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.     

一种改进的最大间距准则人脸识别方法

针对最大间距准则在人脸特征提取过程中的不足,提出一种统计不相关的加权最大间距准则人脸特征提取方法。首先对最大间距准则的类间散度矩阵和类内散度矩阵加乘权函数。然后在准则函数中利用双参数调节类间散度和类内散度对特征抽取的影响力。最后通过Schmidt正交化得到统计不相关的最佳鉴别矢量集。在ORL和Yale人脸图像库上的仿真实验结果表明,克服了最大间距准则的缺点,提高了人脸识别率。     

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.     

基于卡方核的正则化线性判别行人再识别算法

针对行人再识别过程中存在获取的训练样本较少,真实样本分布不一定线性可分和算法识别率低的问题,提出基于卡方核的正则化线性判别分析行人再识别算法(KRLDA,kemel regularized linear discriminant analysis)。该算法首先利用核函数将样本从线性不可分的原始空间映射到线性可分的高维特征空间,然后在高维空间中构造描述数据之间邻近关系的散度矩阵,再利用正则化线性判别分析获得高维到低维空间的投影矩阵,使得数据在低维空间能够保持高维空间的可分性,从而提升行人再识别算法的识别率。在VIPeR、iLIDS、CAVIAR和3DPeS数据集上,实验结果表明所提出的算法具有较高识别率。     

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PCA_LDA和协同表示分类的人脸识别算法

人脸识别是近年来模式识别领域的热门课题,其中特征提取和分类器选择是人脸识别的关键步骤。主成分分析和线性判别分析是特征提取的主要方法之一,但主成分分析忽略了数据的类别信息,线性判别分析类内散度矩阵奇异,导致投影矩阵无法直接得出。为解决以上问题,本文提出基于PCA_LDA和协同表示人脸识别算法,该算法结合主成分分析和线性判别分析,将人脸的特征信息压缩到一个更小的子空间内,再采用协同表示分类算法对测试图像进行识别。在ORL人脸库、FERET人脸库和YALE人脸库上的大量实验证实,本文算法能精确地提取到高维图像信息的主要特征,在保留特征信息的同时,大大减小了计算的复杂度。而且相比其它几种典型算法,本文算法具有更高的识别率和更健壮的抗干扰性能。     

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.     

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.     

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。     

改进的β-NMF在基因聚类中的应用

针对基因表达数据高维、高噪声等特点,提出了一种基于正交约束的负矩阵分解算法;该算法将正交约束引入到β散度矩阵分解的准则函数中进行优化求解,用梯度下降方法得出矩阵分解的乘积迭代规则,并利用分解项来降低特征空间的维度,将得到的向量用于K均值聚类;实验中选择5种肿瘤基因表达数据,实验结果表明:改进的算法分解所得矩阵在聚类效果上明显优于其他的方法.     

基于四元数的彩色人脸识别

为充分挖掘人脸模式样本之间的鉴别信息、强化不同样本之间的区分性,以利于增强识别系统鲁棒性、提高人脸正确识别率,提出一种新颖的基于四元数的彩色人脸识别算法．将定义于实数域的PcA方法以及Fisher鉴别分析法向四元数体作合理推广,得到定义于体上的广义主成分分析方法及广义线性鉴别分析法,将这2种方法用于彩色人脸识别,从而得到全新的识别算法．该算法巧妙地将彩色像素的R、G、B3个分量结合在一起,从数学上有机融合具有丰富鉴别信息的肤色成分以及反映人脸轮廓形状信息的灰度成分,较传统仅利用灰度信息的识别方法,具有更稳定的性能以及更高的正确识别率．提出的关于共轭四元数矩阵正交特征矢量集的获取方法,数学上有详细的推导证明,该方法在理论上合理,同时在自己建立的彩色人脸库上进行的实验表明,该方法可行且实用．     

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。     

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。     

鉴别相对梯度直方图特征提取与分类方法简

在相对梯度直方图特征的基础上,结合Fisher线性鉴别分析和角度距离相似性度量方法,提出了一种鉴别相对梯度直方图特征提取与分类方法。充分利用相对梯度直方图和鉴别分析的优势,使所得特征保留更多的对分类有利的信息;引入角度距离相似性度量,很好地克服了传统余弦相似性度量的缺陷,使人脸分类更准确。通过FERET、YaleB和PIE 3个人脸图像子集上的实验证实,鉴别相对梯度直方图特征提取与分类方法能显著提升图像梯度描述特征的分类精度,并对人脸的光照变化具有良好的健壮性。     

基于不相关局部敏感鉴别分析的新生儿疼痛表情识别

针对新生儿疼痛表情识别中的特征提取问题,提出一种不相关局部敏感鉴别分析（Uncorrelated Locality Sensitive Discriminant Analysis,ULSDA）算法.首先,在局部敏感鉴别分析（LSDA）算法的基础上,通过附加投影向量正交性的约束条件,定义了ULSDA的目标函数;然后,推导出求解特征子空间正交投影向量的迭代公式;最后,将输入的高维图像数据投影到这个特征子空间,求出特征向量.ULSDA算法不仅继承了LSDA算法所具有的有监督、局部流形结构保持等特性,而且消除了LSDA算法所提取出的鉴别特征的相关性,从而增强了特征的鉴别能力,比LSDA算法具有更好的分类识别能力.在新生儿表情图像库上的疼痛表情识别实验结果表明,提出的ULSDA方法是有效可行的.当每类表情的训练样本图像为150幅时,采用ULSDA算法获得的平均识别率达到了82.07％,优于主成分分析（PCA）、线性鉴别分析（LDA）、局部敏感鉴别分析（LSDA）等特征提取方法.     

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.     

一种求解MMC的快速算法

最大间距准则(Maximum Margin Criterion,MMC)能够有效地克服线性鉴别分析(Linear Discriminant Analysis,LDA)算法所面临的小样本问题.但是,原有的MMC求解算法复杂度较高,为了提高MMC算法的计算效率,本文提出了一种新的快速的MMC求解算法.在理论上,新的MMC求解算法和原有算法等价,但计算复杂度比原算法要低的多.在人脸库上的实验表明,新的MMC求解算法的计算速度远比现有的MMC求解算法要快,但是其识别率与现有求解算法相同.