基于改进的有监督无参局部保持投影算法的人脸识别

针对局部保持投影算法的无监督性质和参数选择复杂性问题,提出一种改进的有监督无参数局部保持投影算法(supervised dice parameter-free locality preserving projection, SdPLPP)。SdPLPP算法使用广义Dice系数构建近邻矩阵,有效避免局部保持投影(locality preserving projection algorithm, LPP)算法参数选择调整的问题,采用监督模式对数据进行特征提取。SdPLPP在Iris数据集进行了图像可视化试验,直观分析试验分类后的样本距离值与算法性能的关系,并在ORL, Yale, FERET 3种人脸库上进行试验,通过对人脸数据的特征提取,采用最近邻分类法统计识别率,验证SdPLPP算法的有效性。试验结果表明:在人脸识别率方面, SdPLPP算法优于PCA, ULDA, LPP, SPLPP和EP-SLPP的算法,并优于已提出的其他有监督无参数局部保持投影算法。     

KSLPP：新的人脸识别算法

针对人脸识别中的特征提取问题，提出了一种新的核有监督保局投影人脸识别算法,即KSLPP.该算法通过非线性映射将人脸样本投影到高维空间，通过可调因子有效地结合人脸局部流形的结构信息和样本的类别信息，提取人脸的非线性特征.采用最小近邻分类器估算识别率.采用AT&T人脸库以及Yale人脸库，对该方法进行了测试.结果表明，与Eigenface、Fisherface以及Laplacianface等方法相比，该方法具有较好的识别率.     

不相关局部保持鉴别分析算法

针对人脸识别中的特征提取问题,提出了一种新的不相关局部保持鉴别分析算法.根据局部保持投影方法的特点和类内样本之间的空间结构信息,重新定义类内散布矩阵与类间散布矩阵,结合不相关条件,推导出一个新的目标函数.在此基础上,通过理论分析给出了求解不相关局部保持鉴别矢量集的计算公式.人脸库上的实验结果表明,新算法优于传统的局部保持投影方法和其他改进的局部保持投影方法.     

一种用于人脸识别的正交邻域保护嵌入算法

在邻域保护嵌入算法的基础上,提出了一种新的降维方法——正交邻域保护嵌入算法．首先,从最优投影的概念出发,定义了一种反映投影向量的邻域结构保护能力的函数;然后以邻域保护函数为目标函数,在原始的优化问题中增加正交约束条件,推导得到一组具有正交性的最优投影向量的迭代公式．与邻域保护嵌入算法相比,得到的正交向量具有更好的邻域保护性能,从而带来更强的判别能力,降低了误差率．在标准人脸库上的实验结果表明,与其他降维方法相比,新算法的最低误差率可减小15％~20％,且在选取的特征维数较低时就可获得最优值．     

二维多样性保持投影及人脸识别

流形学习有效地保持了数据的局部几何结构,已成为模式识别、机器学习等领域的研究热点．但是它忽略甚至破坏了对模式分析很重要的局部多样性信息,导致局部几何结构描述不够稳定,且性能不是很好．针对此问题,提出了基于图论的多样性保持投影．该方法利用邻接图刻画局部数据之间的变化关系,并给出度量数据多样性大小的差异离散度,然后通过最大化差异离散度提取投影方向．此外,该方法直接从图像矩阵估计差异离散度矩阵,有效地避免了小样本问题．在Yale,UMIST和AR数据库上的实验结果证实了该算法的有效性．     

基于鉴别能力分析和LDA-LPP算法的人脸识别

针对人脸识别中的DCT系数选择问题和如何从全局和局部同时提取识别特征的问题,提出了一种基于鉴别能力分析和LDA-LPP的人脸识别算法。即先对人脸图像进行DCT变换,利用鉴别能力分析方法进行DCT系数的选择,融合LDA和LPP降维技术进行降维处理,不仅可以保持数据的全局性,同时也能够保持数据的局部性。在ORL人脸库和Yale人脸库上的实验表明,本文方法可以选择有效的DCT系数,明显提高了识别精度和鲁棒性。     

基于保局映射的图像纹理聚类

为了解决图像检索中的聚类问题,提出一种改进的图像纹理聚类算法.在纹理特征提取阶段,采用双树复小波对图像进行分解,然后对每个高频段提取直方图签名作为纹理特征;在聚类阶段,根据数据分布的密度来动态地计算数据点的邻接矩阵,再采用保局映射进行降维,对降维后的数据进行k-means聚类.通过采用直方图签名的方式能有效地表示图像纹理在各个方向上特征信息,同时根据数据密度构建的邻接矩阵,能够和保局映射一起更有效地发掘数据之间的局部相关性.实验表明:相对于传统方法,该算法具有更高的聚类正确性.     

一种基于相关反馈的视频人脸算法

在保局投影算法(LPP)及支持向量机(SVM)的基础上提出了一种基于相关反馈的视频人脸识别算法． 该算法通过合理的数据建模提取出视频中的时空连续性语义信息,同时能够发现人脸数据中内在的非线性结构信息而获得低维本质的流形结构,还能通过反馈学习来增加样本的标记类别．在UCSD/Honda视频人脸数据库和自采集数据库上进行比较的实验结果表明,该算法能够获得更好的识别效果．     

基于局部保持投影的统计不相关复合信息投影

为解决在人脸识别领域的特征提取问题,提出了一种基于局部保持投影(Locality Pre-serving Projections,LPP)的统计不相关复合信息投影(UMIP).该方法是基于线性投影的子空间方法,将原始人脸图像看作是一个矩阵,通过相应的代数方法,抽取得到保持原始样本分布信息的低维子空间信息.在UMIST和Yale标准人脸图像库上的实验结果表明,UMIP算法提高了识别率.     

判别近邻保持嵌入人脸识别

针对普通近邻保持嵌入算法侧重保持样本的局部结构,而没有考虑样本的类判别信息以及小样本问题,提出了一种新的人脸识别算法———判别近邻保持嵌入算法.在近邻保持嵌入算法的基础上,将最大散度差准则引入到其目标函数中.在嵌入低维空间后,类内样本保持它们固有的近邻几何结构关系,而类间样本彼此分离,能够充分提取具有判别力的特征.在AT&T人脸数据库上进行的对比实验表明,与主成分分析、线性判别分析以及近邻保持嵌入算法相比,判别近邻保持嵌入算法的最高识别率分别提高了15.35%、6.47%和6.94%;在Yale人脸数据库上进行的对比实验表明,判别近邻保持嵌入算法的最高识别率分别提高了20.27%、5.63%和2.27%.     

近邻样本协作表示的人脸识别算法

在Gabor特征空间,根据相关系数寻找测试图像的近邻样本,并用这些近邻样本构造完备的冗余字典,从而提出一种基于Gabor特征的近邻样本协作表示的人脸识别算法.在l2范数约束下,利用可变厚度的紧致字典对测试图像进行稀疏表示,根据稀疏系数逐类计算重构图像和测试图像之间的误差,并判断测试图像所属类别.该算法在FERET、ORL和AR数据上进行了无遮挡测试,在AR库上进行了有遮挡测试.实验结果表明,无论有无遮挡,识别速度和识别率都得到了明显改善.     

基于监督式ICA的人脸识别

特征提取技术是人脸识别的关键技术,很大程度上决定着识别结果的好坏.而传统的基于独立分量分析的特征提取方法不仅速度慢且未完全利用特征信息,故提出一种监督式特征提取方法.将类信息引入到独立分量的求取过程中,从而得到更有利于分类的独立分量.这里,主要考虑类内散布度对分类的影响,并推导出新的独立分量迭代公式,将其应用到人脸识别问题中.通过在3个标准的人脸数据库上的实验表明,监督式ICA方法在识别率和识别时间上都优于传统的ICA方法.     

基于随机旋转局部保持哈希的图像检索技术

针对基于局部保持投影（locality preserving projection,LPP）的哈希用于图像检索造成图像表征力不强、检索效率低下的问题,融合LPP及主成分分析（principal component analysis,PCA）技术,提出一种随机旋转局部保持哈希的图像检索算法。首先对样本进行PCA降维,对PCA变换矩阵进行随机旋转形成PCA降维矩阵,将原始样本在降维矩阵上进行投影,得到PCA降维样本。为充分利用样本间的相似性结构,对PCA降维样本进行LPP映射,并引入随机矩阵对特征向量进行偏移构造最终编码投影矩阵。再将原始样本投影到编码投影矩阵,得到最终的降维样本;最后对其进行哈希编码,得到有效的二进制编码用于图像检索。算法充分考虑样本间的全局和局部相似性结构,体现了样本间所蕴含的局部和全局信息,把随机旋转应用于PCA降维矩阵,减少了编码之间的量化误差,提高了图像特征的识别能力。分别在3个人脸数据集上进行性能测试实验,并与相关方法进行比较,得到了较好的效果。实验结果表明该方法是有效的。     

基于核正交局部判别嵌入的人脸识别

针对人脸识别中的非线性特征提取问题,提出一种基于核正交局部判别嵌入(KOLDE,kernel orthogonal local discriminant embedding)的人脸识别算法。首先通过引入基向量正交约束,得到OLDE算法,并给出算法的推导过程。然后为了更好地处理高度复杂非线性结构数据,将OLDE向高维空间扩展,在核空间提取图像的高阶非线性信息,得到核空间OLDE算法。在ORL和PIE库上的人脸识别实验验证了算法的有效性。     

基于水平分量优先原则的RDW-LBP人脸识别算法

首先分析了人脸图像不同的方向性细节对识别率的影响,提出了水平分量优先原则。结合该原则提出了一种基于多尺度区域性-方向性加权的规范型二元局部纹理描述算子RDW-LBP的鲁棒人脸识别算法。算法通过多尺度Haar小波分解,提取多级尺度分量和含有最多有效识别细节的一级水平细节分量,组成待分析系数子图矩阵M。计算矩阵M的RDW-LBP纹理特征图谱,结合子区域剖分,连接子区域特征共同组成人脸图像特征向量,最后使用基于Chi-Square距离的分类器进行识别。     

一种基于运动分析的步态识别方法

步态识别是新近发展的一种用在身份识别、视频监控等场合的生物特征识别技术.文中提出了一种基于运动分析的步态识别方法,采用线性判别分析和离散余弦变换分析从图像序列中提取的步态特征.采用背景减除技术提取了侧影,利用侧影的宽高变化进行了步态周期分析及行走方向判断;采用一种通过分析侧影宽度变化获取角度信息的肢体角度提取方法获取了步态序列特征;用类间散布矩阵和类内散布矩阵对应的行列式的比值确定特征个数,并采用线性判别分析和离散余弦变换分析了步态特征.在几个常用数据库上进行了实验结果表明,该方法行之有效.     

基于小波子空间集成的人脸识别

基于小波变换的人脸识别方法通常选用低频子图进行人脸识别,这样会丢失其他子段图像中的识别信息。针对这一问题,提出了两种小波子空间集成人脸识别方法并与其他相关方法进行了实验比较。第1种方法集成每1层小波低频子空间图像进行人脸识别;第2种方法首先对人脸图像做L层小波分解,然后对每1层的3个高频子空间图像求平均,连同每层的1个低频子空间图像得到L个小波子空间图像,最后集成这L个小波子空间图像进行人脸识别。本文提出的方法充分利用了不同频率小波子段图像的识别信息,能够提高人脸识别的精度。在ORL、YALE和JAFFE 3个人脸数据库上的实验结果显示,本文提出的方法特别是方法2在识别精度方面都优于其他方法。     

基于主元分析和神经网络的人脸识别方法

人脸自动识别是模式识别领域中一项具有广阔应用前景和实际应用价值的热门课题 .文中提出了一种主元分析和神经网络相结合的方法进行人脸识别 .我们先对图像进行归一化处理 ,采用主元分析法对图像的主特征分量进行提取 ,然后以一个径向基函数神经网络作为分类器 ,进行人脸识别 .实验结果表明 ,这种方法在采用多样本训练后 ,具有较高的识别率 .     

基于拉普拉斯金字塔降维的人脸识别算法

针对传统的基于PCA(Principal Component Analysis)和BP(Back Propagation)神经网络的人脸识别算法运算维数高、容易出现震荡而导致识别率低等问题,提出了一种基于拉普拉斯金字塔降维的人脸识别算法,该算法首先通过对人脸图像进行拉普拉斯金字塔降维处理,在降维的同时保持了人脸图像的细节,然后用PCA进行特征提取,最后通过BP神经网络分类器进行人脸识别.利用ORL人脸图像数据库进行仿真实验,结果表明,该算法识别率较高.     

基于SIFT特征的单训练样本人脸识别

针对RoboCup竞赛家庭组比赛对人脸识别的要求,研究了单训练样本的人脸识别问题。设计了一种基于尺度不变特征变换的单训练样本人脸识别系统。将人脸区域划分为4×4的均匀网格,然后在每个区域选取最具有判别能力的少量特征,再将这些特征与测试人脸对应网格的特征进行匹配;采用加权和形式评价测试人脸和每个训练人脸的匹配程度,选择阈值进行识别决策。使用ORL人脸数据库对设计的识别系统进行了测试,结果表明,设计的系统可以达到100%的识别精度和70%的检出率,可以达到比赛的要求。