基于监督学习的核拉普拉斯特征映射分类方法

提出一种监督学习的核拉普拉斯特征映射方法(supervised kernel Laplacian eigenmap,SKLE),通过非线性核映射将样本数据投影到高维核特征空间,然后将流形结构和样本类别信息进行有效的结合后,提取嵌入在高维数据中的低维流形特征用于分类.实验表明,该方法对新样本具有泛化性,并且能有效提高分类的效能.     

面向缺失像素图像集的修正拉普拉斯特征映射算法

针对缺失像素图像集,提出修正的拉普拉斯特征映射算法.该算法将缺失像素图像集看成向量集,利用向量之间的余弦相似度衡量缺失像素图像之间的距离,提出一种新的权值构造函数,并在多组标准测试数据集上进行实验.结果表明:修正的拉普拉斯特征映射算法可以很好地挖掘缺失像素图像数据集的内在流形结构,减弱缺失像素带来的不良影响.     

一种基于局部特征的人脸识别方法

针对五官的局部特征，提出一种具体的识别方案。与传统弹性图匹配的方法相比，该方案提取的人脸局部的特征，大大降低了运算量，理论和实验都表明了该方案的可行性。在对人脸图像预处理之后，利用积分投影的方法，获取五官的位置，而后采用奇异值分解（SVD）去提取五官附近的局部特征，作为人脸的主要特征。比较了SVD和离散傅里叶变换（DFT）两种特征提取的方法，结果表明，通过SVD提取人脸的局部特征在减少计算量的基础上，能够很好保留人脸的特征，达到了较好的识别效果。     

基于拉普拉斯特征映射的免疫算法

针对特征提取中以特征值的优先顺序来选取相应向量,在应用中发现了很多弊端,如何合理的组合特征向量是个难题,进化类算法是处理组合优化问题最适宜的方法,其中免疫克隆算法由于含有精英选择策略能够快速寻优,拉普拉斯特征映射(LE)由于是在提取特征中隐含对数据集内部相似数据进行归类较为适用于分类问题,用免疫克隆算法把拉普拉斯特征映射提取出的特征向量进行重新组合,从实验结果可以看出分类准确率得到了显著提高,对各数据集测试分类正确率也得到了提升,从而证实该方法的有效性.     

基于自适应邻域参数的拉普拉斯特征映射

提出一种基于自适应邻域参数的拉普拉斯特征映射算法,该算法首先依据采样密度确定每个样本点的自适应邻域参数,然后根据流形弯曲度调整优化邻域参数.实验结果表明,改进后的算法能够取得比拉普拉斯特征映射算法更好的降维效果.     

半监督局部线性嵌入算法在人脸识别中的应用

提高人脸识别算法的识别率,提出一种基于半监督局部线性嵌入(Semi-Supervised Locally Linear Embedding,SSLLE)的人脸图像识别方法。针对局部线性嵌入(Locally Linear Embedding,LLE)算法非监督学习的缺陷,引入半监督思想,在构造邻域的时候利用部分样本的标签信息来重新调整距离矩阵;使用调整后的距离矩阵进行线性重建从而实现数据降维。在Yale和ORL人脸库上的实验结果表明,能有效的提高人脸识别的性能。     

基于MATLAB 7.0的人脸识别仿真系统研究

在MatLab7.0环境下,开发一个自动人脸识别仿真系统.详细阐述了开发该系统所采用的主要技术和实现过程,并用采集的普通人脸面相做实验,实验结果表明,该仿真系统可行实用.     

基于统计特征的人脸识别研究

奇异值特征向量是用于图像识别的有效代数特征,但直接用奇异值特征向量做匹配进行人脸识别,识别率极低。通过对人脸图像奇异值向量和其对应的左右正交特征矩阵分析,发现图像的奇异值向量与图像的灰度范围具有相关性,即最大奇异值反映了图像灰度范围的位置,其他奇异值反映了灰度范围的宽度,而且与图像奇异值向量对应的左右正交特征矩阵能够表现图像轮廓的结构信息。基此,提出基于奇异值分解（singular value distribution,SVD）的基空间人脸识别算法,并通过ORL和ORL-IC数据库进行仿真,实验结果分析证明了图像的左右正交特征矩阵能够表现图像轮廓的结构信息。     

基于双度量约束的拉普拉斯特征映射

针对传统的拉普拉斯特征映射(LE:Laplacian Eigenmaps)算法采用欧氏距离度量样本点之间的位置关系只适用于线性数据集,但实际工程中的数据常表现出强烈的非线性导致最终的嵌入结果难以反映出原始数据的本质特征问题,提出了一种基于双度量约束的拉普拉斯特征映射(D-LE:Double metric constra...     

基于非线性子流形的人脸识别

介绍了流形、流形学习的数学基础及其应用时的核心问题,流形学习方法用于人脸识别的技术路线;通过实例分析讨论了流形学习主流算法——局部线性嵌入(LLE)算法的优势和存在的不足;使用ORL人脸数据库进行仿真实验并将识别效果与原始图像直接分类法、主成分分析法进行比较,验证了LLE算法的有效性及优势。     

单样本条件下基于图像增强和Fourier频谱的人脸识别

目前有许多处理正面视觉人脸的识别方法,当有充分数量的有代表性的样本时,能取得较好的识别效果。然而当处理单样本识别问题时,现有的许多方法的识别率将明显下降或甚至不适用。为了加强单训练样本的分类信息,训练样本与其基于受扰动的奇异值的重构图组合成新样本,Fourier频谱作为人脸识别特征,在ORL人脸库上的实验结果表明了该方法的有效性。     

一种基于局部奇异值分解和最近邻决策规则的人脸识别方法

提出了一种基于局部奇异值分解和最近邻决策规则的人脸图像识别方法。其主要内容包括以下方面：由于奇异值向量具有稳定性、转置不变性等特点,对归一化的人脸图像,采用局部奇异值分解抽取人脸图像特征作为识别特征;针对人脸识别问题,采用最近邻决策规则取代隶属度函数来进行分类识别。实验结果显示,所提出的方法减少了数据计算量,运行速度快,并提高了识别率。同时,人脸识别结果也证明了该方法的有效性。     

基于MATLAB 7.0的人脸识别仿真系统研究

在MatLab7.0环境下,开发一个自动人脸识别仿真系统。详细阐述了开发该系统所采用的主要技术和实现过程,并用采集的普通人脸面相做实验,实验结果表明,该仿真系统可行实用。     

一种基于奇异值分解的人脸识别新方法

基于奇异值向量方法进行人脸识别时,由于提取的奇异值向量特征所包含的人脸图像的有效信息少,导致人脸识别率低下。基于此提出了一种基于奇异值分解的人脸识别新方法——矩阵的秩-逼近法。利用ORL人脸数据库进行实验,并采用最近邻决策规则来进行分类识别。实验结果显示,提出的方法比基于奇异值人脸识别方法具有优越性,本算法能大大地改善识别效果。     

基于张量脸的多姿态人脸识别算法

提出了一种新的多姿态人脸识别算法,在原有的张量脸算法(TensorFaces)基础上结合了流形学习方法和统计学聚类的方法,首先将训练图库中不同姿态的人脸图像通过保局映射投影(LPP)的姿态聚类特性投影到二维空间上,然后将待测图库中的未知姿态人脸图像投影到该二维空间并找到其最近邻的两个姿态,根据两个最近邻姿态库作为训练库修正张量脸识别算法的判别系数.实验结果表明,该算法的识别率优于原有的张量脸算法.     

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.     

彩色分量流形特征融合的人脸识别

对人脸图像RGB彩色空间三分量的非线性流形嵌入进行了分析,提出一种结合了流形学习技术和图像彩色信息的人脸识别方法。 该方法对人脸图像的彩色三分量分别采用局部线性嵌入（LLE）方法进行特征提取,提取的特征进行归一化处理和特征融合,采用线性判别分析（LDA）增加分类判别性,最后采用k最近邻法（kNN）进行分类。 该方法中提取的特征,能够保持人脸图像数据的非线性结构,同时利用了人脸图像的彩色信息。 对比实验结果表明,利用了彩色信息的三分量流形学习特征融合方法,比Fisherface特征灰度图像和单个彩色分量的人脸识别性能有所改善。