基于分类概率保持的最大间距准则人脸识别方法

针对最大间距准则方法在特征提取中没有考虑原始样本的分布而执行硬分类标准的问题,提出了一种基于分类概率保持的最大间距准则人脸识别方法.首先,计算每个样本的分类概率,并且利用分类概率重新定义了样本的类内和类间散度矩阵;然后利用最大间距准则得到最优投影矩阵;最后将原始样本投影到低维特征空间,保持样本分布信息.在ORL、Yale及FERET人脸数据库上的实验表明,该方法在提高人脸识别率上是有效的.     

一种基于散度差准则的人脸鉴别分析方法

本文提出一种基于散度差准则的人脸鉴别分析方法。最大散度差利用样本模式的类间散布与类内散布之差（Sb-C＊Sw）大特征值对应的特征向量,而不是它们的熵比作为鉴别准则,这样,从根本上避免了类内散布矩阵奇异带来的困难。另外,分析了当参数C趋向无穷大时,最大散度差分类器的极限情况,得到了大间距线性投影分类器。     

最大间距准则框架下的多流形局部图嵌入(MLGE/MMC)算法

主要针对局部图嵌入(Locally Graph Embedding,LGE)算法在训练样本偏少时进行特征提取,会产生识别精度不高情况,通过引入多流形思想,结合LGE和最大间距准则(Maximum Marginal Criterion,MMC)算法,提出了一种最新的特征提取算法——最大间距准则框架下的多流形局部图嵌入(Multi-Manifold Locally Graph Embedding Based on Maximum Marginal Criterion,MLGE/MMC)算法.首先,该算法将每幅图像分成多幅小图像,这一幅图像分成的这些小图像在高维空间中就构成一个流形,以此类推,多幅图像就构成了多流形;其次,通过最大化多流形类间距离,同时最小化流形类内距离来寻找最佳投影矩阵,即分别构建多流形类间散度矩阵和类内散度矩阵;最后,在MMC准则框架下构造目标函数,通过拉格朗日乘子法和迭代来解决约束条件下的优化问题.在ORL,Yale及AR人脸库上的实验,验证了所提算法的有效性.     

基于半监督学习的最大间距准则人脸识别

针对人脸识别中不能同时利用标记样本和无标记样本的问题,提出了一种具有半监督学习的最大间距准则人脸特征提取方法.算法把无监督判别投影的局部和非局部散度矩阵引入到最大间距准则方法中.在ORL和Yale人脸库上的实验结果表明,本方法不但充分利用了有判别信息的标记样本和大量无标记样本,而且更好地发挥了最大间距准则算法的优点,有效地提高了人脸识别率.     

基于二维局部保持鉴别分析的特征提取算法

提出了一种二维局部保持鉴别分析（Two-dimensional Locality Preserving Discriminant Analysis,2D-LPDA）特征提取算法.该算法直接对图像矩阵进行运算而不需要将矩阵转化为向量后进行运算,较好地保持了图像相邻像素之间的空间结构关系;在LPP算法的基础上,利用训练样本的类别信息计算二维类间散度矩阵和二维类内散度矩阵,并在2D-LPDA的目标函数中引入最大间距准则（Maximum Margin Criterion,MMC）,从而求得具有良好鉴别能力的投影向量,同时还避免了小样本情况下矩阵的奇异性问题.通过在ORL人脸图像库上的人脸识别和新生儿面部图像库上的疼痛表情识别实验,验证了所提出的算法的有效性.     

二维线性大间距判别分析及其在步态识别中的应用

提出一种二维线性大间距判别分析(Two dimensional linear maximum margin discriminant analysis,2DLMMDA)的投影算法。该算法一方面采用了有效且稳定的大间距优化准则,引入了Laplacian矩阵,保持了特征矩阵的流形结构,且优化域为Laplacian类间散度与Laplacian类内散度之差,能克服Fisher准则带来的小样本问题;另一方面,采用了具有监督信息的判别分析,大大地提高了识别率。为了验证所提出的算法对特征提取的有效性,选择最近邻分类器进行特征分类,最后通过在CASIA(B)步态库上实验。实验结果表明,文中提出的算法具有更高的识别率和识别速度。     

一种基于核最大间距准则改进的特征提取方法

针对非线性特征提取问题,基于核最大间距准则(KMMC),提出一种新的特征提取方法,即一组具有统计不相关性的最优核鉴别矢量集的简单计算方法.与原KMMC特征提取方法相比,新的特征提取方法消除了最优核鉴别矢量间的统计相关性,提高了特征提取的有效性.通过在ORL人脸库和YALE人脸库上进行试验,结果表明提出的特征提取方法在有效性方面整体上好于原KMMC特征提取方法和常用的核主成分分析(KPCA)法.     

一种线性局部切空间判别分析算法

为了在保持数据局部几何结构不变的同时使数据分类边界最大化,提出了一种用于分类的线性局部切空间判别分析算法.该算法是改进的流形学习算法的监督版,样本的局部切空间排列矩阵确保样本低维嵌入的局部几何结构不变;基于最大边界准则的数据散度矩阵确保数据分类的类内散度最小和类间散度最大;对上述2个矩阵和进行特征分解,获得平衡的投影向量基,使样本投影后的子空间被优化.对Yale,UMIST与MIT这3个人脸数据库的实验结果表明,与现有多种经典分类方法相比,提出的算法在降维的同时提取了用于人脸识别的更有效特征,识别性能较好,具有较高的判别分析能力.     

一种新的线性判别准则在人脸识别中的应用

针对Fisher线性判别分析(LDA)在进行人脸识别这种小样本问题分类时常常遇到类内散度矩阵Sw奇异,而无法直接应用的问题,提出一种新的线性判别准则,即:定义一个新的准则函数,在对类内散度矩阵无奇异性要求的情况下,找到此准则函数最优的权向量.应用此判别准则和Fisher LDA方法分别在ORL人脸数据库上选取40个人的图像进行识别率的测试,Fisher LDA方法的识别率为0.95,而本文方法的识别率可以达到0.955,优于Fisher LDA方法.     

基于差空间和最大散度差鉴别分析的人脸识别方法

为了提高最大散度差鉴别分析方法在人脸识别中的识别率,提出了一种改进的基于差空间的最大散度差鉴别分析人脸识别算法.该方法把类内平均脸方法应用到2DPCA算法中,并基于改进的2DPCA方法分别建立训练样本和测试样本的差空间,然后用类内中间值代替类内均值修改了最大散度差鉴别算法中类内散布矩阵的定义.用改进后的最大散度差鉴别法对得到的差空间进行鉴别分析,分别提取训练样本和测试样本的鉴别特征,用最近邻分类器分类.在ORL人脸数据库上的实验结果表明,该方法可以有效地改善识别率.     

自适应主元提取算法在人脸图像特征提取中的应用

以统计主元分析为理论依据,研究了自适应主元提取（APEX）算法,并揭示了该算法的网络模型与统计模式识别之间的密切联系。最后,将APEX算法运用于ORL人脸数据库的特征提取中。仿真结果表明,APEX算法在人脸识别中是一种有效的特征提取方法。     

改进的SIFT特征人脸识别方法ADSIFT

针对光照、表情、噪声等因素容易造成误识别的问题,提出一种改进的SIFT特征人脸识别方法.对每个训练图像,先提取得到SIFT特征向量集合,利用每个SIFT特征向量,并选择阈值构造一个弱分类器.利用一种基于Adaboost的算法从每个训练图像的弱分类器集合中选出一部分,确定其对应的阈值和权重,然后构造出该训练图像的相似度函数.根据相似度函数可计算出目标图像与每个训练图像的相似度,从而求出目标图像与每个类的训练图像的平均相似度,则目标图像属于平均相似度最高的类.实验表明在ORL人脸数据库上则可达到98%识别率,优于现有的方法.     

基于统计形状模型的面部特征提取随机方法

针对在复杂背景和部分遮挡情况下提取面部特征轮廓的困难，提出了一种基于统计模型的随机方法．该方法将面部特征轮廓作为动态随机过程的状态序列，并应用统计方法建立人脸整体形状模型和特征形状模型，分别构造面部特征间和面部特征内控制点样本的预测方程，最后利用序列蒙特卡洛方法估计随机状态．该方法给出了面部特征提取的随机描述，打破了确定性方法对单高斯分布和轮廓形状线性变化的依赖性，实现了轮廓的准确可靠提取．对100幅正面人脸图像的实验结果表明，轮廓定位相对误差仅为2．7％．对标准人脸检测数据库中传统算法很难处理的复杂背景和部分遮挡情况，该方法能够正确定位面部特征轮廓．     

融合全局和局部特征的图像特征提取方法

针对图像特征提取无法同时利用样本的全局和局部特征的问题,提出融合全局和局部特征的特征提取方法.该方法充分利用线性判别分析和保局投影算法分别在特征提取中保持样本全局特征和局部特征方面的优势,进一步提高图像特征提取效率.首先,引入全局散度矩阵和局部散度矩阵分别表征样本的全局特征和局部特征.然后,基于同类样本尽可能紧密,异类样本尽可能远离的思想,构造最优化问题.比较实验表明:与传统的主成分分析、线性判别分析、保局投影算法相比,文中方法的工作效率有一定提高.     

拉普拉斯二维主成分分析及其在人脸识别中的应用

在二维主成分分析的基础上,考虑样本的流形分布特点,引入样本相似系数,重新定义了样本拉普拉斯散布矩阵,进而给出了基于拉普拉斯二维主成分分析的特征提取方法．在ORL,FERET人脸库上的试验证明了基于拉普拉斯二维主成分分析方法的有效性．