直接正交鉴别保局投影算法

针对保局投影(LPP)及其衍生出的算法在人脸识别时须先采用主成分分析(PCA)算法对高维样本降维后才能应用,本文基于正交鉴别保局投影(ODLPP,orthogonal discriminal locality pre-serving projection)算法,提出了一种直接ODLPP(DODLPP)算法,利用拉普拉斯矩阵性质进行了相应的矩阵分解,可直接从高维样本的原始空间中提取投影矩阵。为解决ODLPP算法的小样本问题,给出先求解局部类内散度矩阵的零空间,然后再最大化类间散度矩阵的求解思路。人脸库上的实验结果表明所提算法的有效性。     

基于非相关判别邻域保持投影的毫米波雷达目标识别

该文基于流形学习的思想,综合线性判别分析(LDA)及邻域保持投影(NPP)算法的优势,提出了一种新的流形学习算法,即非相关判别邻域保持投影(Uncorrelated Discriminant Neighborhood Preserving Projections, UDNPP)。该算法在保持了邻域几何结构的同时最大化了类间距离,并通过引入一非相关约束条件使得提取的特征向量具有非相关性,减少了冗余信息的干扰。毫米波雷达目标识别实验结果表明,非相关判别邻域保持投影算法相对其它流行的学习算法有更好的性能。     

基于有监督的核局部线性嵌入的人脸性别识别

流形学习方法可以有效地发现存在于高维图像空间的低维子流形并进行维数约简,但它是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,而且流形学习方法大多没有明晰的投影矩阵,很难直接对新样本进行维数约简.针对这两个问题,提出一种新的有监督的核局部线性嵌入算法(SKLLE,supervised kernel local linear embedding).该算法通过非线性核映射将人脸样本投影到高维核特征空间,然后将人脸局部流形的结构信息和样本的类别信息进行有效地结合进行维数约简,提取低维鉴别流形特征用于分类.SKLLE算法不仅能发现嵌入于高维人脸图像的低维子流形,而且增强了局部类间的联系,同时对新样本有较好的泛化性,实验结果表明该算法能有效的提高人脸性别识别的性能.     

基于局部保持判别子空间的ISAR目标识别

由于目标运动及其所处环境的复杂性,雷达目标数据之间往往呈现出局部的非线性,如果采用传统的线性子空间方法降维,必将会使雷达目标识别性能有所下降,基于以上原因,文章尝试将流形学习的思想应用于逆合成孔径雷达(ISAR,inverse synthetic aperture radar)目标二维像的目标识别.局部保持投影(LPP,locality preserving projections)是一类有效的流形学习算法,但它在构建权矩阵时没有充分利用样本的类别信息.针对此问题,提出了一种称为局部保持判别投影(LP-DP,locality preserving discriminant projections)的子空间学习方法,该方法通过构建类内和类间两个权矩阵来描述多类样本数据集的局部几何结构,以使在高维空间中相互靠近的同类数据点在低维嵌入空间中也相互靠近,而不同类的近邻点则尽可能地远离.对三类飞机目标的仿真实验结果表明,与PCA、LDA和LPP等算法相比,LPDP算法具有更好的识别性能.     

共生矩阵保局投影红外人体目标实时跟踪方法

针对红外图像中人体的鲁棒实时跟踪问题,提出了一种新颖的共生矩阵保局投影(COMLPP)方法.为了克服保局投影的红外图像中人体目标信息量不足的弱点,该方法首先构建了训练样本的共生矩阵,然后利用保局投影得到样本目标的共生矩阵保局投影子空间特征的表征向量,最后将上述表征模型与粒子滤波相融合,实现了粒子滤波框架下的人体跟踪算法.利用不同的红外图像数据库进行人体跟踪实验,结果表明:文中提出的方法能够实时有效地跟踪人体目标,并且对有部分遮挡的复杂场景有较强的适应性.     

非一致相似测度的图表示多观测样本分类算法

多观测样本分类问题中,样本表示成流形上的点,针对如何利用多观测样本的流形结构提高其分类性能的问题,提出非一致相似测度的Graph表示多观测样本分类算法。首先综合数据的全局与局部结构特性,构造一个非一致相似测度,非一致相似测度主要考虑类内和类间差别,能有效地体现数据实际聚类的分布特性;其次构造非一致相似测度Graph,进而得到样本之间的相似度矩阵,然后通过一个格拉斯曼联合核把最佳投影的计算转化成寻找瑞利熵的最大特征向量问题,进而得到投影矩阵。最后将本征流形上的点投影到另一个流形上,使用最近邻分类器完成分类。在ETH-80物体识别数据库、CMU-PIE人脸数据库和BANCA数据库上进行对比实验,实验结果表明该方法优于传统方法。     

零空间保局判别本征脸

本征脸从人脸自身的差别出发,将每一人脸分为脸部共同差别、个体类间差别和个体类内差别,取得了较好的识别效果。但是它未考虑人脸的流形结构,并且会遇到矩阵的奇异性,即小样本问题。针对这些问题,该文提出了零空间保局判别本征脸,该算法充分考虑了个体类内差别和个体类间差别,结合流形学习思想并借助于判别准则使得投影后个体类内之间保持一定的相似性而个体类间之间的区分度有所增加。通过在个体类内保局差异散度矩阵的零空间中求最优特征向量,避免了矩阵的奇异性问题,解决了小样本问题。在人脸识别上的实验验证了算法的正确性和有效性。     

基于核不相关邻域保持投影的毫米波雷达目标识别

流形学习的提出和发展为毫米波雷达目标识别提供了新的思路。针对传统特征提取算法的不足,提出了一种基于核的非线性流形学习算法,即核不相关邻域保持投影(KUNPP)。该算法在邻域保持投影的基础上引入再生核,将数据映射到Hilbert空间;在Hilbert空间内执行邻域保持投影算法,并引入不相关约束,使得到的特征向量具有不相关性,减少冗余信息。将KUNPP应用于毫米波雷达目标识别,仿真数据集和实测数据集的实验结果均表明算法能取得较好的结果。     

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。     

应用于人脸识别的监督局部邻域保持嵌入算法

提出了一种应用于人脸识别的监督线性维数约简 算法。首先引入图像距离度量方法以确定人脸数据 之间的相似程度,之后将训练样本的类标先验信息融入到邻域保持嵌入(NPE,neighborhood preserving embedding)算法的目标函 数中,使得降维后的嵌入空间的投影数据呈多流形分布,不仅最优保持了样本空间的局部几 何结构,同时各类样本 投影的类内散度最小化,类间散度最大化,增大了各类数据分布之间的间隔,提高了嵌入空 间的辨别能力。在Extended Yale B和CMU PIE两个开放人脸数据库上进行了识别实验,结果表明,本文算法取得了很好 的识别效果。