基于互补子空间线性判别分析的人脸识别

基于随机子空间,提出了一种用于人脸识别的互补子空间线性判别分析方法. 与Fisherface和零空间线性判别分析相比,该方法同时在主元子空间和零空间中进行判别分析,并在特征层融合这两个子空间的判别特征. 根据最适宜的零空间状态构建随机子空间,随机子空间的融合在决策层进行. 多个人脸数据库上的实验结果表明,本算法能够有效地解决线性判别分析中的小样本规模问题.     

稳健稀疏线性判别分析方法在人脸识别中的应用

线性判别分析(LDA)是一种在机器学习领域众所周知的监督分类方法,在特征提取方面效果显著.传统的LDA解决了散度矩阵中存在奇异矩阵的问题,但却没有考虑人脸图像中可能存在的椒盐噪声,且无法确定低维空间维数.为此,采用稳健稀疏线性判别分析(Robust Sparse Linear Discriminant Analysis,RSLDA)进行人脸识别,选取公开的人脸库(ORL、CMU PIE、YaleB)对LDA、PCA+LDA、ULDA、OLDA、L21FLDA和RSLDA这6种方法进行系统地比较.实验结果表明,在原始人脸图像中,RSLDA的识别率均在94.82％以上,均高于其他5种方法.当人脸图像存在椒盐噪声时,RSLDA的识别率远高于其他方法.     

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.     

基于脊波变换的线性判别分析人脸识别方法

在线性判别的基础上提出了一种基于脊波变换的线性判别分析算法,有效地解决了传统线性判别分析算法的小样本问题.首先利用Radon变换将二维人脸图像转换为投影矩阵,然后进行小波变换获取脊波系数矩阵,最后采用线性判别分析方法提取特征后作分类.在ORL人脸数据库上的比较实验结果证实了该算法的有效性.     

正则线性判别分析和最大散度判别分析的算法比较

我们给出了识别率偏差波动的计算公式,同时利用不同的参数在UCI的三个数据集上比较了正则线性判别分析和最大散度距离判别分析方法的识别性能。实验结果表明,在适当的参数下,正则线性判别分析的识别性能优于最大散度距离判别分析。另外,对于K近邻分类器中不同的K值,最大散度距离判别分析的识别率偏差波动要比正则线性判别分析的波动小。因此,在处理识别任务的实际应用中,对于一个稳定的识别方法,应该考虑识别率偏差波动。     

改进的线性判别分析算法及其在人脸识别中的应用

提出了一种改进的线性判别分析(LDA)算法,能有效地解决传统LDA算法的两个局限,即小样本问题及在多类情况下传统的Fisher准则非最优．该算法还能提高某一(几)个指定类别的分类率．这种算法的关键在于使用不损失“有判别力信息”的方法来降维,同时在传统的Fisher准则中引入加权函数,得到与分类率直接相关的改进准则．在ORL人脸数据库上的比较实验结果证实了该算法的有效性．     

基于判别分析与低秩投影的人脸识别算法

针对目前人脸识别算法的误识率高、 鲁棒性差等不足, 设计一种基于判别分析与低秩投影的人脸识别算法, 以获得更优的人脸识别结果. 首先对人脸图像进行分块, 提取每个子块的局部特征, 并判别分析提取人脸的全局特征; 然后通过低秩投影选择对人脸识别结果贡献较大的特征组成特征向量; 最后采用最小二乘支持向量机根据“一对多”的原则建立光照人脸识别的多分类器, 并对多个人脸数据库进行仿真实验. 实验结果表明, 该算法可找到最优人脸识别特征子集, 降低光照人脸的误识率, 人脸识别速度得到明显提升, 且人脸识别效果优于其他人脸识别算法.     

判别分析中错判的概率及修正

在判别分析中,无论采用那种判别方法,错判是不可避免的.错判的来源主要有2方面,一是各类总体的均值相近,另一是各总体的协方差的非齐性,针对各种原因给出相应的修正原则和方法.     

最大似然估计在一元线性回归中的应用

最大似然估计是参数估计的常用方法。应用最大似然估计方法估计一元线性回归方程中的未知参数,与用最小二乘估计得到相同的结果,说明此方法的适用性。     

Face Recognition Using Kernel Discriminant Analysis

Linear Discrimiant Analysis (LDA) has demonstrated their success in face recognition. But LDA is difficult to handle the high nonlinear problems, such as changes of large viewpoint and illumination in face recognition. In order to overcome these problems, we investigate Kernel Discriminant Analysis (KDA) for face recognition. This approach adopts the kernel functions to replace the dot products of nonlinear mapping in the high dimensional feature space, and then the nonlinear problem can be solved in the input space conveniently without explicit mapping. Two face databases are used to test KDA approach. The results show that our approach outperforms the conventional PCA(Eigenface) and LDA(Fisherface) approaches.     

改进的线性判别回归分类人脸识别算法

对线性回归分类算法进行了改进。考虑了线性回归分类算法中没有考虑的类间信息,通过选择类模式的投影方向判别不同类的模式,不同类的模式互相远离,相同类的模式尽可能靠近来估计投影矩阵;再利用投影矩阵将训练图像及测试图像投影到各类的特征子空间;最后,计算出测试图像与训练图像间的距离,利用K-近邻分类器完成人脸的识别。在FERET人脸数据库上进行实验验证。实验结果表明,相比其他回归分类算法,本算法取得了更好的识别效果。     

Analysis and Experiments on Two Linear Discriminant Analysis Methods

Foley-Sammon linear discriminant analysis （FSLDA） and uncorrelated linear discriminant analysis （ULDA） are two well-known kinds of linear discriminant analysis. Both ULDA and FSLDA search the kth discriminant vector in an n - k ＋ 1 dimensional subspace, while they are subject to their respective constraints. Evidenced by strict demonstration, it is clear that in essence ULDA vectors are the covarianceorthogonal vectors of the corresponding eigen-equation. So, the algorithms for the covariance-orthogonal vectors are equivalent to the original algorithm of ULDA, which is time-consuming. Also, it is first revealed that the Fisher criterion value of each FSLDA vector must be not less than that of the corresponding ULDA vector by theory analysis. For a discriminant vector, the larger its Fisher criterion value is, the more powerful in discriminability it is. So, for FSLDA vectors, corresponding to larger Fisher criterion values is an advantage. On the other hand, in general any two feature components extracted by FSLDA vectors are statistically correlated with each other, which may make the discriminant vectors set at a disadvantageous position. In contrast to FSLDA vectors, any two feature components extracted by ULDA vectors are statistically uncorrelated with each other. Two experiments on CENPARMI handwritten numeral database and ORL database are performed. The experimental results are consistent with the theory analysis on Fisher criterion values of ULDA vectors and FSLDA vectors. The experiments also show that the equivalent algorithm of ULDA, presented in this paper, is much more efficient than the original algorithm of ULDA, as the theory analysis expects. Moreover, it appears that if there is high statistical correlation between feature components extracted by FSLDA vectors, FSLDA will not perform well, in spite of larger Fisher criterion value owned by every FSLDA vector. However, when the average correlation coefficient of feature components extracted by FSLDA vectors is at a low level, the performance of FSLDA are comparable with ULDA.     

改进的双边二维线性判别分析的手背静脉识别

针对双边二维线性判别分析(B2D-LDA:Bilateral Two-Dimensional Linear Discriminant Analysis)方法中多类类别均值和总体均值接近时难以分类的问题,提出了一种改进的B2D-LDA(MB2D-LDA:Modified B2D-LDA)方法,并将其运用到手背静脉特征提取中.重新定义了类间离散度矩阵,融入了每两类类间的距离,当类别均值与总体均值接近时,则用该类和其他各类类间距离组成离散度矩阵.采用基于欧氏距离的最近邻分类器进行匹配识别.结果表明,在不增加识别时间的情况下,MB2D-LDA平均识别率比B2D-LDA高2％,证明了该算法的有效性.     

基于CCA的增强线性鉴别分析

为了有效地融合Fisher线性鉴别分析与最大散度差鉴别分析所抽取的特征,得到更加全面反映原始样本的鉴别特征集,提出了基于典型相关分析的增强线性鉴别分析方法.利用Fisher线性鉴别分析和最大散度差鉴别分析方法提取两组鉴别特征,根据典型相关分析对这两组特征进行融合,获得更具鉴别力的典型鉴别特征.经过ORL标准人脸库实验,验证了所提算法的有效性.     

基于CCA的增强线性鉴别分析

为了有效地融合Fisher线性鉴别分析与最大散度差鉴别分析所抽取的特征，得到更加全面反映原始样本的鉴别特征集，提出了基于典型相关分析的增强线性鉴别分析方法．利用Fisher线性鉴别分析和最大散度差鉴别分析方法提取两组鉴别特征，根据典型相关分析对这两组特征进行融合，获得更具鉴别力的典型鉴别特征．经过ORL标准人脸库实验，验证了所提算法的有效性．     

基于相似性约束的面部幻象在人脸识别中的应用

为了根据低分辨率（LR）人脸图像生成高分辨率（HR）图像以提高人脸识别率,设计了四个相似性约束函数,提出了基于相似性约束的面部幻象方法。首先利用LR-LR约束计算出输入的LR人脸图像与训练集中各LR人脸图像之间的相似性;然后利用LR-HR约束描述输入的LR人脸图像与HR训练图像之间的局部结构相似性,同时增强相邻幻象图像块之间的平滑约束;最后利用空间相似性约束减少远离幻象图像块的那些图像块的影响。在FERET、Yale及ORL三大通用人脸数据库上的实验结果表明,相比其它几种较为先进的面部幻想生成方法,所提方法得到的幻想图像分辨率更高,此外,所提方法得到了更高的识别率。     

基于三维局部二值模式和核判别分析的三维人脸识别

二维照片的人脸识别对光照、姿态和化妆等因素很敏感,故提出了一种将三维局部二值模式（3DLBP）和核判别分析（KDA）相结合的三维人脸识别方法．采用3DLBP描述人脸深度图像的特征,高斯核函数KDA作为分类器,使用Chi平方统计改进高斯核函数、采用FRGCv2．0中2003春季采集的三维人脸库进行实验．实验结果表明,该方法在每人2个训练样本时,识别率为91．8％,而PCA和3DLBP的识别率分别为60．4％和78．3％;当每人的训练样本数增至6个时,识别率为98．4％,而PCA和3DLBP的识别率分别为87．8％和96．3％。