共查询到12条相似文献,搜索用时 484 毫秒
1.
非负矩阵分解是一个新的特征提取方法,基于非矩阵分解的理论,提出了具有正交性的投影轴的计算方法和具有统计不相关性的投影轴的计算方法。与原非负矩阵分解方法,提出的方法在某种程度上是降低了特征矢量之间的统计相关性,并且提高识别率。通过在ORL人脸库和YALE人脸库上进行实验,结果表明提出的两种特征提取方法在识别率方面整体上好于原非负矩阵分解特征提取(NMF)方法,甚至超过主成分分析(PCA)法。 相似文献
2.
3.
4.
基于非负矩阵分解理论,提出一种新的有监督的特征提取方法,它具有二个特点: 一是在特征提取过程中它直接利用训练样本的类别信息,二是在计算上仍然采用与非负矩阵分解方法相同数学公式,因此这种新特征提取方法被称为组合类别信息的非负矩阵分解(CINMF)方法.另外,在分类时本文提出了基于两种特征融合的分类策略进一步提高CINMF方法的识别率.通过在YALE人脸库和ORL人脸库上进行实验,结果表明本文提出的新方法在识别率方面整体上好于原非负矩阵分解方法,甚至超过常用的主成分分析法(PCA). 相似文献
5.
提出一种基于差准则的二维非参数特征分析(2 dimensional nonparametric feature analysis based on difference criterion,2DDNFA)的图像特征提取方法,它结合了二维线性判决分析(2-dimensional linear discriminant analysis,2DLDA)、最大散度差(maximum scatter difference,MSD)、非参数判决分析(nonparametric feature analysis,NFA)3种方法的思想。首先利用二维图像样本的近邻样本构造类内、类间散布矩阵,再基于差准则计算投影矩阵,最后将二维图像向投影矩阵投影得到特征矩阵。基于实测合成孔径雷达(synthetic aperture radar,SAR)数据的实验结果表明,方法的性能优于基于Fisher准则的2DLDA、二维非参数特征分析(2 dimension nonparametric feature analysis, 2DNFA)方法、也优于基于差准则的二维最大散度差(2-dimensional maximum scatter difference,2DMSD)鉴别分析方法。 相似文献
6.
7.
8.
约束线性描述分析与人脸识别 总被引:1,自引:0,他引:1
针对高维,小样本模式识别中的特征提取问题,提出了一种约束线性描述分析方法(CLDA).以线性变换后样本的类内距离与类间距离之比最小作为准则函数,同时加上约束条件使变换后的样本中心沿着特定的正交方向,通过白化变换、Gram-Schimdt正交化和正交子空间投影求解约束准则函数得到最优变换矩阵.针对入脸识别的小样本问题,根据奇异值分解定理实现白化变换.对ORL.和UMIST人脸库进行了仿真研究,结果表明CLDA方法的性能接近于某些Fisher描述分析万法如直接Fisher描述分析(DDA)和改进的Fisher描述分析(R-LDA). 相似文献
9.
10.
针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。 相似文献
11.
基于KFD+ICA特征提取的SAR图像目标识别 总被引:4,自引:0,他引:4
提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。 相似文献
12.
基于多尺度低频特征组合的线性鉴别分析 总被引:1,自引:0,他引:1
目前线性鉴别分析(LDA)方法是在原始图像上直接进行,抽取的是图像的全局特征,受光照、表情变化而引起的局部高频信息影响较大,忽视了更能反映图象本质的低频特征.为此提出先将图像进行多尺度划分,再提取划分后的每个子图像的低频部分,组合起来作为该图像的特征向量,最后根据这些特征向量再应用LDA方法进行鉴别分析.多尺度低频特征组合的向量反映了图像从局部到全局的全部低频特性,具有更有效的鉴别信息.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别性能显著提高,鉴别能力更好. 相似文献