稀疏判决分析在表情识别中的应用

提出了一种基于稀疏判决分析的人脸表情识别方法,称之为SDA。SDA引入稀疏表述并结合半监督判决分析SSDA,通过稀疏重构处理,获得图像的局部结构信息,且由于稀疏表述本身具有的判决性,SDA只需很少样本就能获得较好的效果。基于JAFFE和CED-WYU两个表情数据库的识别结果表明,基于SDA的特征提取方法能有效地提高识别率。     

核判决分析及其在表情识别中的应用

提出了一种基于核判决分析(KDA)的人脸表情识别方法.与传统的线性特征提取方法线性判决分析(LDA)不同,针对非线性问题,KDA通过引入核函数进行非线性投影以提取表情特征,克服了LDA算法用于人脸表情识别时存在的问题.基于CED-WYU(1.0)和JAFFE两个表情数据库的识别结果表明, 基于核判决分析KDA的特征提取方法能有效地提高识别率.     

基于稀疏保留投影的人脸表情识别

提出一种基于稀疏保留投影的人脸表情识别方法。通过稀疏重构处理,在保留表情稀疏重构信息的同时也保留表情局部邻信息,可从原始表情数据中提取更多有效且具判决性的内在表情特征,获得的投影也较稳定。基于JAFFE和CED-WYU 2个表情数据库的识别结果表明,该方法能有效提高人脸表情识别率。     

基于Gabor特征量和核函数判决分析方法的人脸识别

研究了基于Gabor特征量和核函数判决方法的人脸识别方法,即首先利用Gabor滤波器组对输入样本进行处理,获得Gabor特征量;然后利用核函数判决方法实现人脸识别。Gabor滤波器组通过提取具有空间频率、空间位置和取向选择性的特征,较好克服了实际中由于表情和光照不同带来的变化;而核函数判决分析方法具有提取输入样本空间的非线性最佳鉴别特征的优点。实验仿真表明了该方法的有效性。     

基于多分离部件稀疏编码的人脸图像分析

考虑到不同部件(眼睛,嘴等)对人脸分析的贡献差别,提出基于多部件稀疏编码的人脸图像分析方法.首先,选取对人脸(表情)分析影响较大的几个人脸部件,然后,利用多视角稀疏编码方法学习各部件的字典,并计算相应的稀疏编码,最后,将稀疏编码输入分类器(支持向量机和最小均方误差)进行判决.分别在数据库JAFFE和Yale上进行人脸(表情)识别及有遮挡的人脸(表情)识别实验.实验结果表明,基于多部件稀疏编码的人脸分析能较好地调节各部件的权重,优于各单一部件和简单的多部件融合方法的性能.     

基于双DSP的航空二次配电设备控制系统的设计与实现

通过说明二次配电设备(Secondary Power Distribution Assembly,SPDA)的设计方案,分析了其结构组成.给出了SPDA的功能描述,并从硬件、软件及其各组成子部件的设计、实现思想与方法以及支撑条件等方面解释了SPDA系统的设计思想;采用嵌入式实时操作系统DSP/BIOS作为TMS320F2812管理软件的开发平台,进行实时多任务设计;SPDA原理样机的分析及地面模拟实验表明,SPDA样机具有很高的实时性、可靠性、容错性及扩展性.     

一种法律判决预测的影响因素分析方法

法律判决预测是指机器依据案件事实描述,对法律案件的判决罪名进行预测的方法,是人工智能技术在法律领域一项很有前途的应用.随着人工智能领域的迅猛发展,相关技术在法律领域的应用愈加广泛,许多经典的模型在法律判决预测方面取得了不错的结果.机器学习方法效果虽好,但一直无法解决预测结果的解释说理问题,预测结果存在黑盒性特征,无法获...     

优化局部保留投影及其在表情识别中的应用

提出一种基于优化局部保留投影(OLPP)的人脸表情识别方法。OLPP方法在降维过程中将图像结构信息融入LPP目标函数,通过降维处理,在获得图像结构信息的同时将投影最优化,从而能从原始表情数据中提取更多更具判决性的有效表情信息。JAFFE和CED- WYU(1.0)2个表情数据库的识别结果表明,基于OLPP的特征提取方法能有效提高识别率。     

基于偏最小二乘法的人脸识别

在人脸识别中．最小二乘回归方法及其改进的偏最小二乘法作为一种新的降维方法，在处理小样本、高维数等方面的具有明显优势。线性判决分析(也称Fisher判决)是一种应用广泛的分类算法。本文提出了一种基于偏最小二乘与线性判决分析相结合的人脸识别方法．利用偏最小二乘回归分析对人脸图像进行降维和特征提取．再利用线性判决分析对特征向量进行分类识别。ORL人脸库的仿真结果证明偏最小二乘回归方法比主元分析方法更有效。     

基于广义判别分析方法的人脸识别

提出基于广义判别分析的人脸识别方法,通过非线性核函数把样本映射到高维线性空间,然后在高维空间运用线性判决算法,从而获得输入空间非线性判决特征,可以很好地适应人脸图像中的光照、表情以及姿态等复杂的变化。实验证明该方法用较少的特征向量能获得比特征脸算法、Fisherfaces算法更高的分类准确率。     

融合LBP和局部稀疏表示的人脸表情识别

为更好获取人脸局部表情特征,提出了一种融合局部二值模式（Local Binary Pattern,LBP）和局部稀疏表示的人脸表情特征与识别方法。为深入分析表情对人脸子区域的影响,根据五官特征对人脸进行非均匀分区,并提取局部LBP特征;为精细刻画人脸局部纹理,整合人脸局部特征,设计了人脸局部稀疏重构表示方法,并根据表情对各局部子区域的影响因子,加权融合局部重构残差进行人脸表情识别。在JAFFE2表情人脸库上的对比实验,验证了该方法的可行性和鲁棒性。     

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。     

融合PCA、LDA和SVM算法的人脸识别

为了提高人脸识别效率,提出了一种基于PCA、LDA和SVM算法融合的人脸识别方法。使用主成分分析（PCA）将人脸图像变换到新的特征空间中,消除图像特征间的相关性和噪声,提取人脸全局特征,在实验阶段取较多的投影方向使其尽可能多的保持原始信息;使用线性判别分析（LDA）算法进一步投影变换降低数据维度;使用支持向量机（SVM）分类识别。将PCA、LDA和SVM三种算法的优点结合起来,在ORL数据库上进行仿真实验,结果表明该方法的识别率可达99.0%。     

基于拓展稀疏表示模型和LC-KSVD的人脸识别

为了提高人脸的识别率和识别速度及其识别的鲁棒性,提出了基于拓展稀疏表示模型和LC-KSVD（Label Consist K-SVD）的人脸识别算法。针对字典学习中只包含表示能力没有包含类别信息的问题,在原始的稀疏表示模型中添加了残差向量作为系数修正向量,使得拓展稀疏表示模型具有更强的鲁棒性;在字典学习中添加稀疏编码和分类器参数约束项,通过字典学习同时更新稀疏编码和分类器参数,使字典中包含很好的表示能力和判别分类能力。实验结果表明,基于拓展稀疏表示模型和LC-KSVD的人脸识别具有高识别率和低识别速度,并且有很好的鲁棒性。     

基于多种采样方式和Gabor特征的表情识别

设计一种表情识别系统,采用多种采样方式和不同尺度的局部Gabor滤波器,通过主成分分析与线性判别分析对人脸表情识别系统进行特征优化选择。该系统大幅缩减特征提取及分类的时空需求量,表情识别率也有所提高。对原始图像沿垂直方向采样识别效果说明人脸垂直方向包含更多的表情信息。实验测试结果表明,Gabor变换后的人脸表情主要特征信息在不同的尺度和方向上具有集中性和冗余性,小尺度全方向的滤波器组能获得更好的识别性。     

改进稀疏表示算法在人脸识别中的应用

人脸识别的主要难度在于，受到光照变化、表情变化以及遮挡的影响，会使得采集的不同人的人脸图像具有相似性。为有效解决基于稀疏表示的分类算法（Sparse Representation-based Classification，SRC）在人脸训练样本不足时会导致识别率降低和稀疏表示求解效率较低的问题，提出了基于判别性低秩分解与快速稀疏表示分类（Low Rank Recovery Fast Sparse Representation-based Classification，LRR_FSRC）的人脸识别算法。利用低秩分解理论得到低秩恢复字典以及稀疏误差字典，结合低秩分解和结构不相干理论，训练出判别性低秩类字典和稀疏误差字典，并把它们结合作为测试时所用的字典；用坐标下降法来求解稀疏系数以提高了计算效率；根据重构误差实现测试样本的分类。在YALE和ORL数据库上的实验结果表明，提出的基于LRR_FSRC的人脸识别方法具有较高的识别率和计算效率。     

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。     

基于2DPCA和压缩感知的人脸识别方法

提出一种基于二维主成份分析(2DPCA)和压缩感知的人脸识别方法.阐述2DPCA提取特征向量的工作原理,利用压缩感知方法求解待识别图像在足够样本下的稀疏表示.由所有训练图的特征向量构成测量矩阵,将每一幅待识别图像的特征向量作为测量值,由压缩感知中求解的L1范数极小值得到待识别图像的编码信号,根据该编码信号识别人脸图像....     

带PCA卷积的稀疏表示图像分类算法

针对不同卷积核可以提取不同的图像特征,而卷积核的训练比较困难这一问题,提出一种带主成分分析（PCA）卷积的稀疏表示分类算法。先对训练样本集做分片去均值化处理,然后直接应用PCA算法提取所有分片的前K个特征向量作为卷积核,再用这些卷积核对原始图像进行卷积操作;并提出一种自动加权策略,对卷积处理后得到的K个特征图像进行加权叠加操作;最后对特征图像进行分块直方图统计稀疏化,并应用稀疏表示分类算法进行分类。在公共人脸数据集AR、CMU Multi-PIE、ORL以及数字手写体数据集MNIST上与常用分类算法进行对比实验,实验结果表明,带PCA卷积的稀疏表示分类算法具有更高的分类准确率。