线性回归分析在人脸识别中的应用研究

线性回归分类(LRC)算法中,借助一个依赖线性子空间的单一对象类模型,开发了一个线性模型,作为特定类库的线性组合来描述探针图像,并且借助于最小二乘法及其为了支持具有最小重构误差的类而制定的决策,解决了逆问题,但是并不能解决连续闭塞问题。基于此,提出了一种新颖的基于近邻子空间分类的识别方法,模块化线性回归分类(MLRC)算法。将LRC算法进行模块化,并且引入了一种基于距离的本征融合(DEF)算法用于决策。在FERET及ORL上的实验表明,与其它几种常用的方法相比较,MLRC算法在处理人脸识别问题上取得了更好的结果。     

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．     

基于保持近邻判别嵌入的人脸识别

保持近邻嵌入(NPE)是一种子空间学习方法,具有保持数据流形上局部邻域结构的属性.虽然NPE已在一些领域得到应用,但解决识别任务还有局限性.为改进NPE的识别性能,提出了一种保持近邻判别嵌入(NPDE)人脸识别方法. 在NPDE算法中,有效结合了LDA和NPE的思想,具有很强的判别力,还能根据先验类标签信息保持局部邻域的固有几何关系.在ORL人脸库以及Yale人脸数据库上的实验结果表明提出的方法是有效的.     

使用自适应线性回归的多标签分类算法

针对多标签数据类别间的相关性与共现性,提出了一种使用自适应线性回归的多标签分类算法,将经典线性回归理论推广到多标签形式,结合多种评判标准对回归结果设置阈值,进而自适应地预测出最终标签.该方法同时考虑了符合数据期望的固定阈值与反映分类器综合效果的自适应阈值,因而降低了数据分布与噪声对分类的影响.实验结果表明,该方法可以有效地解决多标签分类问题.     

基于LTS优化图像切边线性回归分类的人脸识别研究

针对现实人脸识别中由于伪装(如围巾、太阳镜和头发)或其它物体引起的面部遮挡而严重影响识别率的问题,提出了一种基于最小截平方和的图像切边线性回归分类算法。首先,使用一个鲁棒性强的估计量检测并裁剪查询样本、训练样本中受污染的像素点;然后,利用线性回归分类算法对图像进行切边;最后,利用LTS计算出规范化的重构误差。实验结果表明,相比其它几种回归分类算法,本文算法取得了更高的识别率,同时大大降低了训练总完成时间。     

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.     

KNN分类算法研究

KNN算法是应用最广泛的分类技术之一。文章简要介绍了KNN算法的基本原理,重点论述了研究人员针对KNN算法的不足所做的各种改进。主要从距离计算的改进、降低计算复杂度、K值的选择、与其它方法集成几个方面进行分析研究。     

完全判别信息Fisherfaces人脸识别算法

针对传统Fisherfaces算法存在丢失部分样本信息的问题,提出一种改进的Fisherfaces算法——完全判别信息的Fisherfaces算法(简称CDI_Fisherfaces).首先说明传统Fisherfaces算法的最优判别矩阵是不相关判别(uncorrelated discriminant,简称UD)矩阵,通过施加正交约束条件,得到正交判别(orthogonal discriminant,简称OD)矩阵.然后在这两个判别矩阵的基础上,添加主成分分析(PCA)阶段中总体散度矩阵St未被考虑的非零特征值对应的特征向量,组成新的判别矩阵.这两个新的判别矩阵不仅包含了样本的全部特征,还分别保持了原先判别矩阵的不相关性和正交性.最后通过在ORL和YALE人脸库上实验,发现完全判别信息Fisherfaces算法识别率高于传统的人脸识别算法,说明本文中算法的优越性.     

改进的K-近邻算法在中文网页分类的应用

K-邻近算法作为一种比较简单,易于实现并且错误低的分类算法,广泛应用于网页分类、模式识别和数据挖掘等多个领域中.本文介绍了传统K-邻近算法并分析了该算法在网页相似度值的计算存在的不足,在此基础上,本文提出了基于类中心向量的K-近邻算法,通过理论分析和仿真实验结果证明了该算法对于中文网页分类具有较好的分类效果.     

高分辨率遥感图像场景线性回归分类

线性回归分类是图像识别领域中一种简单而有效的分类方法,目前通常采用最小二乘方法对分类模型进行参数估计。然而,同一场景中不同的遥感图像相对应位置的灰度值不完全相同,而且遥感图像还可能包含椒盐噪声和高斯噪声,这些均会造成遥感图像场景分类精度的降低。为了解决这一问题,笔者提出采用稳健加权总体最小二乘方法对线性回归分类模型的参数进行估计。采用两组高分辨率遥感图像场景数据进行实验,将该方法与最小二乘方法、稳健最小二乘方法和加权总体最小二乘方法进行比较评估。实验结果表明,稳健加权总体最小二乘方法能够同时考虑观测向量和系数矩阵的误差,能够有效减少椒盐噪声和较大高斯噪声的影响,从而获得更高的总体分类精度。     

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.     

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.     

基于概率线性判别分析的可扩展似然公式化人脸识别

针对概率线性判别分析(PLDA)方法在训练及似然计算过程中矩阵大小随着标志类采样数量呈平方增长的问题,提出了一种基于概率线性判别分析的可扩展似然公式化方法。首先通过简单变换变量对角化PLDA模型;然后,利用贝叶斯准则和最大期望算法估算潜在变量一阶矩、二阶矩,从而对变换后的PLDA模型进行可扩展训练;最后,通过结合Woodbury矩阵特征存储模型信息,从而将大矩阵转换成低维向量或标量。在FLW及Multi-PIE两大通用人脸数据库上的实验验证了所提方法的有效性及可靠性,实验结果表明,相比其它几种较为先进的同类人脸识别方法,所提方法不仅取得了更高的识别率、更低的半错误率,还大大地降低了训练、似然计算复杂度。     

一种基于Fisher最优判据的人脸识别新方法

通过对一种计算奇异类内离散度矩阵的Fisher最优判据方法的改进 ,提出一种改进的Fisher最优判据 ,并应用于人脸识别中 .在Olivetti_OracleResearchLab(ORL)和Yale标准人脸库上的识别结果显示 ,此方法比主元分析方法 (PCA)和直接线性判别分析方法 (DirectLinearDiscriminantAnalysis,DLDA)有更好、更高的识别效果 .     

基于快速小波变换和FLD的人脸识别算法

针对快速性和识别率要求较高的人脸识别应用场合,提出了一种基于快速小波变换(FWT)和Fisher线性鉴别(FLD)的人脸识别算法.首先用Haar小波对标准人脸图像分别进行1尺度和2尺度分解,然后用Fisher线性鉴别法对原始图像、1尺度和2尺度分解图像提取特征,最后利用最近邻法对提取到的特征进行识别.利用ORL标准人脸图像库对算法进行了仿真,结果表明,此算法取得了较快的识别速度和较高的识别率.     

元音识别的几种分类模型的比较与分析

根据元音数据处理方法和选取的特征,提出了三种基于统计学的模式分类方法：线性判别、二次判别和七一最近邻,并通过模型选择方法,对实际数据进行测试与比较,得出尼．最近邻分类模式最为合适,同时提出进一步改进的思路。     

增强LLE特征分类性能的人脸识别

为了增强局部线性嵌入(LLE)特征的可分类性,提出一种应用LMNN算法改善LLE特征分类性能的人脸识别方法.LMNN算法寻求一个线性变换,变换空间的欧氏距离等价于原始空间的马氏距离,马氏距离增强了LLE特征的kNN分类性能.在ORL数据库和扩展的YaleB数据库上进行实验,并与其他方法进行了比较.实验结果验证了该算法的有效性.