基于改进局部切空间排列的流形学习算法

局部切空间排列是一种广受关注的流形学习算法,其具备实现简单、全局最优等特点,但其难以有效处理稀疏采样或非均匀分布的高维观测数据。针对这一问题,该文提出一种改进的局部切空间排列算法。首先,提出一种基于L1范数的局部切空间估计方法,由于同时考虑了距离和结构因素,该方法得到的切空间较主成分分析方法更为准确。其次,在坐标排列步骤为了减小排列误差,设计了一种基于流形结构的加权坐标排列方案,并给出了具体的求解方法。基于人造数据和真实数据的实验表明,该算法能够有效地处理稀疏和非均匀分布的流形数据。     

张量局部判别投影的人脸识别

 经典的向量子空间学习算法是以数据流形的向量表示进行计算的,但是在现实世界中数据流形从本质上而言是以张量的形式存在,因此基于张量子空间的学习算法能够更好地揭示流形内在的几何结构.本文提出了一种新的张量子空间的学习算法:张量局部判别投影.首先构建类内和类间图,然后保持流形的局部结构并且利用数据的判别信息,推导出算法的计算公式,最后通过迭代计算广义特征向量,解得最优张量子空间.在标准人脸数据库上的实验表明该算法有效.     

基于核正交局部判别嵌入的人脸识别

针对人脸识别中的非线性特征提取问题,提出一种基于核正交局部判别嵌入(KOLDE,kernel orthogonal local discriminant embedding)的人脸识别算法。首先通过引入基向量正交约束,得到OLDE算法,并给出算法的推导过程。然后为了更好地处理高度复杂非线性结构数据,将OLDE向高维空间扩展,在核空间提取图像的高阶非线性信息,得到核空间OLDE算法。在ORL和PIE库上的人脸识别实验验证了算法的有效性。     

融合复小波与零空间判别投射的人脸识别方法

提出一种新颖的零空间判别投射(NDPE)的子空间人脸识别方法。基于局部保持映射(LPP)和非参数判别分析方法,NDPF能够同时编码人脸数据流形的几何和判别结构,并且通过在零空间中求解特征值来克服小样本尺寸问题。为进一步提高人脸识别的准确率,提出融合双树复小波变换(DTCWT)与NDPE的方法。实验结果表明,所提人脸识别方法在ORL、Yale和AR人脸数据库上均取得了较高的识别率。     

基于判别邻域嵌入的人脸识别

提出了一种人脸识别子空间方法:判别邻域嵌入(DNE).在框架中,训练样本数据的邻域和类关系被用来构建低维嵌入流形.在嵌入低维子空间后,同类样本保持它们固有的邻域关系,相反不同类近邻样本彼此远离.在ORL和Yale人脸数据库上,对提出的方法和主成分分析(PCA)、线性判别分析(LDA)、保持邻域嵌入(NPE)和保持局部投影(LPP)方法进行了比较,结果表明,提出的方法是有效的.     

全局与局部特征融合在人脸识别中的应用研究

摘　要 主成分分析（PCA）和线性判别分析（LDA）是基于全局结构的特征提取方法,局部保持投影（LPP）和正交拉普拉斯脸（OLF）是基于局部结构的特征提取方法,全局结构特征的弱点是忽略了局部结构特征,局部结构特征的弱点是忽略了整体结构。基于此,本文提出了一种全局与局部结构特征融合（GLSF）的提取方法,将PCA和LDA的提取结果融合到LPP中,既描述了全局结构,又考虑了局部结构。在ORL及Yale上的实验结果表明,GLSF方法比PCA、LDA、LPP、OLF等方法具有更高的识别率。     

基于改进局部梯度的小波图像融合方法

给出了一种基于双正交小波变换的图像融合方法.针对图像小波分解后的高频系数,提出了基于局部梯度的选择和加权平均相结合的系数融合规则,在充分保留源图像细节信息前提下,保证融合结果的一致性.对多聚焦图像进行试验,并用交叉熵等参数作客观评价,结果表明本方法所得的融合图像能反映更丰富的细节信患,具有更强的噪声抑制能力和更好的视觉效果.     

基于Curvelet变换的人脸识别技术研究

提出了一种基于二代Curvelet变换的人脸识别算法,先对人脸图像预处理及Curvelet变换系数的特征提取;然后结合PCA L、DA进行降维处理;再对降维后的系数进行分类,进而对人脸进行识别。为研究表情及光照对识别率的影响,分别采用了ORL与Yale人脸数据库,将该算法与小波变换的算法进行对比。实验结果表明,该算法得到更高的识别率。     

基于多特征融合的人脸识别算法

针对局部二值模式描述子提取的纹理信息以及梯度幅值量化算子提取的边缘特征无法有效且全面地描述人脸信息的问题,文中提出一种基于马尔可夫稳态特征模型的多特征融合算法。首先,将通过GMQ算子提取的边缘特征以及通过LBP描述子提取的纹理特征分别与马尔可夫稳态特征模型进行融合,然后再将两者进行有效地线性加权融合。最后,在ORL数据集上进行的实验显示,文中提出算法的识别精度可达到 95.83%。与单一的特征提取算法以及常见的人脸识别算法对比结果表明了该方法的有效性。     

图像特征融合在人脸识别中的应用研究

主成分分析(PCA)和线性判别分析(LDA)是基于全局结构的特征提取方法,局部保持投影(LPP)和正交拉普拉斯脸(OLF)是基于局部结构的特征提取方法,全局结构特征的弱点是忽略了局部结构特征,局部结构特征的弱点是忽略了整体结构.基于此提出了一种全局与局部结构图像特征融合(GLSF)的提取方法,将PCA和LDA的提取结果融合到LPP中,既描述了全局结构,又考虑了局部结构.在ORL及Yale上的实验结果表明,GLSF方法比PCA,LDA,LPP,OLF等方法具有更高的识别率.     

基于局部边界鉴别分析的人脸识别

该文基于谱图理论和流形学习提出了局部边界鉴别分析(LMDA)的降维方法。在近邻保持投影的基础上,LMDA方法减少了同类数据间由于线性投影而带来的重构误差,同时保留了类内相似度图的拉普拉斯矩阵的完整性。另一方面,通过构造一个与类内相似图对应的类外代价图,LMDA可以扩大两者间的边界。在人脸识别中与其他方法的对比实验表明提出的算法能有效提升近邻保持投影的性能。     

一种基于稠密SIFT特征对齐的稀疏表达人脸识别算法

该文针对人脸图像受到非刚性变化的影响,如旋转、姿态以及表情变化等,提出一种基于稠密尺度不变特征转换(SIFT)特征对齐(Dense SIFT Feature Alignment, DSFA)的稀疏表达人脸识别算法。整个算法包含两个步骤：首先利用DSFA方法对齐训练和测试样本;然后设计一种改进的稀疏表达模型进行人脸识别。为加快DSFA步骤的执行速度,还设计了一种由粗到精的层次化对齐机制。实验结果表明：在ORL,AR和LFW 3个典型数据集上,该文方法都获得了最高的识别精度。该文方法比传统稀疏表达方法在识别精度上平均提高了4.3%,同时提高了大约6倍的识别效率。     

基于DCT的改进零空间人脸识别算法

线性判别分析(LDA)是一种较为普遍的线性特征提取方法,它的主要缺点是在应用时经常遇到小样本问题,同时其准则函数并不与识别率直接相关。该文提出一种基于DCT的改进零空间LDA方法,能够解决以上两个问题。首先,通过使用DCT代替像素聚类并重新定义类间散布矩阵,得到一种新的零空间法。然后将这种方法与F-LDA结合起来得到一种新的对人脸识别更有效的特征提取方法,实验证明这种方法能得到较好的识别率。     

基于优化的LDA算法人脸识别研究

提取低维人脸特征是人脸识别系统中极其关键的一步。线性判别分析(LDA)是一种较为普遍的用于特征提取的线性分类方法。本文提出了一种优化的LDA算法,该方法克服了传统的LDA算法用于人脸识别时存在的问题：通过重新定义样本类间离散度矩阵使传统的Fisher准则能够最优化,克服了边缘类对选择最佳投影方向的影响;同时,利用因数分解的方法避免了对矩阵求逆,解决了小样本问题。依据经验选取适当的e值,得到最佳的识别效果。实验结果表明,人脸识别效果优于传统LDA方法。     

基于心电与光电容积脉搏波特征层融合的身份识别方法

针对单模态的心电信号(ECG)或光电容积脉搏波信号(PPG)识别技术中存在的精度不高,未考虑类内相关性等问题,该文提出基于判别相关分析法(DCA)对ECG与PPG组合特征矩阵进行特征层融合以及对K-最近邻(KNN)和支持向量机(SVM)分类器在决策层融合的识别方法。实验结果表明,使用融合特征(ECG-PPG)与融合分类器(KNN-SVM)的方法对23名受试者进行分类识别的准确率可以达到98.2%,识别精度在常规环境下优于单模态识别。为多模生物特征身份识别提供了一种有效模型。     

基于Hermite特征和核函数判决分析的人脸识别

提出了基于Hermite特征和核函数判决分析（KDA）方法的人脸识别技术,即首先利用多分辨Hermite分析提取人脸图像特征,然后用KDA方法进行分类识别。采用拟Gabor的多分辨Hermite分析能够提取人脸图像中具有空间频率特性、空间位置和方向取向选择特性的判决特征,从而较好地克服由于光照强度、脸部表情变化带来的影响。KDA方法能够提取高维特征空间中的最佳判决特征,本质上对应于原始空间中的非线性最佳判决特征,具有较好的聚类判决分析性能。实验仿真表明了所提方法的有效性。     

无线传感网中多传感器特征融合算法研究

面向无线传感器网络在地面目标识别方面的应用需求,该文提出了一种基于改进局域判别基(Local Discriminant Bases, LDB)和二进制粒子群优化(Binary Particle Swarm Optimization, BPSO)方法的多传感器特征融合算法。利用新的基于概率密度估计的相对微分熵可分性测度来改进LDB,以提取目标信号的特征频段,然后分别利用一种改进的和一种全新的BPSO来实现特征融合。基于实地采集到的地面目标的声音和震动信号,仿真实验表明,该方法减少了所需分类器的数目,降低了特征维数,并在一定程度上提高了目标的正确识别率,具有实际的应用价值。     

局部保持鉴别投影及其在人脸识别中的应用

针对流形学习在人脸识别中的应用,该文提出基于局部保持投影(Locality Preserving Projection, LPP)的监督线性维数约简方法。利用样本的类别信息,将LPP的最近邻图分解为类内图和类外图,通过优化,最优保持同类数据固有的局部邻域关系,缩小数据之间的距离,同时最大化不同类数据之间的距离,从而增大各类数据分布之间的间隔,提高了嵌入空间的辨别能力。此外,在构建图的过程中采用了自适应邻域,增强了对数据分布稀疏性的表征。在Extended Yale B和CMU PIE两个开放人脸数据库上进行了试验,验证了算法的有效性。