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.     

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。     

局部保持最大间距准则在人脸识别中的应用

局部特征的产生和特征无内因损失的判别提取是人脸识别的两个重要步骤。本文介绍一种名为局部保持最大间距准则（Locality—Preserving Maximum Margin Criterion．缩写：LMMC）的线性管理图像嵌入算法用于子空间的研究,算法中定义了局部类间散布矩阵（local between—class scatter matrix）和局部类内散布矩阵（local within—classs catter matrix）,因此最终的嵌入能同时保持相邻的几何结构和提取重要的判别信息。换言之,引入恰当的权重能在局部方式提升最大间距准则（MaximumMarginCriterion,缩写：MMC）的表现。在基准数据库中的实验结果一致证明了识别效果的提高。     

基于最大间距准则和差分向量的人脸特征提取

提出了一种结合最大间距准则(MMC)和差分向量的特征提取方法,将其应用在人脸识别中.首先对样本图像进行Gram-Schmidt正交变换得到每类样本的共同向量;然后将每幅原始图像与该类的共同向量之间的差作为差分向量,通过MMC方法得到差分向量的最优投影变换矩阵;最后将测试样本的差分向量和训练样本的差分向量投影到最优投影变换矩阵上获得特征向量,利用三阶近邻分类器进行分类识别.在ORL和Yale人脸数据库上的实验结果表明了该方法具有较好的识别性能.     

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.     

基于最大间距准则的硬件木马检测方法研究

针对硬件木马检测问题,分析了功耗旁路信号的统计特性,建立了木马检测问题的物理模型.在此基础上,提出了一种基于功耗旁路信号的硬件木马检测方法,该方法利用最大间距准则(MMC)处理旁路信号,构建体现基准芯片与木马芯片旁路信号之间最大差异的投影子空间,通过比较投影之间的差异检测集成电路芯片中的硬件木马;采用物理实验对该方法进行了验证,通过在现场可编程门阵列(FPGA)芯片上实现的高级加密标准(AES)加密电路中植入不同规模的木马电路,分别采集功耗旁路信号(各1 000条样本),并利用MMC方法对样本信号进行处理.实验结果表明:MMC方法能有效分辨出基准芯片与木马芯片之间旁路信号的统计特征差异,实现了硬件木马的检测.该方法与Karhunen-Loève(K-L)变换方法相比,有较好的检测效果.     

对称DLDA及其在人脸识别中的应用

针对直接线性鉴别分析(DLDA)没有有效利用人脸对称性特征,及其在人脸识别中训练样本不足的问题,依据人脸较为明显的镜像对称性,结合该特性在直接线性鉴别分析的基础上提出对称直接线性鉴别分析方法。采用镜像变换得到奇对称样本和偶对称样本,再分别提取各奇偶对称样本特征分量,最后采用最小欧氏距离进行分类。通过在ORL和YALE人脸数据库上的实验证明,该算法不仅有效利用了镜像样本,扩大了训练样本容量;而且取得了比直接线性鉴别分析更好的识别性能。     

基于最大边距局部敏感鉴别分析的人脸识别

局部敏感鉴别分析(LSDA)是一种基于向量学习的提取特征的算法,该算法使得属于同一类的相邻数据经投影后尽量靠近,但不同类的邻近数据则相远离.在实际应用中,由于小样本问题,通常先利用PCA算法对原始数据进行降维处理,然后再使用LSDA算法提取特征.然而,这种方法会丢掉一些重要的鉴别信息.提出了最大边距局部敏感鉴别分析(MM-LSDA)算法,直接从原始数据中提取特征,避免了鉴别信息的损失,同时使得同类中的近邻数据尽量靠近,而不同类之间的样本远离.在ORL和Yale人脸库上的仿真实验表明此算法更有效.     

抗滑桩最大桩间距确定方法

利用传递系数法计算出临界状态下抗滑桩前后土体的滑坡推力,进而计算出最大桩-土荷载分担比;从桩间土拱的研究中发现,影响桩-土荷载分担比的主要因素为土性和桩距,由此建立关系式得到最大桩距;通过工程实例验证了该法的可行性与合理性,并与其他算法进行了比较分析。     

一种基于最大间隔的偏标记学习算法

在机器学习中,偏标记学习是一类重要的弱监督学习框架;在该框架中训练示例不再具有单一明确的标记,每个训练示例的真实标记被隐藏在一个候选标记集中并且在学习过程中不可获知。为了解决从训练示例的候选标记集中学习真实标记的问题,基于最大间隔准则提出了一种新的偏标记学习算法;该算法是通过优化模型在候选标记集中最大输出与非候选标记集中最大输出之间的间隔,以及优化模型在候选标记集中最大输出与候选标记集中其他输出之间的间隔进行偏标记学习。采用改进的次梯度Pegasos算法完成模型参数的优化学习。在四组人工改造的UCI数据集中,在平均65%的情况下优于其他对比算法。在四组真实偏标记数据集中,相比其他对比算法,取得了4.4%~10.2%的性能提升。实验证明,具有更好的泛化性能。     

基于Zl-Zr法的人脸特征提取与选择方法

在人脸特征提取与选择方法的研究中,提出了以Zl-Zr法为基础,通过对特征分量判据J的计算,不断通过交替增加或剔除特征来得到优化解。同时,为了解决该方法存在的特征分量相关度和计算复杂度的问题,使用K-L变换法对n维原始特征组成的向量进行线性正交变换,以使特征在一个新的空间内不再相关。进而,再通过调整参数使得在进行特征选择时的计算复杂度大幅降低,使该方法的实用性提高。     

基于子图特征组合的人脸识别技术研究

提出了一种基于子图特征组合的人脸特征提取方法,并结合BP神经网络给出一种人脸识别模型.模型首先将人脸图片分割为子图,然后对每个子图进行离散余弦变换并选择最大的余弦系数表示该子图,最后将这些系数组合为向量作为整幅图像的特征.我们选择BP神经网络作为人脸识别模型中的分类器,并通过实验优化相关参数.基于ORL数据库的模拟实验表明,所提出的特征提取算法是有效的,并且模型具有较高的识别率.     

基于小波变换和非负矩阵分解的人脸识别改进方法

针对NMF在识别人脸图像特征时分解速度慢,基空间不适应欧氏距离度量的缺点,提出了一种基于小波变换和非负矩阵基矩阵正交化的人脸识别方法.利用小波变换对人脸图像进行变换,选择LL分量既能抽取到人脸的实质特征又能有效减小数据维数,降低NMF分解的复杂性.同时对NMF的基矩阵实施正交化变换,在得到的正交基上进行投影.实验结果表明,该方法对光照变化、表情变化和部分遮罩不敏感,识别性能明显提高.     

基于小波子带的PCA人脸识别方法研究

随着人机接口和识别技术的不断发展，人脸识别已经成为一门很活跃的研究领域。如今，PCA(主成份分析)已应用在许多人脸库的识别中，并取得了很好的效果。然而，PCA有它的局限性：大的运算量和较低的判别能力。针对这些缺点，文中提出了一种新的算法，将PCA运用在小波子带上，用包含了原始图像的大部分信息的低频子带作PCA。和传统的方法相比较，该方法得到了较好的识别率，同时也降低了运算量。当训练样本很大时，这点就显得尤为重要。