基于核局部Fisher判别分析的掌纹识别

运用核局部Fisher判别分析(KLFDA)进行掌纹识别。为了解决小样本图像识别中特征方程矩阵的奇异性问题,首先运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用KLF-DA提取低维的投影向量;然后将训练图像和待识别图像的核矩阵向投影向量上投影,得到非线性局部判别特征;最后计算特征向量间的余弦距离,进行掌纹匹配。运用PolyU掌纹图像库对算法进行测试,实验结果表明,与主元分析(PCA)、Fisher判别分析(FDA)、独立元分析(ICA)、核主元分析(KPCA)和局部Fisher判别分析(LFDA)相比,本文算法的识别率(RR)最高为99%,特征提取和匹配总时间0.031 s,满足实时系统的要求。     

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。     

流形判别分析

传统降维方法主要有两种思路：一是利用样本的全局特征,保证降维前后样本的全局特征不变;二是尽量保证相邻样本在降维前后的相对关系不变。传统方法由于未能充分利用样本的已有信息,因此降维效率有限。鉴于此,在Fisher准则和局部流形保持的基础上,该文提出流形判别分析。该方法首先定义了基于流形的类内离散度MWCS和类间离散度MBCS,然后利用Fisher准则找到最佳投影方向,该方向满足MBCS与MWCS之比最大。该方法不仅继承了传统降维方法的优势,而且进一步提高了降维效率。标准数据集上的实验结果表明该文所提方法的有效性。     

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。     

一种核Fisher判别分析的快速算法

针对训练样本多时核Fisher判别分析(KFDA)的计算代价大,特征提取速度慢问题,本文提出一种KFDA的快速算法。该算法首先基于线性相关性理论,设计出一种优化方法,快速寻找训练样本在特征空间所张成的子空间的一组基;然后用这组基线性表示最佳投影方向,结合特征空间中的Fisher准则函数,推导出求解最佳投影方向的新公式,其求解过程只需对一个阶数等于基的个数的矩阵特征值分解,同时提取某样本特征时只需计算该样本与这组基之间的核函数。基于多个数据集的实验验证了该算法的有效性。     

基于二维图像直接线性判别分析的人脸识别算法研究

针对直接线性判别分析(DLDA)人脸识别算法存在的小样本问题,以及图像二维线性判别分析(2D-LDA)算法需要较多存储空间的问题,文中结合二维方法与直接判决的优点,提出基于二维图像直接线性判别分析(2D-DLDA)的人脸识别算法.该算法在克服小样本问题的同时,不会丢失图像中的有用信息,而且可以避免采用奇异值分解导致的无法精确计算特征向量的问题.在ORL和Yale人脸数据库中的实验结果表明,该算法具有较高的识别率和鲁棒性.     

基于PCA和核FDA的人脸识别研究

基于主分量分析的特征脸识别是人脸识别中重要的识别方法,具有简单、实用等特点。Fisher判别分析是统计分析一种常用的降维方法,多类Fisher判别分析在模式识别领域得到广泛应用。核方法技术是设计全局非线性算法最流行的工具之一,应用核方法技术使得低维空间线性不可分的样本在高维空间线性可分。先对ORL人脸数据库中的图像应用主分量分析提取主分量,再应用核Fisher判别方法把特征向量做隐式变换,最后把得到的数据采用k-紧邻分类器进行分类识别,并对实验结果做了比较分析。     

一种基于压缩边界Fisher分析的硬件木马检测方法

针对物理环境下旁路分析技术对电路中规模较小的硬件木马检出率低的问题,该文引入边界Fisher分析(MFA)方法,并提出一种基于压缩边界Fisher分析(CMFA)的硬件木马检测方法。通过减小样本的同类近邻样本与该样本以及类中心之间距离和增大类中心的同类近邻样本与异类样本之间距离的方式,构建投影空间,发现原始功耗旁路信号中的差异特征,实现硬件木马检测。AES加密电路中的硬件木马检测实验表明,该方法具有比已有检测方法更高的检测精度,能够检测出占原始电路规模0.04%的硬件木马。     

基于子空间类标传播和正则判别分析的单标记图像人脸识别

针对单标记图像人脸识别问题,该文提出一种基于子空间类标传播和正则判别分析的半监督维数约简方法。首先,基于子空间假设设计了一种类标传播方法,将类标信息传播到无类标样本上。然后,在传播得到的带类标数据集上使用正则判别分析对数据进行维数约简。最后,在低维空间使用最近邻方法对测试人脸完成识别。在3个公共人脸数据库CMU PIE, Extended Yale B和AR上的实验,验证了该方法的可行性和有效性。     

基于Fihserfaces算法的人脸识别

Fisher鉴别是一种有监督的特征提取技术,因其计算简单、分类效果良好而得到广泛应用。文中使用基于Fisher鉴别数值分析技术,对人脸数据进行特征提取,再使用最小距离分类器进行分类识别。该算法在ORL和YALE人脸库进行了实验,根据统计对ORL人脸库和YALEA人脸库的识别率分别为94.00%和89.33%。实验结果表明,Fisherfaces算法对于人脸库中的图像有较高的识别率。     

基于核Fisher判决分析的脸谱识别新方法

本文提出一种新的基于核Fisher判决分析(简称KFDA)的脸谱识别方法。即首先应用KFDA提取脸谱特征，然后，进行脸谱识别。利用标准的AT＆T脸谱数据库对KFDA特征提取方法和PCA、FDA以及ICA特征提取方法进行比较，最后使用线性支持向量机(简称SVM)进行分类和识别，实验结果显示基于KFDA特征提取脸谱识别方法的识别率明显优于其它三种脸谱识别方法的识别率。     

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。     

基于自适应近邻图嵌入的局部鉴别投影算法

针对局部Fisher鉴别分析(LFDA)中样本近邻点个数对于最优投影方向的影响以及在度量类间离差度时未考虑不同类别样本近邻点的两点不足之处,该文提出一种基于自适应近邻图嵌入的局部鉴别投影算法,根据样本分布以及样本间的相似度自适应计算类内和类间近邻点,依据类内类间近邻点的个数定义局部类内与类间离差矩阵中的权值矩阵,通过最大化局部类间离差度最小化局部类内离差度,得到最优低维子空间。该算法不仅能够保持样本的局部信息,而且能够保持样本的鉴别信息,在人工数据以及标准数据库上的实验表明该方法是有效的。     

修正的最大散度差鉴别分析及人脸识别

针对传统的Fisher线性鉴别分析在人脸这样的多类高维小样本模式的分类中存在的小样本问题和次优性问题,该文提出了一种基于修正的最大散度差鉴别准则的线性鉴别分析方法。该方法对最大散度差鉴别准则中散布矩阵的构造加以修正,采用新的修正的最大散度差鉴别准则函数。该方法从理论上为有效地解决传统的Fisher线性鉴别分析在人脸识别中存在的这两大难题提供了有效的途径。最后,在ORL,AR标准人脸库上的实验结果验证了该算法的有效性。     

支持向量鉴别分析及在人脸表情识别中的应用

模式识别一般首先要对数据进行降维,PCA和LDA及其对应的核化算法是其中应用广泛的方法,但这些算法的应用前提是假设样本数据为高斯分布,在少样本训练时它们的推广性能有很大局限.本文提出了一种基于支持向量机的鉴别分析算法,该算法首先寻找有限样本情况下最优分类面,以其法线方向为投影轴对数据进行投影降维,在多类情况下提供了极其丰富的方案选择投影轴.该算法体现了支持向量机的内在优良推广性能,克服了PCA和LDA等算法的局限性.本文将所提算法应用于人脸表情特征提取,并与PCA、LDA、KPCA、GDA等算法进行了比较,结果表明该算法的有效性.     

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明：与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。     

基于Fisher线性判别分析的语音信号端点检测方法

传统的语音端点检测方法对辅音,特别是受到噪声污染的清音部分与背景噪声之间分离能力不足。针对上述问题,该文提出一种基于Fisher线性判别分析的梅尔频率倒谱系数(F-MFCC)端点检测方法。将清音信号和背景噪声视为两类分类问题,采用Fisher准则求解具有判别信息的最佳投影方向,使得投影后的特征参数具有最小类内散度和最大类间散度,从而增大清音与背景噪声的可分离性。在不同语音库上的实验结果表明,F-MFCC能够在不同信噪比和背景噪声条件下提高语音端点检测的准确率。     

基于Gabor的特征提取算法在人脸识别中的应用

针对人脸识别中的特征提取问题,提出一种新的基于Gabor的特征提取算法,利用Gabor小波变换良好的提取区分能力和LDA所具有的判别性优势来进行特征提取。首先利用Gabor小波变换来提取人脸特征。然后对得到的高维特征采用PCA进行初次降维,再利用LDA实现再次降维,得到最终的特征向量。在ORL和YALE人脸库上的实验验证了该算法的有效性。