多流形判别分析在人脸识别中的研究

局部保持投影LPP(Locality Preserving Projection)是一种有效的非线性降维方法,能够使投影降维后的数据与原输入空间中的相似局部结构保持一致,但是该方法没有充分利用类间样本点的权重等重要信息。为了解决这个问题,提出基于Fisher准则的多流形判别分析FMMDA(Fisher Multi-Manifold Discriminant Analysis)方法。结合Fisher准则训练样本类内拉普拉斯图和样本均值类间拉普拉斯图,既保持了原样本的相似局部结构,又充分地利用了不同类别之间的权重。在ORL及Yale人脸库上验证了该方法的有效性。与其他几种最先进的方法相比,FMMDA方法取得了更好的识别效果。     

一种用于特征提取的保局判别分析算法

针对保局投影(LPP)为无监督算法的局限,提出了一种新的监督版的LPP,即保局判别分析(LPDA)算法。LPDA吸收了流形学习算法与最大边界准则(MMC)的共同特点,可以将高维的人脸数据投影到低维子空间,具有能处理新样本与无小样本问题的优点。与现有的多种经典相关方法相比,从Yale, UMIST及MIT 3个人脸数据库的实验结果表明,提出的LPDA算法在降维的同时提取了用于人脸识别的更有效的特征,人脸图像识别性能较好,具有较强的判别分析能力。     

HOG和多流形判别分析相融合的人脸识别

为了提高人脸的识别率,提出一种方向梯度直方图和多流形判别分析相融合的人脸识别算法。将一幅图像划分为多个子块图像块,并采用方向梯度直方图算法对每一个小块进行处理;采用多流形判别分析提取特征,并采用最小二乘支持向量机建立分类器对人脸进行分类和识别;在Yale和AR人脸库进行仿真实验。实验结果表明,相对于传统人脸别算法,该算法不仅提高了人脸识别率和识别速度,并且对光照和姿态变化具有较强的鲁棒性。     

一种改进的局部线性嵌套方法

局部线性嵌套LLE(locally linear embedding)是一种经典的流形学习方法.对于从单个流形上采样得到的数据集,它能够有效地学习其内在低维结构,然而当数据集是从多个流形上采样得到时,U正的效果并不理想.提出了一种基于距离度量学习的改进方法:Metric LLE,它利用部分数据点的相似信息来学习距离度量.实验结果表明Metric LLE在应用中有很好的性能:分类能力比LLE好;在可视化方面,效果比Supervised LLE好.     

一种基于核的监督流形学习算法

针对流形学习算法——局部保持映射存在的参数选择及不能进行非线性特征提取的问题,提出一种基于核的监督流形学习算法.该算法作为局部保持映射算法的改进算法用样本类标识信息指导建立局部最近邻图,并在建立局部最近邻图使用无参数的相似度量.利用核方法来解决局部保持映射算法在处理线性不可分问题上的局限性问题.在两个常用数据库上验证本文算法的可行性和有效性.     

一种基于Schur分解的正交鉴别局部保持投影方法

人脸识别是模式识别领域中的一项重要的研究课题。到目前为止,已经提出了许多方法来处理人脸的识别问题。最近,许多流形学习算法被提出并且成功地应用于人脸识别当中。这些流形学习方法能够保持人脸图像数据的局部结构,同时,还可以发现人脸的非线性结构。在这些流形学习方法中,局部保持投影方法(LPP)是最有效的方法之一。基于LPP方法,提出了一种新的人脸识别方法——基于Schur分解的正交鉴别局部保持投影方法(ODLPPS)。与LPP方法相比,ODLPPS 把类间散度与类内散度之差的信息融入到LPP的目标函数中并且获得了正交的基向量。在ORL和Yale 人脸数据库上的实验结果表明,该方法在识别性能上优于一些已经存在的方法,如eigenface,Fisherface,LPP 和orthogonal LPP(OLPP)。     

一种双向2DLPP算法及其在人脸识别中的应用

为了提高人脸识别方法对光照、姿态等外部因素的鲁棒性,本文在二维局部保持投影(2DLPP)算法的基础上进行改进,提出的一种双向2DLPP算法。与2DLPP算法不同的是,在求得行方向投影矩阵后,再求列方向的投影矩阵,得到图像的双向特征矩阵,以达到将样本降维的目的。实验结果表明,该方法具有较高的识别率对光照和姿态的变化具有一定的鲁棒性。     

基于流形距离的半监督判别分析

大量无类别标签的数据具有对分类有用的信息,有效地利用这些信息来提高分类精确度,是半监督分类研究的主要内容.提出了一种基于流形距离的半监督判别分析(semi-supervised discriminant analysis based on manifold distance,简称SSDA)算法,通过定义的流形距离,能够选择位于流形上的数据点的同类近邻点、异类近邻点以及全局近邻点,并依据流形距离定义数据点与其各近邻点之间的相似度,利用这种相似度度量构造算法的目标函数.通过在ORL,YALE人脸数据库上的实验表明,与现有算法相比,数据集通过该算法降维后,能够使基于距离的识别算法具有更高的分类精确度.同时,为了解决非线性降维问题,提出了Kernel SSDA,同样通过实验验证了算法的有效性.     

改进的多流形LLE学习算法

流形学习已成为机器学习和数据挖掘领域的研究热点。比如,算法LLE（Locally Linear Embedding）作为一种非线性降维算法有很好的泛化性能,被广泛地应用于图像分类和目标识别,但其仅仅假设了数据集处于单流形的情况。MM-LLE（Multiple Manifold Locally Linear Embedding）学习算法作为一种考虑多流形情况的改进算法,依然存在几点不足之处。因此,提出改进的MM-LLE算法,通过任意两类间的局部低维流形组合并构建分类器来提高分类精度;同时改进原算法计算最佳维度的方法。通过与算法ISOMAP、LLE以及MM-LLE比较分类精度,实验结果验证了改进算法的有效性。     

局部保持多投影向量Fisher判别分析算法

特征选择是在损失较少信息的情况下处理高维图像数据的关键技术,是高维数据预处理的重要步骤.通过引入Fisher判别分析(Fisher Discriminant Analysis,FDA)和典型相关分析(Canonical Correlation Analysis,CCA)的思想,采用以样本的类标号形式给出的先验信息,考虑样本数据的局部性,提出了一种监督的基于Fisher判别信息的局部保持多投影向量分析方法(Locality Preserving Multi-projection Vector Fisher Discriminant Analysis,LPMVF).通过定义新准则,LPMVF具有以下优点:(1)便于计算,可有效避免奇异性;(2)借助标准核映射,可快速将LPMVF推广到非线性的特征空间;(3)与CCA算法类似,LPMVF最终得到一对投影变换,可有效嵌入样本数据,可将原始数据投影成一系列有用的特征形式,并使数据的投影在嵌入空间中更具可分离性;(4)与局部化的Fisher判别分析(Local Fisher Discriminant Analysis,简称LFDA)相比,LPMVF也能够有效保持数据样本间...     

基于局域判别基的音频信号特征提取方法

音频特征提取在音频信号分析和处理中起着非常重要的作用。考虑到音频信号的非平稳性,对音频信号进行小波包分解,为了获取健壮的特征,采用改进的局域判别基（LDB）技术对小波包树进行裁剪,提取局域判别基各子空间能量的统计特征组成特征矢量,并利用Fisher准则函数进行特征选择,根据特征矢量设计支持向量机分类器,对三类音频进行分类识别。实验结果表明,该方法提取的特征矢量在音频信号分类中是非常有效的。     

一种改进的SIFT特征点检测方法

尺度不变特征变换(SIFT)图像匹配算法采用高斯差分算子(DoG)进行特征点检测,计算上使用相邻尺度高斯平滑后图像相减。在实践中,检测出的特征点遍布整个图像,造成后续计算量大且误配率高,降低了SIFT算法的实时性。针对以上问题,采用一种优化后的区域检测方法对SIFT特征点检测进行改进。首先利用优化后的区域检测方法检测出目标物体,然后运用DoG算子提取特征点,使特征点集中在目标物体上,从而简化计算,提高SIFT算法的实时性。最后,给出改进算法的实验结果和应用前景。     

一种改进的公式结构分析方法

结构分析是印刷体数学公式识别系统的关键部分,目前相关研究还很欠缺.针对结构分析的基准线方法的一些不足之处,提出一种逆向匹配方法,并结合语义规则对分析后的数学公式进行后处理.实验表明,提出的方法能够有效提高数学公式结构分析的正确率和鲁棒性.     

支持向量机在文本特征提取中的应用研究

在文本自动分类中,针对如何进行文本特征的选择和提取这一关键和基础性工作,提出用支持向量度量词汇对分类的贡献,然后进行文本特征的提取。实验结果表明,该方法可以在确保分类信息不损失的前提下,降低向量空间的维数,提高分类器效率和分类准确率。     

主曲线在复杂指纹图像特征提取中的应用

在自动指纹识别系统中,特征抽取是关键步骤之一。主曲线具有自相合特性,对模式特征能够进行很好的描述,并能够有效维持结构信息。因此,选用推广的多边形主曲线算法并加以改进来提取指纹主曲线,并在此基础上进一步实现指纹特征提取和伪特征检测。实验结果表明,该算法能够在短时间内获得更好的指纹骨架,指纹特征提取的准确率也较高。     

改进的主动形状模型方法在人脸特征点定位中的应用

主动形状模型ASM(Active shape model)是一种统计参数化模型,主要应用于图像中的特征提取。传统的ASM方法对训练集数据采用PCA方法获得形状特征向量和形状参数,然后根据转换矩阵建立线性的统计参数化的形状模型。在分析传统方法不足的基础上,提出一种改进的主动形状模型定位人脸特征的新方法。该方法采用增量PCA,可以有效解决模型匹配失败和受测试图像影响等因素,同时可对训练集进行纹理模型更新。实验结果表明,改进的方法可以有效提高模型的匹配精度,同时加快了模型定位特征点的时间。     

一种改进的图像局部不变特征提取方法

针对传统局部特征提取算法在提取特征点时效率不高,生成描述子需要计算主方向等问题,结合SURF算法和RGT(Radial Gradient Transform),在精度损失尽可能小的情况下提高局部不变特征提取速度,提出一种改进的AR-SURF(加速径向SURF)算法。该方法在特征检测阶段,在定位特征点时减少构造尺度空间时所计算的响应层个数,将求取对应点响应放在定位阶段。在特征描述阶段,取消确定主方向的过程,将特征点周围区域的Haar小波响应进行RGT变换,然后将特征点周围区域划分为多个同心圆,并统计特征点周围圆形区域内的响应结果,最后利用小波响应结果得到旋转不变的特征描述子。实验结果表明,AR-SURF算法节省了时空损耗,提升了定位速度,提取效果更好,更加合适于海量图片处理。     

一种改进的面向对象分析方法

本文主要探讨面向对象分析方法的优越性及不足之处,文章就建立具有挥发类、持久类与界面类三种类以及它们间的消息联系的分析模型问题作了重点探讨并给出具体的解决方法,这一问题的解决将进一步完善面向对象分析的方法体系。     

一种有效的图象特征抽取和识别方法

本文提出了一种新的基于尺度变换的图象矩表示方法，并在此基础上利用ＳＶＤ算法抽取了一组有效的图象特征。