基于有监督的核局部线性嵌入的面部表情识别

流形学习方法可以有效的发现存在于高维图像空间的低维子流形并进行维数约简,近年来越来越受到生物特征识别和认知科学领域的研究者的重视。但是流形学习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,本文提出一种新的有监督的核局部线性嵌入算法(supervised kernel local linear embedding,SKLLE),并将算法应用于面部表情识别。该算法通过非线性核映射将人脸图像样本投影到高维核空间,然后将人脸图像局部流形的结构信息和样本的类别信息进行有效的结合进行维数约简,提取低维鉴别流形特征用于表情分类。SKLLE算法不仅能发现嵌入于高维人脸图像空间的低维表情子流形,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面部表情识别的性能。     

融合局部和全局结构的流形学习

提出了一种融合局部与全局结构的保持嵌入(LGPE)算法.该方法首先假定目标空间的整体映射函数,然后结合数据的全局几何结构分布信息进行数据重构,最后通过最小化准则函数来得到嵌入高维空间的低维子流形.LGPE方法在保持数据局部结构的同时保留了全局结构信息,在信噪比为10 dB的稀疏Swiss-roll(N=400)和COIL-20多姿态数据集上都取得了较好的维数约简效果.与其他局部流形学习方法相比,该方法在AT&T人脸图像库中,当嵌入特征矢量维数d<40时,其识别率提高了约15%.在人工与真实数据库的实验结果表明,本文方法对噪声和稀疏数据具有较好的鲁棒性.     

基于核函数距离测度的LLE降维及其在离群聚类中的应用

局部线性嵌入算法(locally linear embedding,LLE)是一种流形降维方法,在高维稀疏数据空间中,针对LLE不适合稀疏采样和欧氏距离公式的缺陷,研究该算法的扩展,引入核函数,并将样本映射到高维特征空间,核映射改善了样本的空间分布,改进的LLE方法在适当选取近邻点个数情况下,可得到良好的效果.对从高维采样数据中恢复得到低维数据集,通过本文提出的离群数据假设,并结合本文给出的离群聚类方法埘所得低维数据是否是离群数据进行判别.仿真实验的结果表明了该方法能够有效地发现高维数据集中的离群点,与此同时,该算法具有参数估计简单、参数影响不大等优点,该算法为离群点检测问题的机器学习提供了一条新的途径.     

基于局部和全局结构保持的流形学习算法

流形学习方法可以将高维数据投影到低维空间,发现隐藏在数据中的内在几何结构与规律性,近年来越来越受到模式识别和认知科学领域的研究者的重视。但是基于局部的流形学习方法存在对噪声敏感和要求样本稠密等缺点。针对这些缺点,本文提出一种新的局部与全局结构保持嵌入(Local and global preserving Embedding, LGPE)算法。LGPE方法通过假定目标空间的整体映射函数,然后结合数据的全局几何结构的分布信息进行数据重构,最后通过最小化准则函数来得到嵌入于高维空间的低维子流形。LGPE方法在保持数据局部结构的同时保留全局结构信息,在信噪比为10db的稀疏Swiss-roll(N=400)和COIL-20多姿态数据集取得了较好的维数约简效果,且在ORL人脸图中相对其他局部流形学习方法,在嵌入特征矢量维数d<40时,识别率提高了约15%。实验结果表明,本文方法对噪声和稀疏数据具有较好的鲁棒性。     

一种基于SLLE的手写体数字识别算法

流形学习是一种新的非监督学习方法,可以有效地发现高维非线性数据集的内在维数并进行维数简约。本文基于流形学习技术的研究,针对在手写字符识别中由于书写习惯和风格的不同造成字符模式不稳定的问题,提出了一种基于流形学习的手写体数字识别方法。并在原有流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时,也进一步分离了不同类别的流形。算法首先利用基于监督的局部线性嵌入（SLLE）对手写体数字图像进行字符特征的降维,然后再对降维后的特征进行分类识别。通过对MINST库中手写体数字数据库上的实验结果表明,利用SLLE降维以后的特征能够有效地区分字符,具有较好的识别率,能够发现高维空间的低维嵌入流形,识别率达到93.27％,为手写体数字识别的研究提供了一条有效的新途径。     

基于自学习局部线性嵌入的多幅亚像元超分辨成像

研究了软硬件相结合的亚像元超分辨成像技术。首先通过探测器扫描获得同一场景彼此错位亚像元像素的多帧图像作为训练样本和输入图像;然后针对传统的局部线性嵌入(LLE)实例学习超分辨算法过于依赖外部训练样本,不利于光电成像系统直接处理等缺点,提出了一种基于自学习的改进LLE算法;采用新的LLE权值计算方法获得正数权值,同时对初始估计再次运用自学习LLE方法恢复丢失的高频细节信息。仿真实验结果表明,该算法重构的图像的信噪比比传统LLE超分辨算法提高了0.8dB,运行时间提高了75%,视觉上可感知重构图像的细节信息更丰富。与其它方法相比,用搭载的微位移实验平台运行本文算法所获得重构图像的信噪比和信息熵都有很大提高,表明本文算法能获得高质量和高分辨率的重构图像。     

基于加权判别局部多线性嵌入的人脸识别

张量算法克服了传统向量算法的维数灾难和小样本问题,在人脸识别中取得了较好的效果.尽管如此,现有张量算法容易导致邻近类别在低维空间中重叠,为此,提出了一种加权判别局部多线性嵌入算法.该算法设计了一种自适应加权的判别准则,结合类别信息,保持了同类人脸图像之间的局部流形结构,同时利用高斯基函数作为加权函数,根据人脸图像对其他类别的影响,自适应产生权重系数,加大了类间样本的区分度.此外,该算法采用张量形式表示图像数据,保留了图像的结构,继承了张量算法的优点,并且有效地解决了out-of-sample问题.人脸识别实验表明,对于光照,姿态和表情的变化,该算法具有较好的稳健性和较高的识别率.     

基于局部约束字典学习的数据降维和重构方法

针对目前已有的非线性降维算法存在计算复杂度高、难以处理大型数据集和增量化降维问题,本文提出了一种基于局部约束字典学习的非线性降维算法。该方法通过重构一些潜在标志点的局部内在流形,并在数据处理过程中将训练数据和未知数据一起嵌入到内在流形中,使得数据的内在几何结构特征得以保持。与已有非线性降维方法相比,该算法具有计算复杂度低、存储空间小和通用性强的特点,可以很好地解决增量化降维问题,易于处理大型数据集。另外,该算法也可以解决高维数据的重构问题,与已有重构方法相比具有计算简单、重构误差较低的特点。实验结果表明了算法的有效性。     

一种新颖的人脸图像超分辨率技术研究

本文针对基于学习的人脸图像超分辨率技术进行研究,采用多分辨率的幻觉脸算法。针对Baker方法（文献[1]）建立的图像金字塔提取高频细节不够丰富的缺点,采用Kirsch算子提取高频特征。它与Baker的一阶、二阶灰度算子结合,能够提取更多的图像信息,使得匹配更为准确。另外将流形学习中的LLE算法思想引入匹配复原过程中,使复原结果获取更完备的高频信息。实验结果表明,本文预测得到的先验模型更为准确,使得最终复原的人脸图像具有更好的视觉效果。     

应用相关近邻局部线性嵌入算法的高光谱遥感影像分类

传统的局部线性嵌入（LLE）算法需用欧氏距离度量近邻,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能反映数据间的真实空间分布,导致近邻选取不稳定。针对此问题,本文提出了相关近邻（CN）LLE（CN-LLE）和相关最近邻分类（CNN）算法。提出的算法首先利用相关系数度量数据间的近邻,实现更准确的局部重构,提取鉴别特征;然后用CNN对低维嵌入特征进行分类。在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明：本文提出的CN-LLE+CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11%~11.55%,Kappa系数提升了0.026~0.143。由于该算法增加了近邻为同类的概率,便于更有效地提取同类数据的鉴别特征,且有更好的稳定性,故能更有效地实现高光谱遥感数据的地物分类。     

An improved LLE algorithm based on iterative shrinkage for machinery fault diagnosis

Local linear embedding (LLE) algorithm is widely utilized to feature extraction for fault diagnosis, but the diagnosis result is sensitive to reconstruction weight W of LLE. To make W more significant and robust, in this paper, ISLLE algorithm is proposed with the aid of iterative shrinkage technology and LLE algorithm. In ISLLE algorithm, a surrogate function is introduced, upon which the high-dimensional optimization problem can be decoupled into a set of one-dimensional equations, then W can be easily computed by iterative shrinkage method. In each iteration, the small and negative weight coefficients are eliminated, while the large ones are shrunk, which can be regarded as feature extraction and noise reduction. Hence, the signals processed by ISLLE are more beneficial to diagnosis. Three real datasets are used to examine the proposed method. The experimental results demonstrate that the proposed method is valid, and the performance of ISLLE outperforms that of the original LLE.     

利用改进的Retinex进行人脸图像光照处理

为了提高光照变化条件下的人脸识别率,针对Retinex算法处理人脸侧光照图像时会误增强阴影的边缘提出了一种基于新的传导函数的自适应平滑Retinex算法。该传导函数用空间梯度和像素的局部不一致性两种方式共同测量灰度的剧烈变化,在平滑图像的同时没有边缘增强效应,且不会损失人脸特征边缘。在平滑估计的迭代过程中,选取上一次与此次迭代结果中的较大值作为约束条件来保证估计出的亮度图像能满足Retinex理论的约束条件。在YaleB人脸库上的实验结果表明,本文算法能有效克服强侧光照时的阴影现象且没有损失人脸特征边缘;与较经典Retinex算法相比,侧光照时的识别率在最好情况时提高了24.2%,无强侧光照时也可提高4%左右,具有光照鲁棒性,可适用于任何光照条件下的人脸识别。     

一种基于LLE特征融合的故障识别方法

针对传统的故障识别中未能充分利用特征信息的问题,提出一种基于局部线性嵌入(LLE)特征融合的故障识别方法,通过初步提取信号时域和时频域的特征获得原始特征集,利用LLE算法对原始特征集进行二次特征提取,进一步融合两组特征集并使用KNN算法进行故障识别。仿真信号数据分析与实际故障分析证明了所提方法对故障样本识别的可行性和有效性。     

基于Haar分类器和AAM算法的人脸基准点定位

人脸基准点定位可应用于人脸识别、疲劳检测等领域。针对人脸基准点定位中常用的主动表观模型(AAM)的局限性,提出了Haar分类器和AAM算法相结合的人脸基准点定位方法。先是计算图像积分图,然后采用基于Haar特征的AdaBoost级联检测器快速定位出人脸区域,最后将检测到的位置和图像信息传递给AAM进行人脸基准点定位。该方法在抽取的AFLW(annotated facial landmarks in the wild)人脸测试集上表现出良好的性能。实验结果表明,采用该方法能准确、快速定位出人脸基准点。     

基于实时预测学习分类的脸像快速检测方法

视频图像中脸像检测是近年来视觉图像检测和模式识别领域的研究热点。提出一种基于实时预测学习分类的脸像快速检测算法,即ARMA-Boost算法。首先根据脸像位置先验信息,利用ARMA模型(auto-regressive and moving average model)预测脸像位置区域,然后采用AdaBoost算法对预测区域进行脸像检测。该方法在时间维度对AdaBoost算法进行扩展,减小脸像搜索范围,提高检测效率。利用该方法对离线视频文件和CCD图像传感器实时脸像视频进行检测,实验结果表明,与支持向量机、传统AdaBoost和基于优化肤色模型的AdaBoost改进算法相比,ARMA-Boost算法脸像检测准确率高,实时性更好,可以对视频脸像进行快速检测应用。     

基于分维LLE和Fisher判别的故障诊断方法

针对非线性系统故障诊断难以解决的问题,通过改进的局部线性嵌入映射算法解决了非线性数据的特征映射问题。首先,通过线性拟合改进了基于分形维估计的内在维数的估计。然后,将故障状态与空间分布结合起来,通过确定数据点在空间超球内的分布完成故障的检测,在这个过程中将超球的确定与LLE算法中基于核函数的样本外数据扩展结合起来,大大减少了计算量,提高了算法的实时性。然后,利用Fisher判别分析进行故障匹配,通过计算最优的投影向量与历史故障数据投影向量的相似度的计算,完成故障识别,从而为复杂非线性系统故障诊断提供了一种新的有效的方法。     

基于小波变换的人脸光照补偿

提出了一种用于非均匀光照条件下人脸识别的光照补偿算法。该算法首先将人脸图像变换到对数域,并在对数域中计算2维小波变换,通过舍弃低频子带图像中的系数来实现人脸图像的非均匀光照补偿。由于人脸光照补偿的目的是为了提高人脸识别性能,所以光照补偿的效果利用人脸识别率来表征。在Yale B人脸库中,与对数域离散余弦变换（DCT）光照补偿算法进行了比较,实验结果表明,本文方法的人脸识别平均误识率可以达到0.18%,比对数域DCT方法具有更好的性能。另外,在CAS_PEAL人脸库中的实验结果表明,本文方法的性能与对数域DCT方法相近。