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。     

邻域保持判别非负矩阵分解

非负矩阵分解（NMF）是一种新的矩阵分解技术,为了提高NMF算法的识别率,提出了一种新的方法——邻域保持判别非负矩阵分解（NPDNMF）,该方法通过将邻域保持判别分析（NPDA）与NMF相结合来实现。邻域保持判别分析是一个将线性判别分析（LDA）与局部保持投影（LPP）综合考虑的判别分析方法,该算法既保持了LDA的判别能力,同时又可以保持原始数据的几何结构。通过将NPDA与NMF相结合,提取得到局部化同时又有很强判别能力的基图像。在ORL人脸数据库上进行人脸识别实验,结果表明该方法得到较好的识别效果。     

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％。     

双向二维加权LPP语音特征降维算法

提出一种双向二维加权局部保持投影算法(Two-directional Two-dimensional Weighted Locality Preserving Projections,(2D)2WLPP)用于语音特征提取后维度的降低,考虑到普通的二维降维算法只能从一个方向进行特征降维且所降至的维数选择非常受限,该方法能够从水平和垂直两个方向对语音矩阵进行降维处理,这样可以大大降低提取后的语音特征数目;考虑到不同投影向量对保持局部结构的重要程度不同,进而对各个特征赋予不同的权重系数.实验证明,该算法运算速度快,与已有的二维局部保持投影相比,获得了更高的识别率.     

改进的局部保持投影算法的多模型软测量

针对化工生产过程中软测量模型估计精度的问题,提出一种基于改进的局部保持投影算法的多模型建模方法。该方法通过有监督自适应权值的局部保持投影算法对输入数据空间进行特征提取,并结合最近邻分类器算法进行输入空间的划分,最后融合支持向量机实现多模型建模。仿真应用结果表明:将改进的局部保持投影算法应用在UCI数据库的Iris数据集的分类中,其分类精度高于基本的局部保持投影算法的分类精度;同时将改进的局部保持投影算法的多模型建模方法应用于双酚A生产的软测量多模型建模中,该方法能够有效的进行输入空间地划分,构建回归模型的数据更加合理,使得模型估计精度得到了提高,并具有更强的泛化能力。     

空间光滑且完整的子空间学习算法

提出一种空间光滑且完整的子空间学习算法.它融合了主成分分析、空间光滑的子空间学习算法和局部敏感判别投影的技术特点.不但保持了数据流形的全局和局部几何结构,而且保持了它的判别信息和空间关系.从原始样本提取全局和局部特征经线性变换组成新样本,再从新样本中提取最佳分类特征,最后由分类器完成分类识别.同一般的子空间算法相比,该算法提高了识别率.实验结果验证了该算法的有效性.     

基于有监督直接局部保持投影的人脸识别

提出一种用于图像识别的有监督直接局部保持投影算法,该算法结合样本类别信息,通过同时对角化的方法求解局部保持投影问题,避免矩阵的奇异性。在ORL人脸库上的测试结果表明,该算法的识别率高于PCA, PCA+LPP等方法。     

一种新的保类内核Fisher判别法及说话人辨别应用

在保留数据本质特征的前提下,降低数据维度是一种重要的分类预处理手段.深入分析了核Fisher判别 (KFD)方法与核化全局局部保持Fisher投影(KLFDA)方法的相互关系与优缺点,提出了一种新的基于类内特性保持的核化Fisher判别分析方法(LW-KFD).在保留KFD全局最优投影能力的同时,解决了KLFDA的过度局部保持问题,从而对重叠(离群)样本与多态分簇样本都能实现有效的分类投影.提出了快速训练算法,解决了大量训练样本时的内存溢出问题.仿真实验与说话人辨别应用表明,该方法具有很强的适应性,并提高了说话人识别率与识别速度.     

基于张量局部保持投影算法的图像检索

针对局部保持投影算法是无监督的学习,无法区别类别信息的缺点,本文通过加入鉴别信息的方式对局部保持投影算法进行改进,并将改进的算法推广到张量空间。通过在标准数据集上的对比实验得出,张量改进的局部保持投影算法的检索效果要比原有算法的效果好。     

LPP算法和DLPP算法在掌纹识别中的应用研究

本文对近年来提出的局部保留映射（LPP）算法和判别局部保留映射（DLPP）算法思想进行了详细介绍,设计并完成了基于LPP和DLPP算法在掌纹识别中识别结果的对比实验。实验结果对基于这两种算法的掌纹识别方法给予数据支持,而且说明DLLP算法要优于LPP算法。     

一种有监督的线性降维人脸识别算法

保局投影（LPP）忽略了数据的类别标记信息且鲁棒性较差,为此,提出一种线性判别投影（LDP）算法。引入类问权重矩阵和类内权重矩阵,使各流形间的分离性最大,局部子流形的内在紧致性最小,同时通过一种鲁棒的类内处理方式使算法对outlier数据具有鲁棒性。在ORL、AR和ExtendedYaleB人脸数据集上进行实验,结果表明,与PCA、LDA、LPP、LSDA和LPDP算法相比,该算法的最佳平均识别率较高,分别可达95．3％、93．64％和96．28％,证明了算法的有效性和可靠性。     

双向二维局部保持鉴别投影应用于人脸识别

双向二维局部保持映射（双向2DLPP）与二维局部保持映射（2DLPP）比较,双向2DLPP同时对图像的行方向和列方向进行降维处理,可以采用较少的系数有效地表示图像。为了进一步增强双向2DLPP算法的分类能力,将双向2DLPP所提取的特征采用线性判别式分析（LDA）进行分类,从而形成了一种新的监督算法：鉴别双向二维局部保持投影。理论分析表明,无论在计算量还是内存要求方面,所提鉴别双向二维局部保持投影算法比双向2DLPP和主成分分析+线性判别式分析（PCA+LDA）要少,而且在ORL 和Yale数据库上的人脸识别实验表明,新算法的识别性能比双向2DLPP和PCA+LDA算法要好,且具有较少的计算复杂度。     

全局加权稀疏局部保留投影

针对稀疏保留投影(SPP)算法运行时间较长并且忽略了样本的类间差异信息的问题,在稀疏保留投影算法的基础上,提出了全局加权稀疏局部保留投影(GWSLPP)算法。该算法在保持样本的稀疏重构关系的同时,使样本具有很好的鉴别能力,算法通过对样本进行稀疏重构处理;然后对样本进行投影并且最大化样本的类间散度;最后利用得到的投影将样本分类。该算法分别在FERET人脸库和YALE人脸库上进行实验。实验结果表明,全局加权稀疏保留算法在执行时间和识别率综合性能上,优于局部保留投影(LPP)、SPP和FisherFace算法,执行时间只有25s,识别率能达到95%以上,实验数据验证了算法的有效性。     

全局加权稀疏局部保留投影

针对稀疏保留投影(SPP)算法运行时间较长并且忽略了样本的类间差异信息的问题,在稀疏保留投影算法的基础上,提出了全局加权稀疏局部保留投影(GWSLPP)算法。该算法在保持样本的稀疏重构关系的同时,使样本具有很好的鉴别能力,算法通过对样本进行稀疏重构处理;然后对样本进行投影并且最大化样本的类间散度;最后利用得到的投影将样本分类。该算法分别在FERET人脸库和YALE人脸库上进行实验。实验结果表明,全局加权稀疏保留算法在执行时间和识别率综合性能上,优于局部保留投影(LPP)、SPP和FisherFace算法,执行时间只有25s,识别率能达到95%以上,实验数据验证了算法的有效性。     

超光谱遥感图像有监督LPP特征提取研究

在局部保留投影(LPP)特征提取算法的基础上,利用样本标签信息提出了一种有监督的局部保留投影算法(SPLPP),该算法的邻接图的权值不仅考虑了LPP算法中的相似性权值,而且加入了监督类的相关权值。SPLPP算法主要步骤是先用PCA去除高维超光谱遥感图像的冗余信息,再把监督机制引入到LPP中,实现图像的特征提取,将高维超光谱遥感图像投影到低维空间中,利于分类。应用SPLPP算法对高维的遥感原始超光谱图像进行特征提取后,利用支持向量机(SVM)和最近邻分类器(KNN)对降维后的遥感图像数据进行分类;并与PCA、LPP、LDA等特征提取算法进行了比较实验。实验表明:结合了LPP局部信息保留能力和全域标签信息的SPLPP算法,有更好的局部信息保留能力和类判别能力,使分类器分类精度更高,分类效果更好。     

Optimal locality preserving projection for face recognition

In face recognition, when the number of images in the training set is much smaller than the number of pixels in each image, Locality Preserving Projections (LPP) often suffers from the singularity problem. To overcome singularity problem, principal component analysis is applied as a preprocessing step. But this procession may discard some important discriminative information. In this paper, a novel algorithm called Optimal Locality Preserving Projections (O-LPP) is proposed. The algorithm transforms the singular eigensystem computation to eigenvalue decomposition problems without losing any discriminative information, which can reduce the computation complexity. And the theoretical analysis related to the algorithm is also obtained. Extensive experiments on face databases demonstrate the proposed algorithm is superior to the traditional LPP algorithm.