核二维子类鉴别分析

 针对图像数据的多子类线性不可分问题,提出一种快速核二维子类鉴别分析算法(K2DSDA).算法从理论证明K2DSDA等价于基于核样本列(行)向量的2DSDA,并结合快速核样本图像近似定义实现最优判别向量计算,降低了算法复杂度.实验显示,本文算法在多个标准人脸库上的分类准确率优于其他鉴别分析算法,这证实了K2DSDA的有效性.     

基于Gabor小波和改进2DPCA的人脸识别方法

在人脸识别中,一般传统方法先用Gabor小波变换提取人脸特征后直接进行主成分分析(PCA)会遇到计算量过大,识别率不高等问题。为了克服这些影响,本文提出先对人脸进行2DGabor小波变换提取人脸特征,再用改进的2DPCA(二维主成分分析)进行降维处理,最后用最近邻法进行分类识别。在ORL人脸库上进行实验,该方法明显优于传统的2DGabor+PCA等算法。     

采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式（Center Quad Binary Pattern, C-QBP）和用于描述图像小尺度局部特征的简化四点二元模式（Simplified Quad Binary Pattern, S-QBP）两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。      

基于Fihserfaces算法的人脸识别

Fisher鉴别是一种有监督的特征提取技术,因其计算简单、分类效果良好而得到广泛应用。文中使用基于Fisher鉴别数值分析技术,对人脸数据进行特征提取,再使用最小距离分类器进行分类识别。该算法在ORL和YALE人脸库进行了实验,根据统计对ORL人脸库和YALEA人脸库的识别率分别为94.00%和89.33%。实验结果表明,Fisherfaces算法对于人脸库中的图像有较高的识别率。     

基于分块小波变换和2DPCA的人脸特征提取与识别算法

从最优化的角度出发,提出了一种基于分块小波变换和二维主成分分析法(2DPCA)的人脸特征提取与识别算法。该方法首先对人脸图像进行分块小波变换,并对各分块的高、低频分量进行组合处理,然后对小波系数特征应用2DPCA方法进行变换并将分块特征进行融合得到人脸鉴别特征,最后在ORL人脸库上应用支持向量机(SVM)对该特征进行分类识别。试验结果表明,该算法能有效地提高人脸识别性能,具有较短的识别时间和较高的识别准确率,优于传统的人脸识别方法。     

2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

基于小波特征的非线性鉴别特征抽取技术

该文提出了一种基于小波特征的非线性鉴别特征抽取方法,即在进行非线性映射之前,首先利用小波变换对原始输入图像进行预处理,获取低频平滑、水平细节和垂直细节等3个子图的小波特征,然后在频域上,对它们分别进行核Fisher鉴别分析。对最终获得的3组鉴别特征设计了一种特征融合的方法。在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核Fisher鉴别分析方法,而且,在ORL人脸库上的特征抽取速度提高了近13倍。     

基于核DCV算法的主动近红外人脸识别方法

针对人脸识别领域存在的受环境光照变化影响大的问题,分析了各种主动成像方法的特点以及人脸皮肤的光谱反射特性,提出了使用近红外LED灯作为主动光源,选用近红外滤光片配合CCD相机完成人脸图像采集,并综合运用可鉴别共同向量方法(DCV)和核投影方法进行人脸特征提取。该特征提取方法同时解决了核投影方法面临的大样本问题和可鉴别共同向量方法面临的样本维数较高问题,减少了计算复杂性,提高了特征提取的效率和准确度。仿真结果表明基于核DCV的主动近红外人脸识别方法有利于消除光照影响、提高识别效率。     

行列分块的核独立成分分析的人脸识别

提出一种行列分块的核独立成分分析(RC-KICA)的人脸识别方法。RC-KICA先对人脸图像矩阵按行列分块;然后对训练样本集依次进行行和列的核独立成分分析,得到左右解混矩阵;最后把训练样本子块投影到解混矩阵构成的特征空间进行特征提取及分类识别。RC-KICA更大程度地降低了样本维数,更好地解决了KICA高维小样本的缺陷。在YALE人脸库上的实验结果表明RC-KICA优于KICA和B-KICA。     

基于加权KPCA和融合极限学习机的人脸识别

针对传统的核主成分分析(KPCA)人脸识别算法的投影变换矩阵未必是最佳鉴别矩阵的问题,提出一种加权核主成分分析(WKPCA)的人脸识别算法。高分辨率人脸图像包含图像的大部分纹理信息,而低分辨率人脸图像体现了图像的大量形状信息,两类图像经WKPCA提取的特征具有一定的互补性,根据此特性将提取的特征融合以实现分类识别。所提算法采用ELM神经网络作为分类器,在ORL人脸库和Yale人脸库上的实验验证了算法的有效性。     

人脸与虹膜特征层融合模型的研究

多生物特征的融合与识别可提高身份识别系统的整体性能.本文在研究特征层融合的基础上,结合二维Fisher线性判别分析(2-Dimensional Fisher Linear Discriminant Analysis,2DFLD),提出了一种人脸与虹膜特征融合与识别模型.首先,对人脸图像与虹膜图像分别进行压缩降维处理,得到相应的初始特征矩阵.然后将人脸与虹膜的初始特征矩阵进行组合,获得组合特征矩阵.同时,利用2DFLD算法对组合特征矩阵进行融合,获得了人脸与虹膜的融合特征.最后运用最小距离分类器进行识别.基于ORL(Olivetti Research Laboratory)人脸数据库和CASIA(Chinese Academy of Sciences,Institute of Automation)虹膜数据库的实验结果表明,该模型实现了特征层融合,不仅克服了"小样本"效应,而且有效提高了身份识别的正确识别率,为多生物特征身份识别提供了一种有效模型.     

近邻边界Fisher判别分析

将数据集进行合理的维数约简对于一些机器学习算法效率的提高起着至关重要的影响。该文提出了一种利用数据点邻域信息的线性监督降维算法:近邻边界Fisher判别分析(Neighborhood Margin Fisher Discriminant Analysis,NMFDA)。NMFDA尝试将每一数据点邻域内最远的同类数据点和最近的异类数据点之间的边界在投影子空间内尽可能地扩大,从而提高基于距离的识别算法的准确率。同时为了解决非线性降维问题,提出了Kernel NMFDA,通过在几个标准人脸数据库上与其它降维算法的对比识别实验,验证了提出算法的有效性。     

基于KFD准则的SAR目标特征提取与识别

给出了一种基于KFD和SVM的合成孔径雷达目标特征提取及识别方法。该方法首先在非线性空间内利用Fisher准则提取样本特征 ,然后由SVM分类器完成目标识别。实验结果表明该方法不但有效地提高了目标的正确识别率及运算效率 ,还大大降低了对目标方位的敏感度 ,在目标方位信息未知的情况下 ,识别率仍可达到 95 %以上     

基于核Fisher判决分析的脸谱识别新方法

本文提出一种新的基于核Fisher判决分析(简称KFDA)的脸谱识别方法。即首先应用KFDA提取脸谱特征，然后，进行脸谱识别。利用标准的AT＆T脸谱数据库对KFDA特征提取方法和PCA、FDA以及ICA特征提取方法进行比较，最后使用线性支持向量机(简称SVM)进行分类和识别，实验结果显示基于KFDA特征提取脸谱识别方法的识别率明显优于其它三种脸谱识别方法的识别率。     

基于谱回归和核空间最近邻的基因表达数据分类

肿瘤基因表达数据是典型的高维小样本数据,直接对其进行识别存在维数灾难,需要对数据进行维数约简.提出了一种基于谱回归分析和核空间最近邻分类器的基因表达数据分类方法,采用谱回归分析得到可有效提取低维鉴别特征的投影矩阵,然后通过投影矩阵对基因表达数据进行维数约简,得到的低维数据用核空间最近邻分类器进行识别.通过在Prosta...     

拉普拉斯最大最小判别分析及应用

 提出了一种新的有监督降维方法：拉普拉斯最大最小判别分析(Laplacian MinMax Discriminant Analysis, LMMDA)。LMMDA通过样本空间中成对点之间的距离定义类内和类间散度矩阵,并通过最小化类内散度、最大化类间散度以求得最优投影矩阵。在LMMDA最优子空间中,类内样本更为紧致,类间样本更为松弛。样本集的结构信息包含在类内、类间的Laplacian矩阵,并可以对最优投影子空间加以控制。在多个数据集上的实验证明了该算法的有效性。     

Using discriminant analysis to detect intrusions in external communication for self-driving vehicles

Security systems are a necessity for the deployment of smart vehicles in our society. Security in vehicular ad hoc networks is crucial to the reliable exchange of information and control data. In this paper, we propose an intelligent Intrusion Detection System (IDS) to protect the external communication of self-driving and semi self-driving vehicles. This technology has the ability to detect Denial of Service (DoS) and black hole attacks on vehicular ad hoc networks (VANETs). The advantage of the proposed IDS over existing security systems is that it detects attacks before they causes significant damage. The intrusion prediction technique is based on Linear Discriminant Analysis (LDA) and Quadratic Discriminant Analysis (QDA) which are used to predict attacks based on observed vehicle behavior. We perform simulations using Network Simulator 2 to demonstrate that the IDS achieves a low rate of false alarms and high accuracy in detection.     

基于改进LSDA的人体行为识别算法

提出了一种基于改进的局部敏感判别分析(LSDA)的人体行为识别算法.首先,利用样本间的距离信息重置类内最近邻点集和类间最近邻点集的权值矩阵,保证在最大化目标函数时尽可能保持局部线性重构特性,解决小样本难题;然后,通过Gran-Schmidt正交化方法将特征矩阵进行正交化,可有效地保留原始空间中的高维空间,解决图像特征重建难题;最后在Weizmann行为数据库进行实验,平均正确识别率达到98.21％.试验结果表明,该算法具有良好的分类性能,在不同训练样本个数下,该算法均能获得较高的识别率.     

核典型相关分析的融合人脸识别算法

为了更有效地映射图像数据样本到可分类特征空间,提高分类正确率,提出了一种新的基于核函数的典型相关分析的融合人脸识别算法.该方法首先把图像矩阵通过核函数影射到核空间,然后从核空间的行和列两个方向进行特征抽取,同时避免分解映射后的数据矩阵,简化了数据运算,获得了更具鉴别力的分类特征.在Ohio州立大学的OTCBVS可见/红外人脸数据库中进行了分类识别实验,实验结果表明:该方法可以获得90%以上的识别正确率,优于其他的典型相关分析的人脸识别方法的分类正确率.此外,对不均匀光照变化,表情变化等人脸识别的常见问题具有很好的抵抗能力.