无监督的差分鉴别特征提取以及在人脸识别上的应用

局部保持投影(LPP)只考虑了投影后的局部性,而忽视了非局部性.针对这个问题,引入非局部散布矩阵,提出无监督的差分鉴别特征提取算法,通过最大化非局部和局部之间的散度差来寻找最优变换矩阵,并将其成功地应用于人脸识别.该算法同时引入非局部和局部的信息,揭示隐含在高维图像空间中的非线性结构;采用差分的形式求解最优变换矩阵,以避免"小样本"问题;对LPP中的邻接矩阵进行了修正,以更准确地描述样本之间的邻近关系.在Yale和AR标准人脸库上的实验结果验证了文中算法的有效性.     

一种改进Fisher准则的线性鉴别分析方法

目前线性鉴别分析以Fisher准则或是逐对类加权Fisher准则为依据,但前者不能限制离群类,后者计算量大,鉴于此,提出一种改进Fisher准则用于线性鉴别分析。回顾了Fisher准则和逐对类加权Fisher准则,指出其中问题产生的根本原因。提出类距离和类离群程度的定义,以类距离为依据判定各类离群程度,以类离群程度为参数赋予各类权值,重新计算总体类均值和类间离散度矩阵,以得到限制离群类、突出常规类的改进Fisher准则。这种改进Fisher准则计算简单,能有效限制离群类。     

基于正交化的无监督鉴别投影映射（UDP）特征提取的人脸识别方法

基于UDP（Unsupervised Discriminant Projection）特征提取方法的研究,本文提出改进算法：基于正交化的UDP算法。正交化的UDP算法是基于样本的局部散度、非局部散度及正交化的条件建立准则函数。准则的目的是在满足共轭正交条件下,寻求一组投影轴使得投影后的样本特征的非局部散度最大,局部散度最小。通过在YALE库和AR库人脸库上进行实验,结果表明本文提出的正交化的UDP算法在识别率方面整体上要好于UDP算法。     

基于统计不相关的无监督鉴别投影映射(UDP)特征提取方法

基于UDP(Unsupervised Discriminant Projection)特征提取方法的研究,本文提出改进算法:具有统计不相关性的UDP计算方法,并探讨该方法的有效性。这种方法的目的是寻求一组最佳鉴别矢量,使投影变换后的特征空间的非局部散度最大、局部散度最小,从而减小最佳鉴别矢量间的统计相关性。通过在不同人脸库上的仿真实验验证了所提出改进算法在一定程度上优于已有的UDP算法。     

基于局部均值的广义散度差无监督鉴别分析

为了将局部信息有效地运用到特征抽取并提高算法的鲁棒性,同时考虑到在人脸识别应用中出现的高维小样本问题,提出了一种基于局部均值的广义散度差无监督鉴别分析。该方法利用样本的非局部均值散度与倍的局部均值散度之差作为鉴别函数,不仅保留了样本分布的局部信息,而且避免了局部均值散度可能奇异的问题,并给出了算法的识别率随模型参数变化的曲线。YALE和FERET人脸数据库上的实验结果表明了该方法的有效性。     

核的正交完备鉴别局部保持投影

针对完备鉴别局部保持投影算法所求得的最优判别矢量间存在信息冗余问题,提出了核的正交完备鉴别局部保持投影算法。通过将核函数技术与正交性原理融合,采用高斯核函数将原始样本映射到高维特征空间,在高维特征空间的局部总体散度矩阵中计算最优判别矢量,只需在整个范围内对值域空间进行特征值分解,去除局部零空间达到样本降维目的。该算法分别在 UMIST 人脸库和 JAFFE 人脸表情库上进行实验,实验结果表明算法的识别率高达95．59％。     

对人脸识别中Fisher线性判别的改进方法

论文对传统的Fisher线性判别作了深入的分析,由于样本类间离散度矩阵不能很好的分开距离较近的样本类,为此该文又重新定义了样本类间离散度矩阵。通过改进其投影方向来减轻边缘类对特征分解的主导作用,从而提高了识别效率。     

基于Fisher块对角LNMF的彩色人脸识别

为提高对彩色人脸的识别率,提出一种基于Fisher块对角局部非负矩阵分解(LNMF)的识别算法。采用块对角矩阵编码彩色图像不同通道的颜色信息,在LNMF算法中增加块对角约束和Fisher判别约束,对不同通道的颜色信息同时进行计算并融入人脸的类别信息,用于提取人脸特征。在CVL和PIE彩色人脸数据库上的实验结果验证了该识别算法的有效性。     

基于最大散度差鉴别准则的自适应分类算法

首先证明了,当类内散布矩阵非奇异时,特定参数值c0下最大散度差的最优鉴别方向等同于Fisher最优鉴别方向;其次,给出了最大散度差分类算法的识别率随参数C变化的曲线.该曲线通常为一脉冲曲线.随着参数C的增大,识别率也逐渐增大.当参数C增大到c0时,识别率达到最大值.另外,以往的研究成果表明:当类内散布矩阵奇异时,最大散度差鉴别准则逐步逼近大间距线性投影准则.而且,随着参数C的不断增大,最大散度差分类算法的识别率也单调增大并最终稳定到大间距线性投影分类算法的识别率上.为此,我们提出了基于最大散度差鉴别准则的自适应分类算法.新算法可以根据训练样本的特性(类内散布矩阵是否奇异)自动选择恰当的参数C.在UCI机器学习数据库上的6个数据集以及AR人脸图像数据库上的测试结果表明,自适应最大散度差分类算法具有良好的分类性能.     

Generalized null space uncorrelated Fisher discriminant analysis for linear dimensionality reduction

We propose a generalized null space uncorrelated Fisher discriminant analysis (GNUFDA) technique integrating the uncorrelated discriminant analysis and weighted pairwise Fisher criterion. The GNUFDA can effectively deal with the small sample-size problem and perform satisfactorily when the dimensionality of the null space decreases with increase in the number of training samples per class and/or classes, C. The proposed GNUFDA can extract at most C-1 optimal uncorrelated discriminative vectors without being influenced by the null-space dimensionality.     

基于向量组的Fisher线性鉴别分析方法

提出了一种基于向量组的Fisher线性鉴别分析方法。该方法先将原始的高维向量分割为低维的子向量组,再对向量组运用Fisher线性鉴别分析。这种处理方法,不但能够解决任意高维下的小样本问题,而且通过选择恰当的子向量维数,可以从向量中抽取出最有效的特征值。此外,基于向量组的Fisher线性鉴别分析是Fisher线性鉴别分析和二维Fisher线性鉴别分析的进一步推广。     

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。     

因子分析判别准则的线性降维方法研究

提取稳定且具有判别性的低维特征是模式识别研究中的关键问题。在深入研究Fisher判别准则的基础上,从因子分析的实际角度考虑,提出基于因子分析的判别准则,解决Fisher判别准则类内和类间散布矩阵非最优定义问题。通过在合成数据集和真实人脸数据集上进行实验比较表明,该方法在解决数据集中的边缘类和人脸的表情、姿态变化等问题上比Fisher判别准则更优。     

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。     

新的局部保持鉴别分析算法

提出了一种新的局部保持鉴别分析算法：基于迹比准则与自适应近邻图嵌入的局部保持鉴别分析算法。根据样本分布特性自适应构建类内和类间近邻图,保持数据的局部结构并且利用数据的鉴别信息,定义局部类内离差矩阵以及局部类间离差矩阵,采用迹比Fisher判别函数作为目标函数,通过迭代的方法最大化局部类间离差矩阵与类内离差矩阵的迹比值,解得最优子空间。在ORL和Yale人脸数据库上的实验表明该方法是有效的。     

Face recognition by decision fusion of two-dimensional linear discriminant analysis and local binary pattern

To investigate the robustness of face recognition algorithms under the complicated variations of illumination, facial expression and posture, the advantages and disadvantages of seven typical algorithms on extracting global and local features are studied through the experiments respectively on the Olivetti Research Laboratory database and the other three databases (the three subsets of illumination, expression and posture that are constructed by selecting images from several existing face databases). By taking the above experimental results into consideration, two schemes of face recognition which are based on the decision fusion of the two-dimensional linear discriminant analysis (2DLDA) and local binary pattern (LBP) are proposed in this paper to heighten the recognition rates. In addition, partitioning a face non-uniformly for its LBP histograms is conducted to improve the performance. Our experimental results have shown the complementarities of the two kinds of features, the 2DLDA and LBP, and have verified the effectiveness of the proposed fusion algorithms.     

一种基于图的特征选择方法

在很多的机器学习和数据挖掘任务中,特征子集选择是重要的数据预处理步骤之一。提出一种基于图方法的无监督式特征选择方法（GBFS）,构造一个以样本数据为顶点,数据间相似性作为边的图,再根据各特征的得分优先选择那些具有局部信息保持和全局区分能力的特征。实验结果表明,基于该方法选择的特征子集,在大多数情况下都能取得较好的分类效果。