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.     

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.     

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。     

半监督空谱局部判别分析的高光谱影像特征提取

为充分利用高光谱影像中蕴含的空谱特征,提出了一种半监督空谱局部判别分析的高光谱影像特征提取算法（S4LFDA）。鉴于高光谱数据集具有空间一致性,首先将像元进行空间重构,保存高光谱数据的近邻关系;其次引入光谱信息散度重构像元间的相似度;为了充分利用大量无标签样本提高算法性能,采用模糊C均值聚类算法对样本进行聚类分析得到伪标签;然后通过增加规范化项到局部力导引算法（FDA）的类内散度矩阵和类间散度矩阵中,以此保持无标签样本的聚类结构一致性;最后通过局部FDA算法来保持有标签样本类间散度最大化和类内散度最小化并求解最佳投影向量。S4LFDA算法既保持了数据集在光谱域的可分性,又保持了像元在空间区域内的近邻关系,合理利用有标签样本及无标签样本,提高了算法的分类性能。在Pavia University和Indian Pines数据集上进行实验,总体分类精度达到95.60%和94.38%。与其他维数约简算法相比,该算法有效提高了地物分类性能。     

基于改进的监督LLE人脸识别算法

LLE是一种无监督的非线性降维方法,广泛应用于人脸特征提取,但是该方法缺乏样本点的类别信息.提出了一种新方法,在LLE的基础上引入有监督的学习机制和增加样本点的类别信息,通过减少类内距离而增加类间距离和最小化局部数据的全局重构误差,同时结合核邻域保持投影方法(KNPP)来提取高维人脸数据的非线性特征.算法有利于分类识别...     

拉普拉斯最大最小判别分析及应用

 提出了一种新的有监督降维方法：拉普拉斯最大最小判别分析(Laplacian MinMax Discriminant Analysis, LMMDA)。LMMDA通过样本空间中成对点之间的距离定义类内和类间散度矩阵,并通过最小化类内散度、最大化类间散度以求得最优投影矩阵。在LMMDA最优子空间中,类内样本更为紧致,类间样本更为松弛。样本集的结构信息包含在类内、类间的Laplacian矩阵,并可以对最优投影子空间加以控制。在多个数据集上的实验证明了该算法的有效性。     

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。     

应用监督近邻重构分析的高光谱遥感数据特征提取

针对高光谱遥感数据特征提取方法的研究,提出了一种新的监督近邻重构分析（Supervised Neighbor Reconstruction Analysis,SNRA）算法。该方法首先利用同一类别的近邻数据点对各数据点进行重构;然后在低维嵌入空间中保持该重构关系不变,尽可能地分离开非同类数据点,并利用总体散度矩阵来约束数据间的相关性;最后求解得到一个最佳投影矩阵,进而提取出鉴别特征。SNRA算法不仅保持了同类数据的局部结构而且增强了非同类数据的可分性,同时减少了数据的冗余信息。在Indian Pine和KSC高光谱遥感数据集上的实验结果表明:提出的方法能更好地揭示出高光谱遥感数据的内在特性,提取出更有效的鉴别特征,改善分类效果。     

基于Gabor的判别保局投影算法在表情识别中的应用

本文提出一种基于Gabor的判别保局投影（GDLPP）算法,来进行表情特征的提取和降维。先利用Gabor小波变换来提取表情特征。再对局部保持投影（LPP）算法进行改进,在目标函数中引入散度差来增加样本的类间散度约束,使得在降维的同时提取出更具判别性的特征。     

最大边缘准则图形嵌入在人脸识别中的应用

局部线性嵌入是一种有效地非线性维数约减方法,它能保持降维后的数据与原空间有相同的拓扑关系。但是这种方法在降维处理、可视化以及数据分类方面应用不是很广泛,针对上述问题,提出了一种新的、有效的降维以及数据分类方法——基于最大边缘准则图形嵌入方法。该方法首先构建最近邻关系图聚合数据点之间的最近邻样本,同时最大化类间间隔,保证不同类之间数据可分性大,从而更好地实现数据分类。最后,该方法的有效性分别在ORL及Yale两大人脸库上得到了验证。     

基于LLE与Fisher线性判别的人脸识别算法

为了提高基于流形学习理论人脸识别算法的识别率,采用一种将非线性降维与Fisher线性判别相结合的方法。首先利用邻域嵌入算法,将人脸图像测试和训练集的维数降低到合适维度,然后使用Fisher线性判别进行人脸数据集特征的提取,最后将测试集人脸图像特征和训练集人脸图像特征,使用最近邻分类器进行分类。在公开的Olivettifaces和ORL人脸图像数据库上,分别将该算法与几种经典基于流形学习理论的人脸识别算法进行了对比实验,实验结果表明当近邻数比较大时本算法识别率是最高的。     

基于自适应加权Fisherface算法的人脸识别

提出了一种改进的Fisherface算法。算法首先利用Karhunen-Loeve（K-L）变换降维,在降维的子空间内,根据样本与同类样本间的距离赋予该样本一权值,再用加权后的样本求取类均值,以新的类均值重建类内散布矩阵和类间散布矩阵,从而改进Fisher判别函数。在ORL和Yale人脸库上的实验结果表明,该算法优于传统的主成分分析（PCA）方法和Fisherface方法,并能有效解决小样本情况下训练样本类均值偏离类中心的问题。     

基于色彩和纹理特征融合的模糊人脸识别方法

基于纹理特征的方法被广泛应用于人脸识别。然而纹理特征依赖于图像的高频细节信息,当图像出现模糊时,单纯利用纹理特征的识别方法的识别精度会急剧下降。为了克服纹理特征的在模糊人脸识别中的不足,提出了一种基于色彩特征和纹理特征融合的识别方法。首先参照人类的对立色感知机制提取人脸的色彩特征;然后,将该色彩特征和纹理特征分别用于识别分类;最后,将二者的识别相似度进行融合,得到最终的识别结果。该色彩特征描述了图像的低频信息,其对图像模糊不敏感,并且与描述图像高频信息的纹理特征具有良好的互补性。在FERET 和AR 人脸库上的实验表明,融合色彩特征和纹理特征有效地提高了模糊人脸的识别精度。     

基于块双向Fisher线性判别分析人脸识别

为解决二维Fisher线性判别(2DFLD)分析需要较多系数用以表示图像的特征阵、只考虑了图像的列间相关性从而忽略行间相关性以及作为全局特征提取方法可能会失去一些重要的局部特征等问题,提出一种基于块双向二维Fisher线性判别分析(B2DFLD)算法。首先利用块图像获取保持重要局部信息;然后基于行列双向投影,获取提取特征信息;最后计算特征阵的Frobenius距离,并进行分类。在ORL、YALE与FERET人脸数据库上进行了实验,并同传统的8种人脸识别方法比较。实验结果表明,在确定图像块大小、改变训练样本数以及特征维数的前提下,本文方法的最好识别率都高于93.08,平均误识率高于0.15,明显优于其他方法,表明本文方法对有光照、表情以及遮挡的人脸图像识别具有较高的鲁棒性。     

Supervised bilateral two-dimensional locality preserving projection algorithm based on Gabor wavelet

Bilateral two-dimensional locality preserving projection (B2DLPP) is an effective method for unsupervised linear dimensionality reduction, which directly extracts face features from image matrices based on locality criterion. Motivated by B2DLPP, this paper proposes a supervised bilateral two-dimensional locality preserving projection (SB2DLPP). Different from B2DLPP, the proposed method takes into account the class information when constructing the similarity matrix. It increases inter-class distance in the projection space so that better right and left-projection matrices are obtained. Furthermore, a Gabor-based supervised bilateral two-dimensional locality preserving projection method is proposed for face recognition. Gabor wavelet representations are adopted for face images to make the proposed method robust to illumination variations and facial expression changes. Then, SB2DLPP is applied to reduce feature dimension. The performance of the proposed method is evaluated and compared with other traditional face recognition schemes on the FERET, Yale and JAFFE databases. The experiment results demonstrate the effectiveness and superiority of the proposed approach.     

多姿态、光照不均人脸图像的子空间人脸识别方法研究

针对人脸识别中存在的光照不均匀问题,提出了一种预处理链技术,能达到很好的光照补偿效果。为了提高多姿态、多表情、多细节人脸图像的人脸识别率,设计了一种将最近邻分类器与支持向量机相结合的分类算法（NN-SVM）,基于该分类算法提出了一种基于Gabor变换和NN-SVM的子空间人脸识别方法。在FERET和ORL两大人脸数据库中对所提方法进行性能评估,实验结果表明所提出方法能有效的解决人脸识别中光照不均匀问题,大大的提高人脸识别率,而且相比其他现存的人脸识别方法,所设计的方法具有更好、更稳定的识别效果。     

基于Gabor和PCA的面部图像识别方法

文中利用Gabor变换和PCA降维的优点,提出了Gabor+PCA的面部图像识别方法.该方法先提取图像的Gabor特征,然后将Gabor特征与原图像特征结合构成新的融合特征并用PCA降维,最后用KNN分类器分类.所提Gabor+PCA方法不仅能挖掘出图像的细节信息,而且拓宽了特征空间的维数.另外,Gabor+PCA方法...     

一种基于复数域中二维特征提取的人脸识别方法

该文提出了一种新的基于复数域中的二维特征提取方法进行人脸识别。该方法首先对人脸样本进行镜像变换,根据原始人脸样本和相应的镜像样本分别计算偶对称样本和奇对称样本,通过奇偶加权因子将偶对称样本与奇对称样本组成复数样本,然后在复数域中分别定义复图像类内散布矩阵和复图像类间散布矩阵,并求解一组最优复投影轴,将复人脸样本投影到这组最优复投影轴上来提取人脸特征,最后采用最近邻距离分类器来分类所提取的特征。该方法在NUST603人脸图像库中进行了实验,实验结果表明该方法获得了较好的识别效果。