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。     

应用于人脸识别的改进局部保持投影算法

局部保持投影算法（locality preserving projections,LPP）作为降维算法,在机器学习和模式识别中有着广泛应用。在识别分类中,为了更好的利用类别信息,在保持样本点的局部特征外,有效地从高维数据中提取出低维的人脸图像信息并提高人脸图像的识别率和识别速度,使分类达到一定优化,基于LPP算法结合流形学习思想,通过构造一种吸引向量的方法提出一种改进的局部保持投影算法（reformation locality preserve projections ,RLPP）。将数据集利用极端学习机分类器进行分类后,在标准人脸数据库上的进行试验,实验结果证明,改进后算法的识别率优于LPP算法、局部保持平均邻域边际最大化算法和鲁棒线性降维算法,具有较强的泛化能力和较高的识别率。     

一种基于Schur分解的正交鉴别局部保持投影方法

人脸识别是模式识别领域中的一项重要的研究课题。到目前为止,已经提出了许多方法来处理人脸的识别问题。最近,许多流形学习算法被提出并且成功地应用于人脸识别当中。这些流形学习方法能够保持人脸图像数据的局部结构,同时,还可以发现人脸的非线性结构。在这些流形学习方法中,局部保持投影方法(LPP)是最有效的方法之一。基于LPP方法,提出了一种新的人脸识别方法——基于Schur分解的正交鉴别局部保持投影方法(ODLPPS)。与LPP方法相比,ODLPPS 把类间散度与类内散度之差的信息融入到LPP的目标函数中并且获得了正交的基向量。在ORL和Yale 人脸数据库上的实验结果表明,该方法在识别性能上优于一些已经存在的方法,如eigenface,Fisherface,LPP 和orthogonal LPP(OLPP)。     

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.     

基于监督协同近邻保持投影的人脸识别算法

基于流形学习理论的近邻保持嵌入算法(Neighborhood Preserving Embedding,NPE)能够发现数据集中隐含的内蕴结构,但当训练样本不足时,无法准确发现数据的内在流形结构,从而影响算法的识别效果.针对这一问题,对NPE算法进行改进,提出了监督协同近邻保持投影算法(Supervised Collaborative Neighborhood Preserving Projection,SCNPP).该算法在类别信息的指导下构建近邻图,使同类样本间的几何关系得到保持,利用协同表示弥补NPE因样本不足造成的表示误差,以一个有效保持样本近邻关系、准确发现数据内在流形结构的权值矩阵计算投影矩阵,提高分类效果.在FERET、AR和Extended Yale B人脸数据集上的实验验证了该算法的有效性.     

基于改进的自适应局部保持投影算法的人脸识别

局部保持投影(LPP)通过构造近邻图来保持样本的局部结构,在构造近邻图的过程中,LPP会遇到两个参数K和σ的选择问题。近邻图的构建对算法的识别效果起着重要的作用,因而这两个参数的选择会在很大程度上影响LPP的识别率。为了避免参数的选择对识别率造成影响,提出了一种基于改进的自适应局部保持投影的人脸识别算法。首先,构造无参数的近邻图,其能够自适应地选取样本的近邻点并确定其相应的边权。其次,由于在计算过程中出现了矩阵维数过高的问题,因此采用QR分解进行降维处理。最后,利用共轭正交化使得投影轴具有统计不相关性,以降低特征矢量间的统计相关性,提高识别率。在ORL人脸库和YALE人脸库上进行了实验,结果表明改进的算法在识别率方面整体上好于LPP算法、DLPP算法、LMMC算法。     

基于监督的局部保存投影的人脸识别

人脸识别是计算机视觉的一个重要分支,而且它可以被应用到许多领域。维数约减对人脸识别来说是十分重要的,不仅可以去除一些不必要的噪声,还可以有效地减少计算复杂度。传统的局部保存投影（LPP）算法仅仅考虑了样本点的局部邻居信息,并没有考虑到不同类别的样本对分类效果的影响,结果会造成不同类数据点的重叠。为减少计算的复杂度,在局部保存投影算法的基础上引入样本的类别信息,构造了监督的局部保存投影算法（SLPP）。通过人脸识别仿真实验,验证了新算法的有效性与健壮性,并改变上述的不足。     

基于改进的LPP_SIFT人脸识别算法

局部保持映射-尺度不变特征变换(LPP-SIFT)算法是一种有效的特征识别方法,但是基于LPP的算法在人脸识别中容易遇到奇异值问题.为此,论文提出采用奇异值分解(SVD)的LPP-SIFT算法(SVD_LPP_SIFT).首先用尺度不变特征变换对样本选择特征;然后再根据LPP算法求出新样本空间的低维投影子空间.在算法中,样本数据将被映射到一个非奇异正交矩阵中,以此解决了奇异值问题.在Yale、ORL上实验,实验结果验证SVD_LPP_SIFT算法在人脸识别中的有效性.     

一种基于局部保持的子流形可视化方法

针对多数流形学习算法是基于单一流形的假设,当高维数据集中存在多个流形,流形学习算法可视化效果差问题,借鉴流形曲面在二维平面空间展开的思想提出基于局部保持的的子流形可视化方法。利用奇异值分解和k均值聚类方法将流形数据划分为多块子流形,计算第一流形切块中心与其余切块中心的拓扑结构关系,在目标低维空间保持上述中心间拓扑结构下逐一对流形切块投影展开,最后在人脸数据集上进行实验。实验结果表明:该方法较好保持了子流形内的数据间的拓扑结构。     

基于无参数二维判别局部保持投影算法的人脸识别

通过向二维局部保持投影（2D-LPP）算法中引入类间约束和类标识信息,得到二维判别局部保持投影（2D-DLPP）算法,使它拥有更多的判别信息。但它却面临复杂的参数选择问题,这使得它在解决识别问题时受到限制。为解决此问题,构造无参数的相似矩阵,提出无参数的二维判别局部投影（无参数2D-DLPP）算法。在Yale和ORL人脸库上的仿真实验结果表明,该算法与二维判别局部保持投影（2D-DLPP）、二维局部保持投影法（2D-LPP）和二维线性判别分析法（2D-LDA）相比能够取得更高的识别率。     

基于二维测地线距离保持映射的人脸识别

人脸空间是嵌套在高维观测空间中的低维流形,为了更好地描述人脸空间的凸起和凹进等细微结构,提出了一种基于二维测地线距离保持映射的人脸识别算法。算法采用矩阵的模式表示人脸空间中的样本图像;基于图像的矩阵表示模型,采用二维测地线距离保持映射算法计算人脸空间的低维嵌套流形;以人脸样本在低维流形空间中的投影为特征进行人脸识别。在CMU PIE人脸数据库上的实验结果验证了算法的合理性和有效性。     

基于局部保持投影与隐马尔可夫模型的维文字符识别

针对传统隐马尔可夫模型(HMM)在对手写维吾尔文字符建模时,字符宽度变化大,模型训练收敛缓慢,且易陷入局部极值的问题,提出一种基于保局投影(LPP)与HMM相结合的维吾尔字符识别方法。首先,通过高度归一化保持原图像的宽高比,用滑动窗获取子图像序列,形成观测向量序列;其次,采用局部保持投影将观测序列映射到低维空间,并用随机抽样方法降低邻接图矩阵的规模;最后,采用新观测序列训练HMM。该算法在降维的同时提高了HMM的收敛速度,降低了陷入局部极值的风险。实验结果显示,算法的平均收敛步数减少,错误率降低,表明算法是有效的。     

基于奇异值分解和判别局部保持投影的多变量时间序列分类

针对现有多变量时间序列分类算法存在的要求序列等长和忽视类别信息两个不足,提出基于奇异值分解(SVD)和判别局部保持投影的分类算法。该算法基于降维思想,先通过SVD将样本的第一右奇异向量作为特征向量,以此将不等长序列转化为规模大小相同的序列;接着采用基于最大间距准则的判别局部保持投影对特征向量投影,充分利用类别信息以确保投影后同类样本尽量接近,异类样本尽量分散;最后在低维子空间采用1最近邻(1NN)、Parzen窗、支持向量机(SVM)和朴素Bayes分类器进行分类。在Australian Sign Language(ASL)、Japanese Vowels(JV)和Wafer三个公开的多变量时间序列数据集上进行的实验结果表明：在时间开销基本不变的前提下,所提方法取得了较低的分类错误率。     

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。     

嵌入保局投影及在表情识别中的应用

提出了一种基于嵌入保局投影的人脸表情识别方法,称之为ELPP。通过降维处理,ELPP不仅保留邻空间的局部结构信息,通过样本化的图像嵌入处理,还保留了嵌入空间的数据信息,这样可从原始表情数据中提取更多更有效更具判决性的表情特征信息。基于JAFFE和CED-WYU两个表情数据库的识别结果表明,基于ELPP的特征提取方法能有效地改善识别效果。     

基于类别信息的监督局部保持投影方法

局部保持投影算法(LPP)是拉普拉斯映射(LE)的线性近似,但LPP作为一种无监督方法,并没有有效利用已有的类别信息提高分类效率。为此提出一种基于类别信息的监督局部保持投影方法(SLPP-LI)。在学习投影矩阵时,SLPP-LI综合利用了流形的几何结构和已有训练点的类别信息,通过调整控制参数的取值,有效地利用已知的低维信息,并且直接求解线性方程获得高维数据的低维模型。通过在多个人脸数据库和手写数字库上的对比实验,表明了SLPP-LI对于高维数据的初始维数以及训练数据的数目并不敏感,〖BP(〗同类问题中与相应的对比算法相比〖BP)〗与主分量分析法(PCA)、LPP、正交LPP(OLPP)、有监督的LPP(SLPP)相比,均具有较高的识别率,充分说明SLPP-LI算法能够有效处理分类问题。     

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。     

子模式局部保持映射人脸识别

研究表明基于整体思想的人脸识别方法由于忽略图像的局部信息,在识别性能方面不如局部信息特征保持较好的基于子模块思想的识别算法。基于应用流形技术对图像降维后能够较好保持非线性子流形中的局部数据流形结构,提出了一种改进的子模式局部保持映射人脸识别算法。其主要思想是将同类的不同图像一并划分子集,由同位置子图组成子模块,并对子模块运用LPP算法学习其流形结构,与将不同类图像一并划分子集学习流形的方法不同。实验表明,该算法能更好地保持人脸图像的局部流形结构和信息特征,提高了识别率。     

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。