保留局部结构稳定的同时,使整体结构趋于最大化,从而形成高效的聚簇。在AT&T和JAFFE标准人脸图像库上的实验结果表明,MLPP算法具有较高的识别率。     

Discover latent discriminant information for dimensionality reduction: Non-negative Sparseness Preserving Embedding

How to define sparse affinity weight matrices is still an open problem in existing manifold learning algorithms. In this paper, we propose a novel unsupervised learning method called Non-negative Sparseness Preserving Embedding (NSPE) for linear dimensionality reduction. Differing from the manifold learning-based subspace learning methods such as Locality Preserving Projections (LPP), Neighbor Preserving Embedding (NPE) and the recently proposed sparse representation based Sparsity Preserving Projections (SPP); NSPE preserves the non-negative sparse reconstruction relationships in low-dimensional subspace. Another novelty of NSPE is the sparseness constraint, which is directly added to control the non-negative sparse representation coefficients. This gives a more ground truth model to imitate the actions of the active neuron cells of V1 of the primate visual cortex on information processing. Although labels are not used in the training steps, the non-negative sparse representation can still discover the latent discriminant information and thus provides better measure coefficients and significant discriminant abilities for feature extraction. Moreover, NSPE is more efficient than the recently proposed sparse representation based SPP algorithm. Comprehensive comparison and extensive experiments show that NSPE has the competitive performance against the unsupervised learning algorithms such as classical PCA and the state-of-the-art techniques: LPP, NPE and SPP.     

基于流形的表情分解算法

提出了基于流形的表情分解算法。首先,运用保局投影将图像投影到低维的表情流形子空间,再在流形子空间里对它们进行高阶奇异值分解,最后在个人子空间和表情子空间里完成人脸和表情识别。该算法用流形学习解决了高阶奇异值分解中的图像特征值提取问题,用高阶奇异值分解解决了流形表情识别中个人模式影响表情识别的问题。是一种流形学习与高阶奇异值分解优势互补的算法。在CMU-AMP和JAFFE人脸库上的实验表明,该算法对人脸和表情识别都十分有效。     

基于Haar小波和保局投影的人脸识别

运用保局投影(LPP)算法进行人脸识别时,噪声会破坏真实流形。为此,提出一种解决噪声的新方法——HaarLPP方法。该方法利用Haar小波变换降低噪声的影响,运用LPP算法进行降维,依据最近邻准则完成人脸识别。基于AT&;T与Sheffiled人脸数据库的实验结果表明,该方法在噪声的敏感性方面优于传统LPP算法。     

无参数局部保持投影及人脸识别

局部保持投影(LPP)通过构造近邻图来保持样本的局部结构,在构图过程中,LPP面临复杂的参数选择问题.为解决此问题,提出无参数局部保持投影(PLPP)算法.首先设计一种无参数的构图方法,能够动态地获取样本的近邻点并配置相应的边权.其次,利用该构图方法,PLPP通过寻求最佳投影矩阵,用于保持样本在低维空间的局部结构.由于PLPP在构图过程中并未设置任何参数且采用余弦距离设置边权,因此PLPP计算更加方便快捷且对离群样本更具鲁棒性.另外,为进一步提升PLPP的识别性能,在PLPP的基础上通过加入样本的类别信息,提出监督的无参数局部保持投影算法(SPLPP).最后,在ORL、FERET及AR人脸库上的实验验证了PLPP与SPLPP的有效性.     

2DPCA+2DLDA和改进的LPP相结合的人脸识别算法

针对局部保持投影（LPP）算法无监督且只保留局部信息的特性,提出一种2DPCA+2DLDA和改进的LPP相结合的人脸识别算法。将训练集样本用2DPCA+2DLDA算法进行投影,保留数据整体空间信息和分类信息;引入类内、类间信息对LPP算法的关系矩阵进行优化,使LPP成为有监督的非线性学习方法,采用改进的LPP（ILPP）算法对训练集图像进行二次投影,提取样本的局部流形信息,并作为人脸识别信息进行鉴别。在Yale和ORL人脸库的测试结果验证了该方法的有效性。     

基于Gabor相位纹理表征的人脸识别方法

为降低Gabor特征的维数,提出一种基于Gabor相位的纹理表征(GPTR)方法,将其应用于人脸识别。GPTR采用广义高斯分布 (GGD)拟合Gabor相位的分布,将拟合的GGD参数作为纹理特征。采用保局投影方法对纹理特征向量进行子空间分析,进一步降低其维数并增强鉴别力。在FERET及Yale人脸库上的实验结果表明,相比传统的Gabor幅值特征,GPTR具有更高的人脸识别准确率。     

保局投影算法在图像检索中的应用研究

对国际上近来提出的保局投影（LPP）算法在图像检索中的最新应用研究进行了详细介绍;分析指明了几种基于LPP的图像检索算法的特点;设计并完成了基于LPP的图像检索算法图像检索效果的比较实验;最后根据实验结果总结了各类算法的优缺点。     

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。     

基于谱回归判别分析的LPP算法

判别局部保持投影DLPP算法在计算过程中需要解决稠密矩阵特征分解问题,这使得该算法在时间和内存上消耗都非常高。谱回归判别分析SRDA算法可以有效的节省时间和内存的消耗。基于SRDA,提出一种改进的局部保持投影LPP算法——谱回归判别局部保持投影算法SRDLPP。实验结果表明,该算法可以提高识别率,同时降低时间和内存消耗。     

基于改进的局部保持投影算法的人脸识别

局部保持投影算法是基于流形的学习方法,在人脸识别过程中容易遇到奇异值问题,为此提出一种利用奇异值分解的方法。在模型中,样本数据被投影到一个非奇异正交矩阵中,解决了奇异值问题;然后再根据局部保持投影算法求出新样本空间的低维投影子空间。将训练样本和测试样本分别投影到低维子空间中,再利用最近邻分类器进行分类识别。在ORL人脸数据库中,采用了一系列的实验来对比该算法与传统局部保持投影算法和主成分分析算法的识别效果。实验结果验证了改进的局部保持投影算法在人脸识别的有效性。     

一种应用于人脸识别的超分辨率方法

为提高局部保持投影(LPP)在人脸图像超分辨率中的适用性,在LPP中引入典型相关分析(CCA),提出一种相关性增强的局部保持投影方法(CELPP)。CELPP用于提取高分辨率图像与低分辨率图像特征,根据关系学习建立低分辨率图像特征与高分辨率图像特征之间的映射变换,输入低分辨率图像,通过CELPP特征提取和关系映射,得到高分辨率图像,并将其用于人脸识别。对人脸库ORL和Yale进行的实验结果表明,该方法同时考虑了高分辨率图像与低分辨率图像的相似性及同类图像的局部结构性,在基于人脸识别的超分辨率应用中优于LPP和CCA。     

基于QR分解的扩展监督局部保留映射

针对局部保留映射(LPP)算法不能提供数据集的差异信息问题,提出一种基于QR分解的扩展有监督LPP算法。该方法对训练数据矩阵进行QR分解,采用有监督的LPP算法进行降维,利用类别信息对降维后的数据进行Fisher线性判别式分析,得到最终的映射矩阵以提高判别性能。实验结果表明,该方法较主成分分析法和LPP方法有更好的判别性能。