核无监督鉴别投影及人脸识别

提出一种基于核方法的无监督鉴别投影,在较好地描述人脸图像的同时,对图像进行有效地分类.对核局部保留投影(KLPP)和无监督鉴别投影技术(UDP)进行了相应的研究,将两者互相结合.该方法同时考虑到样本的局部特性和非局部特性,有效地利用了对分类有用的重要信息;此外,将核方法和流形学习方法结合起来,有效地描述人脸图像的非线性变化,对于人脸识别问题有较好的效果.在Yale库上的实验表明,该方法的识别率明显高于UDP和PCA,且有较好的分类效果.     

挖掘基于Web的访问路径模式

本文介绍了一种新的基于Web的序列模式－访问路径模式挖掘问题,给出了问题的形式化描述以及挖掘访问路径模式的方法,提出了识别最大前向访问路径和发现大访问路径的算法。     

基于散度差准则的隐空间特征抽取方法

本文提出了一种新的非线性特征抽取方法——基于散度差准则的隐空间特征抽取方法。该方法的主要思想就是首先利用一核函数将原始输入空间非线性变换到隐空间，然后，在该隐空间中，利用类间离散度与类内离散度之差作为鉴别准则进行特征抽取。与现有的核特征抽取方法不同，该方法不需要核函数满足Mercer定理，从而增加了核函数的选择范围。更为重要的是，由于采用了散度差作为鉴别准则，从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题。在ORL人脸数据库和AR标准人脸库上的试验结果验证了本文方法的有效性。     

基于距离分布信息熵的商标图像检索

提出了一种基于距离分布信息熵的图像检索方法,该方法首先对图像的目标区域进行区域划分,然后提取区域的信息熵作为特征来描述图像形状,最后使用欧式距离度量熵矢量之间的相似性。实验结果表明,距离分布信息熵能有效地刻画出二值图象的形状特征,并且具有良好的平移、旋转及尺度不变性,检索结果符合人眼的视觉感受。     

基于聚类的核矩阵维度缩减

提出了基于聚类的核矩阵维度缩减技术。它的主要思想是首先利用非线性映射≠将原始输入空间变换到某高维特征空间，然后根据k-均值聚类算法缩减训练样本的数目，得到一缩减的代表集，利用该代表集计算得到一组标准正交的基向量，构成一个低维的投影子空间。CENPARMI手写体阿拉伯数字库的试验结果证实了所提算法的有效性。     

一种基于动态反馈的人脸识别融合方法

提出了一种基于动态反馈的融合加权主成分分析（WPCA）和加权线性判别分析（WLDA）的人脸识别方法 （DFWPCA＋WLDA）。该方法首先进行主成分分析（PCA）降维得到投影矩阵,然后通过不断的反馈信息得到权值,从而加权协方差矩阵,优化投影矩阵,最后采用加权线性鉴别分析（LDA）进一步提取分类特征。动态反馈能很好地利用样本的有用信息,加权LDA还能做到更好的分类。在ORL和YALE人脸库上的实验表明,该方法有效且性能优于PCA＋LDA和WPCA＋WLDA。     

基于小波特征的非线性鉴别特征抽取技术

该文提出了一种基于小波特征的非线性鉴别特征抽取方法,即在进行非线性映射之前,首先利用小波变换对原始输入图像进行预处理,获取低频平滑、水平细节和垂直细节等3个子图的小波特征,然后在频域上,对它们分别进行核Fisher鉴别分析。对最终获得的3组鉴别特征设计了一种特征融合的方法。在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核Fisher鉴别分析方法,而且,在ORL人脸库上的特征抽取速度提高了近13倍。     

基于组合子空间的最优特征抽取及人脸识别

传统的线性鉴别分析存在两个缺陷:小样本问题和至多只能抽取c。1个最优鉴别向量,本文提出了一种新的、有效的基于线性鉴别分析的组合子空间最优特征抽取方法。该方法解决了人脸等图像识别任务普遍存在的小样本问题,并且能够抽取更多的有效鉴别特征。在OR[。标准人脸库上的试验表明,组合子空间鉴别法所抽取的特征在普通的最小距离分类器和最近邻分类器下均达到97％的正确识别率,而且识别结果十分稳定。该结果大大优于经典的特征脸和。Fishel'脸方法在ORI_。人脸库上的识别结果。     

基于图像矩阵的非线性不相关鉴别特征抽取技术

针对现有核 Fisher鉴别分析方法的弱点 ,提出了一种基于图像矩阵的非线性不相关鉴别特征抽取技术。该方法的基本思路是 :首先 ,通过经验核映射将原始输入空间 Rn 映射到某特征空间 RN,然后将特征空间 RN 上的训练样本向量变换为一个 p×k( N=p×k)的图像矩阵 ,最后基于该图像矩阵直接构造该空间上的散布矩阵。在Concordia大学的 CENPARMI手写体数字数据库上的试验结果验证了本文方法的有效性。     

分块PCA与最大散度差鉴别分析结合的人脸识别

提出了一种将分块PCA与最大散度差鉴别分析相结合的人脸识别方法。该方法是先对原始的人脸图像进行分块,然后对分块得到的子图像矩阵采用PCA方法进行特征抽取,从而把原始模式从高维空间映射到较低维空间。接下来再对新模式采用最大散度差线性鉴别分析,这样就避免了对新模式的类内散布矩阵非奇异的要求。在ORL人脸库和Yale人脸库上分别检验了分块PCA与最大散度差鉴别分析相结合的人脸识别方法的识别性能,实验结果表明该方法抽取的鉴别特征有较强的鉴别能力。