融合LLE与LDA特征的人脸识别方法

为更好提取识别的人脸特征,文章将非线性流形学习方法LLE提取的局部非线性特征与监督学习方法LDA提取的全局线性特征相结合,利用特征融合的思想,得出有利特征,进行人脸识别。经实验证明,该方法能显著提高人脸识别系统的性能。     

基于LLE算法的人脸识别方法*

探讨了局部线性嵌入(LLE)算法的推导过程,提出了一种基于LLE算法的人脸识别方法,并实验分析了该方法在ORL和UMIST人脸数据库中的识别效果.     

基于半监督流形学习的人脸识别方法

如何有效地将流形学习(Manifold learning,ML)和半监督学习(Semi-supervised learning,SSL)方法进行结合是近年来模式识别和机器学习领域研究的热点问题.提出一种基于半监督流形学习(Semi-supervised manifold learning,SSML)的人脸识别方法,它在部分有标签信息的人脸数据的情况下,通过利用人脸数据本身的非线性流形结构信息和部分标签信息来调整点与点之间的距离形成距离矩阵,而后基于被调整的距离矩阵进行线性近邻重建来实现维数约简,提取低维鉴别特征用于人脸识别.基于公开的人脸数据库上的实验结果表明,该方法能有效地提高人脸识别的性能.     

LDA/GE在人脸识别中的应用

基于谱图理论和流形学习,同时受FKT的启发,LDA算法可以进一步改进和化简。FKT已经被证明为二次判别分析中的低秩近似最优解,一开始只是用于二类识别问题,近年陆续有文章将它用于人脸识别中,以解决样本数小于样本维数的问题。LDA使用FKT求解的时候,在图嵌入的框架下可以转化为两次嵌入求解,第一次嵌入是PCA,第二次是由PCA的特征向量张成的空间中求判别式中分子的特征值分解问题。这样不仅去除了小样本问题下的奇异性困扰,更重要的是,基于谱图理论,将判别分析中的除法去掉了。最后,给出和其他方法比较的人脸识别实验结果和结论。     

基于组合方法的人脸识别算法研究

该文试探一种加权融合流形学习的方法进行人脸识别,该算法通过Haar小波和局部线性嵌入(LLE)加权融合的方式来进行人脸识别。首先通过Haar小波变换对人脸图像进行一级分解,得到四个子图;然后利用LLE算法对四个子图降维处理,并加权融合;最后利用支持向量机(SVM)进行分类判决。通过在ORL库中进行实验,结果表明,该文提出的Haar+LLE识别效率比单独使用主成分分析(PCA)和LLE更高效。     

基于组合方法的人脸识别算法研究

该文试探一种加权融合流形学习的方法进行人脸识别,该算法通过Haar小波和局部线性嵌入（LLE）加权融合的方式来进行人脸识别。首先通过Haar小波变换对人脸图像进行一级分解,得到四个子图;然后利用LLE算法对四个子图降维处理,并加权融合;最后利用支持向量机（SVM）进行分类判决。通过在ORL库中进行实验,结果表明,该文提出的Haar＋LLE识别效率比单独使用主成分分析（PCA）和LLE更高效。     

基于模糊聚类的改进LLE算法

局部线性嵌入法（Locally Linear Embedding,LLE）是一种基于流形学习的非线性降维方法。针对LLE近邻点个数选取、样本点分布以及计算速度的问题,提出基于模糊聚类的改进LLE算法。算法根据聚类中心含有大量的信息这一特点,基于模糊聚类原理,采用改进的样本点距离计算方法,定义了近似重构系数,提高了LLE计算速度,改进了模糊近邻点个数的选取。实验结果表明,改进的算法有效地降低了近邻点个数对算法的影响,具有更好的降维效果和更高的计算速度。      

基于2D-PCA的两级LDA人脸识别方法

线性鉴别分析(LDA)小样本问题的已有解决方法在构造最优投影子空间时未完整利用LDA的4个信息空间,为此,提出一种基于二维主成分分析(2D-PCA)的两级LDA人脸识别方法。采用减法运算对样本类内散度矩阵和类间散度矩阵的特征值矩阵求逆,以解决小样本问题,并连续应用Fisher准则和修改后的Fisher准则连接2个投影子空间,获取包含LDA的4个信息空间的最优投影方向,利用2D-PCA对输入样本做预处理,以减少计算复杂度。在ORL和YALE人脸库上的实验结果表明,该方法虽然训练时间略有增加,但识别率分别为92.5%和95.8%,优于其他常用LDA算法。     

一种用于人脸识别的监督局部线性嵌入算法及其改进

为了提高人脸识别算法的识别率,提出一种基于监督局部线性嵌入SLLE(Supervised Locally Linear Embedding)的人脸图像识别方法。对局部线性嵌入LLE(Locally Linear Embedding)算法进行改进:①计算低维嵌入时,给稀疏矩阵M先加上一个单位阵,然后再计算它的特征值和特征向量,较好地解决了矩阵奇异问题;②针对LLE算法非监督的缺陷,在构造邻域的时候,增加数据的类别信息,根据其所属类别来判断样本的近邻。在Yale和ORL人脸库上的实验结果表明,该算法能够有效地提高人脸识别的性能。     

自适应邻域图的流形学习方法

针对目前流形学习方法的嵌入效果非常敏感于局部邻域的选取方式,提出一种自适应邻域图的非线性数据降维方法。该方法考虑数据点周围的点分布信息,自适应地寻找最近邻域大小。不同于传统的邻域选取方法,此方法根据样本点周围的疏密程度来动态地获得最近邻域数,且所得到的各个样本点的邻域数是不等的;将每个样本点与其最近邻点连接,构建自适应邻域图进行有效降维。在人工生成数据集和人脸数据上的仿真结果表明,提出的方法得到了良好的降维效果。     

融合LLE和ISOMAP的非线性降维方法

局部线性嵌入（LLE）和等距映射（ISOMAP）在降维过程中都只单一地保留数据集的某一种特性结构, 从而使降维后的数据集往往存在顾此失彼的情况。针对这种情况, 借助流形学习的核框架, 提出融合LLE和ISOMAP的非线性降维方法。新的融合方法使降维后的数据集既保持着数据点间的局部邻域关系, 也保持着数据点间的全局距离关系。在仿真数据集和实际数据集上的实验结果证实了该方法的优越性。     

一种基于ICA和LDA组合的人脸识别新方法

特征提取是模式识别研究领域的一个热点。本文提出了一种基于独立成分分析和线性鉴别分析的特征提取方法。该方法中引入了零空间的概念,指出了前人算法中的不足之处,并且给出了一个完整的独立成分分析和线性鉴别分析的组合算法。在ORL和Yale人脸数据库上的实验表明了该方法的有效性。     

小训练样本的人脸识别研究

人脸识别问题在很多情况下都会面临小训练样本的问题,在训练样本数量远小于数据维数的情形下许多人脸识别方法都会遇到困难。本文分析了造成小样本问题的原因,从虚拟样本扩充、数据降维以及算法优化等不同方面总结了解决方法,并对不同方法进行了简要评价,对解决小样本问题的未来发展方向进行了展望。     

基于图像分块的LDA人脸识别

设计了一种基于图像分块的LDA(linear discriminant analysis)人脸识别方法,该方法从模式的原始数字图像出发,先对图像矩阵进行分块,然后对分块子图像进行LDA特征提取,从而得到能代替原始模式的低维新模式,最后再用最小距离分类器进行分类.该方法克服了传统LDA方法的缺点,其优点是能有效地提取图像的局部特征.实验表明:该方法在识别性能上优于Fisheffaces方法.     

扩大局部邻域的疏散嵌入算法

非线性流形学习降维方法已经被广泛应用到人脸识别、入侵检测以及传感器网络等领域。然而,能够有效处理稀疏数据的流形学习算法很少。基于局部线性嵌入（LLE）算法的思想框架,提出一种扩大局部邻域的稀疏嵌入算法,通过对局部区域信息加强,使得在样本较少的情况下,达到丰富重叠信息的目的。在稀疏的人工和人脸数据集上的实验结果表明,所提算法产生了较好的嵌入及分类结果。     

一种面向图像分类的流形学习降维算法

数据挖掘中的流形学习降维算法可以应用于图像分类等领域。提出一种面向图像分类的流形学习降维算法Mod-LLE(Modified Locally Linear Embedding)。该算法是针对高维数据的局部线性嵌入降维算法的改进,其整合了图像识别信息来更好地改善优化效果,达到在处理过程中保证原始数据固有的拓扑组成结构。以标准数据集作为案例进行测试。图像分类功能测试与降维性能测试结果表明:该算法对于人脸图像的分类精度比较高,降维性能良好。     

基于改进零空间法的人脸识别研究

针对传统线性判别分析中存在的问题,提出一种基于改进零空间法的人脸识别方法,利用奇异向量的稳定性对零空间上的类间散度矩阵投影进行奇异值分解,并对奇异值进行尺度化处理。在ORL和Yale人脸库中对该方法进行性能测试,实验结果表明,该方法是有效的,且具有较高的识别率。     

融合LBP和表观流形鉴别分析的人脸识别算法

流形学习方法可以有效地发现存在于高维图像空间的低维子流形,但是流形学习是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,且对人脸图像的光照、姿态等局部变化敏感,针对这两个问题,本文提出一种基于人脸表观流形鉴别分析的识别方法,该方法利用局部二元模式(Local binary pattern,LBP)对人脸图像进行局部特征描述,提取对局部变化不敏感的特征,然后使用有监督的核局部线性嵌入算法(Supervised kernell ocal linear embedding,SKLLE)对由局部特征构造的全局特征进行维数约简,提取低维鉴别流形特征进行人脸识别,该方法不仅对局部变化不敏感,而且将人脸表观流形和类别信息进行有效的结合,同时对新样本有较好的泛化性,实验结果表明该算法能有效的提高人脸识别的性能.     

中心近邻嵌入学习算法的人脸识别研究

针对人脸识别问题,提出了一种中心近邻嵌入的学习算法,其与经典的局部线性嵌入和保局映射不同,它是一种有监督的线性降维方法。该方法首先通过计算各类样本中心,并引入中心近邻距离代替两样本点之间的直接距离作为权系数函数的输入;然后再保持中心近邻的几何结构不变的情况下把高维数据嵌入到低维坐标系中。通过中心近邻嵌入学习算法与其他3种人脸识别方法(即主成分分析、线形判别分析及保局映射)在ORL、Yale及UMIST人脸库上进行的比较实验结果表明,它在高维数据低维可视化和人脸识别效果等方面均较其他3种方法取得了更好的效果。