基于样本分布相似度的期望分布鉴别分析

主分量分析(PCA)和线性鉴别分析(LDA)是模式识别领域使用广泛的两种特征抽取方法.本文针对两种方法的不足之处,并从样本分布相似度出发提出一种期望分布鉴别分析(EDDA)方法,抽取到的鉴别特征的总体分布和设定的期望分布最为相近.即通过EDDA得到的投影向量可以抽取出最接近理想分布的鉴别特征.EDDA在投影向量的求解问题上不存在小样本问题,抽取的鉴别特征维数小,并且整体识别性能得到增强.在ORL、Yale人脸库上的实验结果证明本文方法在人脸识别精度上优于PCA和LDA方法.     

求解广义最佳鉴别矢量集的一种改进算法

鉴于广义最佳临别矢量集是Ｆｏｌｅｙ－Ｓａｍｍｏｎ最佳鉴别矢量集的一种推广,给出了广义最佳鉴别矢量的定义,并从理论上对已有的求解广义最佳鉴别矢量集的算法作了分析,指出了其中的不足之处,并给出了一种改进的算法,将此方法用于人脸识别,结果显示,新方法比已有的方法更有效。     

一种具有统计不相关性的最佳鉴别矢量集

在模式识别领域,基于Ｆｉｓｈｅｒ鉴别准则语数的Ｆｏｌｅｙ－Ｓａｍｍｏｎ最佳鉴别技术在着重大的影响,特征抽取的一般原则是最好抽取模式的不相关的特征,而Ｆｏｌｅｙ－Ｓａｍｍｏｎ最佳鉴别矢量集的诸鉴别特是统计相关的。     

不相关最佳鉴别矢量集的有效算法

线性鉴别分析中处理小样本问题的方法有两类：①在模式识别之前,通过降低模式样本特征向量的维数达到消除奇异性的目的;②发展算法获得低维鉴别特征。将这两种方法结合起来,解决了高维小样本情况下基于广义Fisher线性鉴别准则的不相关最优鉴别矢量集的求解问题,给出了抽取最优鉴别矢量的有效算法。     

近邻类鉴别分析方法

提出一种近邻类鉴别分析方法,线性鉴别分析是该方法的一个特例。线性鉴别分析通过最大化类间散度同时最小化类内散度寻找最佳投影,其中类间散度是所有类之间散度的总体平均;而近邻类鉴别分析中类间散度定义为各个类与其k个近邻类之间的平均散度。该方法通过选取适当的近邻类数,能够缓解线性鉴别降维后造成的部分类的重叠。实验结果表明近邻类鉴别分析方法性能稳定且优于传统的线性鉴别分析。     

基于局部保持投影的鉴别最大间距准则

提出一种基于流形学习的特征提取方法——鉴别最大间距准则。该方法采用线性投影,保留最优的局部和全局信息数据集。试图找到具有最好鉴别能力的原始信息,使类间离散度最大的同时类内离散尽可能的小。该方法在识别率上比其它方法都有较大提高,通过在YALE和JAFFE人脸库上的实验验证该方法的有效性。     

不相关鉴别分析改进算法

不相关鉴别分析是一种非常有效并起着重要作用的线性鉴别分析方法,它能抽取出具有不相关性质的特征分量。但是,由于每一个鉴别矢量的得出都要求解一个特征方程,不相关鉴别分析算法一直是计算代价很大的算法,在需求解的鉴别矢量个数较多时尤其如此。该文基于一个等效的Fisher准则函数,提出了不相关鉴别分析的另一问题模型。使用Lagrange乘子法,可求出对应该问题模型的“不相关”鉴别矢量解的简洁的表示式。关于CENPARMI手写体阿拉伯数字库和ORL人脸图象库的实验表明,该文提出的不相关鉴别分析改进算法计算效率较原算法有较大提高。     

一种基于局部排序PCA的线性鉴别算法

主分量分析(Principal Component Analysis,PCA)是模式识别领域中一种重要的特征抽取方法,该方法通过K-L展开式来抽取样本的主要特征。基于此,提出一种拓展的PCA人脸识别方法,即分块排序PCA人脸识别方法(MSPCA)。分块排序PCA方法先对图像矩阵进行分块,对所有分块得到的子图像矩阵利用PCA方法求出矩阵的所有特征值所对应的特征向量并加以标识;然后找出这些所有的特征值中k个最大的特征值所对应的特征向量,用这些特征向量分别去抽取所属的子图像的特征;最后,在MSPCA的基础上,将抽取子图像所得到的特征矩阵合并,把这个合并后的特征矩阵作为新的样本进行PCA+LDA。与PCA和PCA+LDA方法相比,分块排序PCA由于使用子图像矩阵,可以避免使用奇异值分解理论,从而更加简便。在ORL人脸库上的实验结果表明,所提出的方法在识别性能上明显优于经典的PCA和PCA+LDA方法。     

一种基于特征融合的人脸识别新方法

提出了一种基于特征融合的人脸识别新方法。首先采用两种不同的K-L变换分别降低原始图像空间的维数，避开人脸识别小样本集的局限，然后利用复向量将同一样本的两组特征向量合并在一起，通过运用具有统计不相关性的复线性鉴别分析来抽取人脸图像的有效鉴别特征，最后在ORL人脸库上实验结果表明所提出的方法不仅识别性能优于经典的Fisherfaces，而且仅用14个特征识别率就达到96％。     

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。     

基于稀疏约束判别分析的说话人识别算法

在噪音环境下,传统说话人识别特征参数的性能会大幅降低。针对该问题,提出一种说话人特征提取方法,将线性判别分析加上稀疏性的约束,并采用梯度下降的优化方法得出相应算法。实验结果表明,该方法不仅在纯净语音的情况下具有较好的鲁棒性,对含有噪音的语音也有较高的识别率。     

一种改进的线性判别分析算法MLDA

线性判别分析(LDA)是模式识别方法之一,已广泛应用于模式识别、数据分析等诸多领域。线性判别分析法寻找的是有效分类的方向。而当样本维数远大于样本个数(即小样本问题)时,LDA便束手无策。为有效解决线性判别分析法的小样本问题,提出了一种改进的LDA算法——MLDA。该算法将类内离散度矩阵进行标量化处理,有效地避免了对类内离散度矩阵求逆。通过实验证明MLDA在一定程度上解决了经典LDA的小样本问题。     

基于自适应邻域选择的局部判别投影算法

在多模数据分类中,使用局部Fisher判别分析和边界Fisher分析方法构建邻域不能充分反映流形学习对邻域的要求.为此,提出一种基于自适应邻域选择的局部判别投影算法.采用自适应方法扩大或者缩小近邻系数k,以构建邻域,从而保持局部线性结构,揭示流形的内在几何结构,利用局部化方法使得投影空间中同类近邻样本尽量紧凑、异类近邻样本尽量分开.在ORL和YALE入脸数据库中进行实验,结果表明,在不同训练样本个数下,该算法均能获得较高的识别率.     

广义主分量分析及人脸识别

传统的主分量分析和Fisher线性鉴别分析在处理图像识别问题时都是基于图像向量的。该文提出了一种直接基于图像矩阵的主分量分析方法,它的突出优点是大大加快了特征抽取的速度。在ORL标准人脸库上的试验结果表明,该文所提出的方法不仅在识别性能上优于传统的主分量分析方法和Fisher线性鉴别分析方法,而且特征抽取的速度得到了很大的提高。     

正则化保局鉴别分析方法

提出一种正则化保局鉴别分析方法(RLPDA)并将其应用于人脸识别。受样本有限制约和大量噪声干扰,保局类内散布矩阵的零特征值及小特征值估计不准确,进而影响鉴别保局投影算法的性能。结合倒数谱模型对保局类内散布矩阵的特征值进行正则化,并利用正则化后的特征值对相应的特征空间加权,使人脸空间被保留,噪声空间被削弱,而零空间则被加强。通过分析鉴别信息在数据空间的分布可发现,RLPDA方法有效利用整个特征空间的鉴别信息,有利于提高算法的识别精度,同时从原理上回避小样本问题。在FERET和UMIST人脸数据库上的识别结果表明,RLPDA是一种有效的人脸特征提取方法。     

图像分块重构和LDA融合的人脸识别方法

提出了一种新的基于图像分块重构和线性判别分析相融合的方法,主要用于人脸识别。该方法通过计算两幅图像之间图像块的重构均值误差,运用线性判别分析求出两幅图像降维后的欧式距离,融合重构误差和欧式距离计算这两幅图像之间的差别程度。识别过程中,待测图像与训练图像中差别最小的认为是属于同一个人。该方法在ORL人脸数据集上进行实验,并在PIE数据集上验证了其有效性。新方法能够有效克服光照变化、平移等影响,在识别性能上比较有优势。