一种新的有监督保局投影人脸识别算法

为了充分利用样本的类别信息,提出了一种新的有监督保局投影人脸识别算法（NSLPP）。首先,把类间散布矩阵融入到传统保局投影算法的目标函数中,修改目标函数,并基于新的目标函数得到变换矩阵;然后用线性鉴别的思想筛选出变换矩阵中的最优基向量,构成最终的变换矩阵,把训练样本和测试样本投影到有最优基向量构成的子空间得到训练样本和测试样本的特征;最后采用最近邻分类器分类,在ORL和FERET人脸库上的测试结果表明,NSLPP算法具有较好的识别性能。     

一种改进的模块PCA方法及其在人脸识别中的应用

提出了一种改进的模块PCA方法,即基于类内平均脸的分块PCA算法。该算法对每一类训练样本中每个训练样本的每一子块求类内平均脸,并用类内平均脸对训练样本类内的相应子块进行规范化处理,然后由所有规范化后的子块构成总体散布矩阵,从而得到最优投影矩阵;由训练集的全体子块的平均值对训练样本的子块和测试样本的子块进行规范化后投影到最优投影矩阵,得到识别特征;最后用最近距离分类器分类。在ORL人脸库上的试验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。     

基于类内加权平均值的模块PCA算法

针对主成分分析（PCA）算法在人脸识别中识别率低的问题,提出一种基于类内加权平均值的模块PCA算法。该算法对每一类训练样本中每个训练样本的每个子块求类内加权平均值,用类内加权平均值对训练样本类内的相应子块进行规范化处理。由所有规范化后的子块构成总体散布矩阵,得到最优投影矩阵,由训练集全体子块的中间值对训练样本子块和测试样本子块进行规范化后投影到最优投影矩阵,得到识别特征,并用最近距离分类器分类。ORL人脸库上的实验结果表明,该算法的识别性能优于普通模块PCA算法。     

基于2DGabor小波与BDPCA的掌纹识别

提出一种解决双向主成分分析(BDPCA)中小样本问题的掌纹识别方法。把掌纹感兴趣区域图像经过2DGabor小波变换后得到的每个图像都作为独立的样本,以增加每一类掌纹的样本数。设计一种基于样本散度矩阵的改进BDPCA算法进行特征提取。采用训练样本的k值矩阵代替训练样本的平均值矩阵,从而获得最优投影矩阵。将2DGabor与改进的BDPCA算法相结合进行掌纹识别。在PolyU掌纹库中的实验结果表明,该方法不仅减少了不同训练样本对识别率的影响,而且能够提高识别率,甚至当每类训练样本数仅为1时,也能得到较高的识别率,有效解决了掌纹识别的小样本问题。     

基于模糊决策和MSD的单样本人脸识别算法

当每个人只有一个训练样本时,最大散度差鉴别分析在人脸识别中的识别性能会降低,为了解决这一问题,提出了基于模糊决策和最大散度差鉴别分析的单样本人脸识别算法。通过对每个训练样本进行适当的分块,从而获得较多的训练样本个数,在这些新的训练样本集上应用类内中间值最大散度差鉴别分析算法得到最优投影矩阵,并基于这个最优投影矩阵可以计算训练样本和待测试样本的特征。对模糊决策方法进行分类。在著名的ORL和FERET人脸数据库上的大量实验结果表明,该算法可以提高识别率。     

基于DCT和MMC的人脸识别方法

提出了一种基于离散余弦变换(DCT)和最大间距准则(MMC)鉴别分析的人脸识别方法.先对人脸图像进行离散余弦变换,选取变换矩阵左上角的一部分变换系数构成特征向量,然后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,基于欧氏距离测度分别计算待识别样本到所有训练样本的距离并对得到的两类结果采用加权方法进行融合,得到最终的分类结果.基于ORL人脸数据库的实验结果表明了该算法的有效性.     

一种改进的基于NMF的人脸识别方法

针对NMF(非负矩阵分解)算法基于局部特征提取的特点,提出了一种对NMF基矩阵的处理方法,以提高在局部遮挡环境下人脸识别系统的识别率。首先使用离散小波变换得到样本的低频信息,利用NMF得到基矩阵;然后通过阈值判断提取能够突出表现人脸特征的部分,得到优化后的特征子空间,并将样本在该子空间上投影;最后使用支持向量机对所得到的投影系数分类。实验结果表明,优化算法其运算时间较短,且能有效地提高人脸在部分遮挡环境中的识别率。     

改进的模块2DPCA人脸识别方法

提出了一种基于类内自适应加权平均值的模块2DPCA人脸识别方法。该算法对每一类训练样本中每个训练样本的每一子块求类内自适应加权平均值,并用类内自适应加权平均值对训练样本类内的相应子块进行规范化处理,然后由所有规范化后的子块构成总体散布矩阵,从而得到最优投影矩阵;由训练集的全体子块的加权平均值对训练样本的子块和测试样本的子块进行规范化后投影到最优投影矩阵,得到识别特征;最后用最近距离分类器分类。在ORL人脸库上的实验结果表明,提出的方法在识别性能上明显优于2DPCA方法和普通模块2DPCA方法。     

稀疏特征选择在过程工业故障诊断中的应用

提出一种基于稀疏表达的特征选择方法,用训练样本的均值和方差组成优化算法的样本矩阵,测试样本采用与样本矩阵对应的指示向量,采用同伦算法求解优化问题。给出了算法的详细流程,并与传统的B距离法和小波包变换特征选择方法以及近年来常用的稀疏表达分类、稀疏投影保持和稀疏主元分析针对田纳西-伊斯曼过程进行故障诊断结果比较,结果表明所提出的方法故障诊断的误报率较低。     

基于Gabor和改进LDA的人耳识别

针对人耳识别中无法避免的小样本问题,提出了基于Gabor特征和改进LDA(ILDA)的识别算法。该算法首先提取人耳局部Gabor特征,然后重新定义Fisher准则和类内分散度矩阵,再将高维空间映射到低维后寻找最优投影方向,最后利用训练样本与测试样本特征投影值的欧氏距离进行分类识别。与传统方法相比,新算法能有效解决人耳识别中的小样本问题,获得较高的识别准确率。     

改进的保持邻域嵌入人脸识别方法

为进一步提高保持邻域嵌入算法在人脸识别中的识别性能,提出一种改进的保持邻域嵌入人脸识别方法LDNPE。利用先验的类标签信息构造权重矩阵,按照线性鉴别的思想把类间散布矩阵嵌入到目标函数中,增加样本类间散布约束,基于修改后的目标函数得到最优变换矩阵,并用最近距离分类器分类。在CAS-PEAL和FERET人脸数据库上的实验结果表明该算法的有效性。     

L_(2,1)范数正则化的不相关判别分析及其在人脸识别中的应用

对高维数据降维并选取有效特征对分类起着关键作用。针对人脸识别中存在的高维和小样本问题,从特征选取和子空间学习入手,提出了一种L_(2,1)范数正则化的不相关判别分析算法。该算法首先对训练样本矩阵进行奇异值分解;然后通过一系列变换,将原非线性的Fisher鉴别准则函数转化为线性模型;最后加入L_(2,1)范数惩罚项进行求解,得到一组最佳鉴别矢量。将训练样本和测试样本投影到该低维子空间中,利用最近欧氏距离分类器进行分类。由于加入了L_(2,1)范数惩罚项,该算法能使特征选取和子空间学习同时进行,有效改善识别性能。在ORL、YaleB及PIE人脸库上的实验结果表明,算法在有效降维的同时能进一步提高鉴别能力。     

基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法

目前的人脸识别算法常常忽视训练过程中噪声的影响,特别是在训练数据和待测数据都受到噪声污染的情况下,识别性能会明显下降。针对含有光照变化、伪装、遮挡及表情变化等较大噪声的人脸识别问题,提出了一种基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法。该算法首先通过低秩矩阵恢复算法得到训练样本的潜在低秩结构和稀疏误差结构;然后利用主成分分析法找到低秩结构的Gabor特征所在低秩子空间的变换矩阵;再通过变换矩阵将所有样本的Gabor特征向量投影到低秩子空间上,在该低秩子空间上使用稀疏表示分类算法进行最终的分类识别。在Extend Yale B和AR数据库上的实验表明,新算法具有较高的识别率和较强的抗干扰能力。     

具有统计不相关性的最佳鉴别特征空间的维数定理

提出并严格证明了具有统计不相关性的最佳鉴别特征空间的维数定理：对含有L个类别的模式识别问题，具有统计不相关性的最佳鉴别特征空间的维数为（L－1）：说明了具有统计不相关性的最佳鉴别变的与Wilks所提出的经典的模式特征抽取方法的关系。在一定的条件下，具有统计不相害性的最佳鉴别矢量集等价于Wilks所提出的经典鉴别矢量集。经典的模式特征抽取方法可以用来在不损失任何Fisher鉴别信息的意义下，对含有L个类别的模式识别问题。抽取（L－1）个具有统计不相关性的最佳鉴别特征。     

应用小指数多项式的KPCA+零空间人脸识别

利用小指数多项式核主分量分析(KPCA)提取人脸样本的非线性特征，提高对光照、姿态及面部表情变化的鲁棒性，构造训练样本的类内散布矩阵零空间，在此零空间内找到令类间离散度最大的投影方向，往此方向投影得到人脸样本的最优分类特征矢量。实验结果表明；该方法的识别率和对光照、姿态及面部表情变化的鲁棒性比Fisher脸方法有显著提高。     

NMF与LDA相结合的彩色人脸识别

为了提高彩色人脸识别的性能,提出了一种非负矩阵分解与线性判别分析相结合的彩色人脸识别算法。首先采用非负矩阵分解算法对彩色人脸图像不同颜色通道的信息进行编码,计算彩色人脸图像空间的基图像;然后根据非负矩阵分解计算得到的图像分解系数,融入人脸对象的类别信息,采用线性判别分析算法计算最优的鉴别子空间;最后以彩色人脸图像的投影系数为特征,采用最近邻分类算法进行人脸识别。在CVL和CMUPIE人脸数据库上的实验结果验证了提出的彩色人脸识别算法的正确性和有效性。     

基于核的多元区别分析算法的特征抽取及其在人脸识别中的应用

提出了一种基于核技术的求多元区别分析最佳解的K1PMDA算法，并把这一算法应用于人脸识别中。对线性人脸识别中存在两个突出问题：1、在光照、表情、姿态变化较大时，人脸图像分类是复杂的、非线性的；2、小样本问题，即当训练样本数量小于样本特征空间维数时，导致类内散布矩阵奇异。对于前一个问题，可以采用核技术提取人脸图像样本的非线性特征，对于后一个问题，采用加入一个扰动参数的扰动算法。通过对ORL，Yale Group B以及UMIST三个人脸库的实验表明，该算法是可行的、高效的。     

完备的无参数近邻保持及最大化非近邻算法

无参数保持投影算法无需参数设置且识别性能稳定,但算法不能有效地保持样本的局部结构,且忽略了非局部样本所起的作用,而且存在着小样本(SSS)问题,为此提出了一种完备的无参数近邻保持及最大化非近邻算法。算法以样本间余弦距离0.5为分界点将样本分成近邻及非近邻样本,为了充分利用近邻样本及非近邻样本,分别构造了近邻散度矩阵及非近邻散度矩阵,因此算法的目标函数就是求取能够最小化近邻散度矩阵的同时,最大化非近邻散度矩阵的投影矩阵。对于目标函数的求解,可先将高维样本通过主成分分析(PCA)算法降至一个低维的子空间,并通过两个定理证明了这种处理方法没有损失任何有效的判别信息;然后将目标函数转换为差形式,从而有效地解决了小样本问题。在人脸库及掌纹库上的实验结果表明,与无参数局部保持投影算法相比,所提算法平均识别率更高,验证了算法的有效性。     

Optimal subset-division based discrimination and its kernelization for face and palmprint recognition

Discriminant analysis is effective in extracting discriminative features and reducing dimensionality. In this paper, we propose an optimal subset-division based discrimination (OSDD) approach to enhance the classification performance of discriminant analysis technique. OSDD first divides the sample set into several subsets by using an improved stability criterion and K-means algorithm. We separately calculate the optimal discriminant vectors from each subset. Then we construct the projection transformation by combining the discriminant vectors derived from all subsets. Furthermore, we provide a nonlinear extension of OSDD, that is, the optimal subset-division based kernel discrimination (OSKD) approach. It employs the kernel K-means algorithm to divide the sample set in the kernel space and obtains the nonlinear projection transformation. The proposed approaches are applied to face and palmprint recognition, and are examined using the AR and FERET face databases and the PolyU palmprint database. The experimental results demonstrate that the proposed approaches outperform several related linear and nonlinear discriminant analysis methods.