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。     

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。     

改进的PCA-LDA人脸识别算法的研究

主成分分析算法(PCA)和线性鉴别分析算法(LDA)被广泛用于人脸识别技术中,但是PCA由于其计算复杂度高,致使人脸识别的实时性达不到要求.线性鉴别分析算法存在"小样本"和"边缘类"问题,降低了人脸识别的准确性.针对上述问题,提出使用二维主成分分析法(2DPCA)与改进的线性鉴别分析法相融合的方法.二维主成分分析法提取...     

基于广义Fisher鉴别分析的人脸识别

本文提出了一种基于广义Fisher鉴别分析的人脸识别新方法。在ORL标准人脸库上的试验结果证实了所提出方法的有效性和稳定性。     

基于Fisher准则改进线性判别回归分类的人脸识别

为了提高线性回归分类LRC(Linear Regression Classification)算法的鲁棒性,提出一种基于Fisher准则改进的线性判别回归分类算法。首先根据Fisher准则最大化类间重建误差与类内重建误差的比值,为LRC找到最优投影矩阵;然后利用最优投影矩阵将训练图像及测试图像投影到各个类的特征子空间;最后,计算出测试图像与各个训练图像之间的欧氏距离,并利用K-近邻分类器完成人脸的识别。在FERET和AR人脸数据库上的实验验证了本文算法的有效性。实验结果表明,相比其他回归分类算法,该算法取得了更好的识别效果。     

基于图像分块的改进Fisher人脸识别算法

二维方法用于图像矩阵特征提取;虽然速度快;但影响了分类速度。针对二维线性鉴别分析（Two-Dimensional Linear Discriminant Analysis;2DLDA）的特点;研究了一种基于图像分块的改进Fisher人脸识别算法;该算法首先对人脸图像进行压缩降维处理;得到相应的特征矩阵;然后利用改进Fisher算法对特征矩阵进行类间离散度矩阵和类内离散度矩阵的计算;该算法充分考虑了类别信息;避免了传统Fisher算法造成的小样本问题;有效提高了分类速度。基于ORL（Olivetti Research Laboratory）与Yale人脸数据库的实验结果证明了该算法的有效性。     

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。     

模块二维主成分分析——人脸识别新方法

提出了模块二维主成分分析(M2DPCA)线性鉴别分析方法。M2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其特点是：能有效地降低模式原始特征的维数;可以完全避免使用矩阵的奇异值分解,特征抽取方便;此外,2DPCA是M2DPCA的特例。在ORL人脸库上试验结果表明,M2DPCA方法在识别性能上优于PCA,比2DPCA更具有鲁棒性。     

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％。     

LDA算法及其在人脸识别中的应用

线性特征提取在人脸识别中的应用非常广泛;LDA是其主要方法之一;它基于Fisher 判别准则;然而;当人脸训练样本数小于人脸样本向量的维数时;变换矩阵将无法直接得到;因此线性判别分析过程失效。采用了一种改进的基于Fisher 准则的LDA方法;针对小样本问题提出了一种有效地解决类内散布矩阵奇异的方法;而且用ORL人脸数据进行了实验验证。实验证明该方法在正确识别率方面表现突出。     

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。     

图像分割方法在人脸识别中的应用

人脸识别由于受到光照、表情、姿势等因素的影响一直没有能够取得非常满意的识别率。提出了基于图像分割的人脸识别方法;该方法同时考虑了人脸图像中特征信息和结构信息;实验采用AR和ORL人脸数据库;结果表明该方法能有效提高人脸识别的准确率;同时对表情变化、灯光具有一定的鲁棒性。     

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。     

基于线性判别分析的寄生虫卵识别

寄生虫病是危害人类及动物健康的疾病之一。为了实现对寄生虫卵的自动识别,辅助临床检测,提出基于线性判别分析的寄生虫卵识别方法。采用结合形态学滤波和Otsu的方法分割得到寄生虫卵及其轮廓,提取形状特征和纹理特征作为特征向量集,并利用线性判别分析实现对寄生虫卵自动识别。实验结果表明,该方法对6种寄生虫卵的识别正确率达到90.70%。     

基于核的Foley-Sammon鉴别分析与人脸识别

通过建立基于核的Foley-Sammon鉴别分析(KFSDA)的两个等价模型,并分析这两个等价模型的解之间的关系,从理论上给出KFSDA模型的具体求解方法．分析表明,基于核的Foley-Sammon鉴别分析保留了FSDA能明显降低样本特征之间冗余信息的优点,更重要的是该方法能够有效地抽取样本的非线性特征,是对FSDA的进一步拓展．在ORL标准人脸库上的实验结果验证了文中方法的有效性．     

基于特征的弹性图匹配人脸识别算法改进

针对传统人脸识别弹性图匹配算法空间复杂度高、实时性较差的问题,提出一种弹性图匹配改进算法,将人脸图片特征点经Gabor小波预处理后,结合主成分分析(PCA)和Fisher线性判别方法(FLD)对生成的特征矢量进行处理,降低维数,减少计算量,同时在不降低识别率的前提下,提高识别速度。与传统的PCA算法、FLD算法、EGM算法进行仿真比较,证明该改进算法识别率高、实时性好。