应用于人脸识别的改进局部保持投影算法

局部保持投影算法（locality preserving projections,LPP）作为降维算法,在机器学习和模式识别中有着广泛应用。在识别分类中,为了更好的利用类别信息,在保持样本点的局部特征外,有效地从高维数据中提取出低维的人脸图像信息并提高人脸图像的识别率和识别速度,使分类达到一定优化,基于LPP算法结合流形学习思想,通过构造一种吸引向量的方法提出一种改进的局部保持投影算法（reformation locality preserve projections ,RLPP）。将数据集利用极端学习机分类器进行分类后,在标准人脸数据库上的进行试验,实验结果证明,改进后算法的识别率优于LPP算法、局部保持平均邻域边际最大化算法和鲁棒线性降维算法,具有较强的泛化能力和较高的识别率。     

基于无参数二维判别局部保持投影算法的人脸识别

通过向二维局部保持投影（2D-LPP）算法中引入类间约束和类标识信息,得到二维判别局部保持投影（2D-DLPP）算法,使它拥有更多的判别信息。但它却面临复杂的参数选择问题,这使得它在解决识别问题时受到限制。为解决此问题,构造无参数的相似矩阵,提出无参数的二维判别局部投影（无参数2D-DLPP）算法。在Yale和ORL人脸库上的仿真实验结果表明,该算法与二维判别局部保持投影（2D-DLPP）、二维局部保持投影法（2D-LPP）和二维线性判别分析法（2D-LDA）相比能够取得更高的识别率。     

鉴别的局部中值保持投影及其在人脸识别中的应用

针对已有的鉴别的局部保持投影算法在特征提取问题中存在的不足,提出了鉴别的局部中值保持投影,通过最大化类间距离同时最小化类内距离寻找最佳投影矩阵,并将其用于人脸识别.该算法利用样本的类中值计算类间距离,有效地保留了图像信息;设计了一种不同的相似性度量机制,以保持受噪声影响较小的类内样本之间的邻域关系,从而进一步加强识别效果的鲁棒性.最后通过在ORL,Yale及AR人脸库上的实验,验证了文中算法的有效性.     

双向压缩二维特征抽取人脸识别新方法

提出了二维主成分分析(2DPCA)与二维线性鉴别分析(2DLDA)相结合的双向压缩投影的子空间人脸识别方法.该方法在进行一次2DPCA运算后,对特征矩阵进行转置,再进行2DLDA运算,与(2D)~2PCA与(2D)~2LDA相比,充分利用了2DPCA和2DLDA的优点,既包含了样本的类别信息,又消除了图像矩阵行和列的相关性,有效地提取了行和列的识别信息,识别特征维数也大幅度减少.在ORL和PERET人脸库上的实验表明,在不影响识别速度的情况下,其识别率优于现有二维特征提取方法.     

基于分块二维线性鉴别分析的人脸识别

基于2DLDA方法,提出了一种基于图像分块的二维线性鉴别分析(M2DLDA)的人脸识别方法。该方法首先对原始人脸图像进行必要的预处理后进行分块,再对分块后的子图像分别采用2DLDA方法进行特征提取,最后用最小距离分类器进行识别。该方法的优点：分块后能有效的抽取人脸图像的局部特征有利于分类;降低了2DLDA方法提取的特征矩阵的维数;特征提取是基于图像矩阵的,抽取方便快速。在ORL人脸数据库上的实验结果表明：该方法在识别性能上优于2DLDA方法。     

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。     

双向二维加权LPP语音特征降维算法

提出一种双向二维加权局部保持投影算法(Two-directional Two-dimensional Weighted Locality Preserving Projections,(2D)2WLPP)用于语音特征提取后维度的降低,考虑到普通的二维降维算法只能从一个方向进行特征降维且所降至的维数选择非常受限,该方法能够从水平和垂直两个方向对语音矩阵进行降维处理,这样可以大大降低提取后的语音特征数目;考虑到不同投影向量对保持局部结构的重要程度不同,进而对各个特征赋予不同的权重系数.实验证明,该算法运算速度快,与已有的二维局部保持投影相比,获得了更高的识别率.     

广义的鉴别局部中值保持投影及人脸识别

针对鉴别的局部中值保持投影(DLMPP)在小样本情况下面临的类内散布矩阵奇异的问题,提出了广义的鉴别局部中值保持投影(GDLMPP)算法。GDLMPP首先将样本等价映射到一个低维子空间,然后在此子空间求解最佳投影矩阵,从而有效解决了小样本问题,并从理论上验证了当类内散布矩阵非奇异时,GDLMPP等价于DLMPP。最后,通过在ORL及AR库上的实验验证了算法的有效性。     

基于L1范数的分块二维局部保持投影算法

针对高维输入数据维数较大时可能存在奇异值问题,同时为提高算法的运算效率以及算法的鲁棒性,提出了一种基于L1范数的分块二维局部保持投影算法B2DLPP-L1。传统的局部保持投影算法为避免出现奇异值问题,首先运用主成分分析算法将高维数据投影到子空间中,然而这种方式将会造成高维数据中部分有效信息的流失,B2DLPP-L1算法选择将二维数据直接作为输入数据,避免运用向量形式的输入数据时可能造成的数据流失;同时该算法对二维输入数据进行分块处理,将分块后的数据块作为新的输入数据,之后运用基于L1范数的二维局部保持投影算法对其进行降维。理论上,B2DLPP-L1算法能够较好地对数据进行降维,不仅能够保持高维数据中的有效信息,降低计算复杂程度,提高算法的运行效率,同时还能够克服存在外点情况下分类准确率较低问题,提高算法的鲁棒性。通过选择不同的人脸数据库进行实验,实验结果表明,在存在外点的情况下,运用最近邻分类器时能够取得更高的分类准确率,同时所需的分类时间有所减少。     

最小距离鉴别投影及其在人脸识别中的应用

针对人脸识别问题,提出了最小距离鉴别投影算法,其与经典的线性鉴别分析不同,它是一种流形学习降维算法。该算法首先定义样本的类内相似度与类间相似度:前者能够度量样本与类内中心的距离关系,后者不仅能够反映样本与类间中心的距离关系而且能够反映样本类间距与类内距的大小关系;然后将高维数据映射到低维特征空间,使得样本到类内中心距离最小同时到类间中心距离最大。最后,在ORL、FERET及AR人脸库上的实验结果表明所提算法识别性能要优于其他算法。     

有监督正交局部保留投影及其在人脸识别中的应用

针对局部保留投影算法（LPP）的无监督和非正交问题,提出了一种有监督的正交局部保留投影算法SOLPP。该算法同时考虑了样本的类别信息以及投影向量间的相互正交性,首先利用样本的类标签信息重新定义了类内和类间相似度矩阵,同时最大化类间离散度与类内离散度之比,有效地保持了样本的局部结构;其次对投影基向量进行正交化,在保持数据空间结构的同时进一步提高了人脸识别效果。在ORL和FERET人脸库上的实验表明,该方法的识别率要优于SLPP等算法。     

面向酉子空间的二维判别保局投影的人脸识别*

保局投影算法（LPP）在人脸识别中具有较好的识别性能,但它是一种非监督学习,并且在具体实现时需要把图像转换为向量,破坏了图像的像素结构,这显然不利于模式识别。针对这些问题,提出基于酉子空间的二维判别保局算法,不仅在判别保局算法的基础上增加了类别信息,而且直接在灰度矩阵上进行水平和垂直方向上的二维保局投影。该方法构造酉空间上的复向量后再运用线性判别分析提取特征。在ORL、Yale和XJTU人脸库中验证了算法的正确性和有效性,其识别率比传统的2DLDA和2DLPP等方法提高4～5个百分点。     

基于二维投影特征提取的人脸识别算法

基于线性投影的方法是目前人脸识别领域中重要的主流方法之一,在近年中得到了广泛的关注,取得了显著的发展。其中,基于一维线性投影的方法包括特征脸方法和Fisher脸方法等;基于二维线性投影的方法包括二维主成分分析和二维线性判别分析,以及它们的一系列拓展算法等。在此基础上,给出了一种基于二维矩阵的特征提取新方法。通过在ORL标准人脸库的实验表明,该算法与现有的方法相比在识别率和识别效率方面都有一定程度的提高,取得了比较理想的效果。     

SRC最佳鉴别投影及其在人脸识别中的应用

根据稀疏表示分类器的分类准则,提出了一种稀疏表示分类器最佳判别的投影方法。该方法优化两个目标,一是数据集的类间和类内稀疏重构误差,二是数据集中区分度。优化结果使样本投影到低维空间中,确保SRC具有更好的分类性能。在AR和Yale数据库上进行人脸识别实验,并与几种流行的方法进行了比较,结果表明所提出的方法具有良好的有效性和鲁棒性。     

Multi-linear neighborhood preserving projection for face recognition

This paper proposes a novel method of supervised and unsupervised multi-linear neighborhood preserving projection (MNPP) for face recognition. Unlike conventional neighborhood preserving projections, the MNPP method operates directly on tensorial data rather than vectors or matrices, and solves problems of tensorial representation for multi-dimensional feature extraction, classification and recognition. As opposed to traditional approaches such as NPP and 2DNPP, which derive only one subspace, multiple interrelated subspaces are obtained in the MNPP method by unfolding the tensor over different tensorial directions. The number of subspaces derived by MNPP is determined by the order of the tensor space. This approach is used for face recognition and biometrical security classification problems involving higher order tensors. The performance of our proposed and existing techniques is analyzed using three benchmark facial datasets ORL, AR, and FERET. The obtained results show that the MNPP outperforms the standard approaches in terms of the error rate.     

无关性判别保局算法及其在人脸识别中的应用

特征提取是人脸识别过程中的一个重要步骤,是人脸识别算法有效性的关键。提出了一种基于无关性判别保局的特征提取算法,并应用于人脸识别。基于保局投影算法的人 脸识别是一种有效的人脸识别算法,但它只考虑了数据的局部性,没有考虑类别信息,也没有考虑所提特征之间的相关性,现有的改进算法虽然考虑了类别信息,但是没有考虑到 类间信息。本文算法使得所提特征之间相互无关,这样降低了数据冗余,同时考虑到类别信息,使得投影后的类间区分度加强了。实验结果验证了算法的正确性和有效性,比传统 算法有较好的识别性能。     

子模式局部保持映射人脸识别

研究表明基于整体思想的人脸识别方法由于忽略图像的局部信息,在识别性能方面不如局部信息特征保持较好的基于子模块思想的识别算法。基于应用流形技术对图像降维后能够较好保持非线性子流形中的局部数据流形结构,提出了一种改进的子模式局部保持映射人脸识别算法。其主要思想是将同类的不同图像一并划分子集,由同位置子图组成子模块,并对子模块运用LPP算法学习其流形结构,与将不同类图像一并划分子集学习流形的方法不同。实验表明,该算法能更好地保持人脸图像的局部流形结构和信息特征,提高了识别率。     

2维异方差鉴别分析及其在人脸识别中的应用

在2维线性鉴别分析(2DLDA)的基础上.介绍了2维异方差鉴别分析(2DHDA),并将其应用于人脸识别.2DHDA算法去除了2DLDA算法样本类内协方差相等的约束,克服了异方差鉴别分析(HDA)算法的"小样本"问题.首先,根据2DLDA准则定义2DHDA准则;然后,将2DHDA准则取对数,用梯度下降法求得最优投影矩阵,人脸图像向最优投影矩阵投影提取人脸图像的特征;最后,最小距离分类器完成人脸识别.基于ORL与Yale混合人脸数据库的实验结果表明了2DHDA应用于人脸识别的有效性.