双树复小波多频带类内类间不确定度融合的人脸识别

为了更好地获取人脸的纹理特征和解决人脸多频带的权值问题,提出了双树复小波多频带类内类间不确定度特征融合的人脸识别算法。首先使用了人脸双树复小波多频带特征构建人脸的纹理特征,引入了双树复小波多频带类内类间的不确定度计算多频带特征权值,同时采用了二维主成份分析方法对人脸多频带特征进行重构线性子空间,人脸子空间加权融合得到的最终特征能够保证投影后样本在新的空间中有最小的类内距离和最大的类间距离。使用ORL人脸图像库进行了实验与分析,结果表明所提出的方法比经典的二维主成份分析、传统小波、Gabor小波和双树复小波方法取得了更好的识别效果。     

基于KL距离的KPCA人脸识别算法

针对核主成分分析（KPCA）人脸识别算法中对全局特征变化敏感和忽略局部特征的问题,研究了一种基于KL距离的KPCA人脸识别算法。利用KL距离定义了类间距离和类内差异,设定了一个非线性优化函数来最大化类间距离,同时最小化类内差异,使提取的特征更为紧凑可分,并将其应用于KPCA算法中,利用ORL人脸图像库对算法的性能进行了测试。实验结果表明,该算法相对于传统KPCA算法具有更好的识别效果和稳定性。     

基于类矩阵和特征融合的加权自适应人脸识别

为了准确快速地进行人脸识别,提出了一种基于类矩阵和特征融合的加权自适应人脸识别算法,该算法首先,提取人脸的全局特征和6个关键部分的局部特征,同时给出了局部特征权值的动态选择方法,由于该法可以根据不同的训练集得出不同的权值,因而增强了算法的自适应能力;然后通过将全局和局部特征加权融合来得出样本的特征矩阵;接着设计出了一种加权PCA方法用于对样本矩阵进行降维;再进一步提出类矩阵的概念,同时给出并证明了类矩阵的推导公式,并据此得出一种新的投影准则;最后,将类矩阵和试验样本分别进行投影,并根据其欧氏距离的大小得出试验人脸的最终类别。试验表明,该算法不仅计算速度快、识别率高,而且能有效解决LDA小样本空间问题,应用前景良好。     

融合奇异值分解和最大间距准则的人脸识别方法

提出了一种融合奇异值分解（SVD）和最大间距准则鉴别分析（MMC）的人脸识别方法。对人脸图像进行奇异值分解,选取较大的一组奇异值构成特征向量,对所有训练样本按照最大间距准则鉴别分析算法计算投影矩阵,把人脸图像矩阵在投影矩阵上投影得到特征矩阵。融合决策阶段,在以上两类特征集中,分别计算待识别样本到所有训练样本的欧氏距离并对得到的两类结果进行加权融合,最后根据最近距离分类器分类。基于ORL人脸数据库上的实验结果表明算法的有效性。     

基于特征加权距离的双指数模糊子空间聚类算法

传统的模糊聚类算法(FCM)使用欧氏距离计算数据点之间的差异时,对于高维数据集聚类效果不够理想.对此,以FCM算法的目标函数为基础,用特征加权距离代替传统的欧氏距离,同时向约束条件中引入指数γ和β,提出了一种基于特征加权距离的双指数模糊子空间聚类算法,并讨论了该算法的收敛性.实验表明,所提出算法可以有效提取高维数据集各类别的相关特征,在真实数据集上有较好的聚类效果.     

视频取证中加权聚类人脸识别方法

提出了一种基于特征加权聚类的视频人脸图像识别方法。该方法指定样本人脸图像特征点,通过增加特征点多方向窗口加权计算,使得中心特征点四周各点具有相异权重,利用加权聚类人脸识别方法检测限制搜索区域,最后根据每一个侯选区域的几何信息及人脸特征验证是否为指定人脸。实验结果表明,提出的算法实现简单、误检率低、检测速度快,适合实时视频监控取证系统应用。     

结合最大最小距离和加权密度的K-means聚类算法

随机选取初始聚类中心和根据经验设置[K]值对[K]-means聚类结果都有一定的影响,针对这一问题,提出了一种基于加权密度和最大最小距离的[K]-means聚类算法,称为[KWDM]算法。该算法利用加权密度法选取初始聚类中心点集,减少了离群点对聚类结果的影响,通过最大最小距离准则启发式地选择聚类中心,避免了聚类结果陷入局部最优,最后使用准则函数即簇内距离和簇间距离的比值来确定[K]值,防止了根据经验来设置[K]值。在人工数据集和UCI数据集上的实验结果表明,KWDM算法不仅提高了聚类的准确率,而且减少了算法的平均迭代次数,增强了算法的稳定性。     

融合多种几何特征的三维人脸识别算法

由于对光照、姿态变化的不敏感, 三维人脸识别算法已经受到人们的极大关注, 其中三维人脸特征的表示、获取以及多种表示特征的有效融合仍然是三维人脸识别的核心问题. 本文提出一种三维人脸识别方法, 该方法针对归一化的三维人脸数据, 选取人脸的曲面特征和描述人脸特征相互关系矩阵的主分量特征作为人脸表示特征, 给出了各特征的提取方法及同类特征的相似性度量, 进而提出了一种对各类特征进行加权融合的方法, 即通过分析不同特征的分类识别能力, 根据Fisher的线性判别准则, 以类内和类间特征相似度的均值差与类内和类间的散度平方和之比的大小作为该类特征权重, 在决策层为不同的特征赋予不同的权重. 最后, 基于公开发布的BJUT-3D三维人脸数据库进行了识别性能实验. 实验结果证明, 本文的特征融合方法比一般的加权策略有更好的识别性能．     

基于理想点的星型高阶联合聚类一致融合策略

高阶联合聚类一般被转化为多对二阶联合聚类结果的一致融合问题,将多个二阶聚类目标函数的加权线性组合作为高阶联合聚类的目标函数,通过交替迭代方法得到聚类结果。然而,现有算法仍根据专家经验预设权值,自动的确定线性组合的最优权值仍是一个经典难题。文中针对星型高阶异构数据,提出一种基于理想点的自动确定权值的一致融合策略,将各二阶聚类目标函数的最优值构成的空间中的点称为理想点。通过将二阶聚类结果与其理想结果间的相对距离作为聚类质量的度量标准,解决了各二阶聚类质量不可公度的问题,最终使得高阶聚类目标函数与理想点的相对距离最小。基于理想点的方法能够解决多种星型高阶联合聚类算法的一致融合问题,因此具有一定的普适性。实验结果表明该方法有效地提高了5种经典高阶聚类算法的效果。     

基于ASM和K近邻算法的人脸脸型分类

针对人脸特征分类问题,提出一种基于主动形状模型(ASM)和K近邻算法的人脸脸型分类方法。将Hausdorff距离作为K近邻算法的距离函数,利用ASM算法提取待测图像的特征点,对点集进行归一化后计算人脸轮廓特征点与样本库中所有样本点集的Hausdorff距离,根据该距离值,通过K近邻算法实现待测图像的脸型分类。实验结果证明,该方法分类正确率高、速度快、易于实现。