基于Haar小波变换和关联加权的LDA方法

线性判别分析(LDA)是人脸识别系统中用来降维的主要技术之一,但却受到小样本问题的限制,从而使其不能有效发挥其性能.本文通过把权值的概念引入LDA之中,使关联加权LDA方法有效地改善了小样本问题,但是它的分类效果却并不理想.为了解决这个问题,本文提出了基于Haar小波的关联加权LDA方法,该方法在Haar小波子带基础上,应用关联加权LDA方法,既解决了小样本问题,又改善了分类的效果.利用ORL及FERET两大人脸数据库进行了实验,其结果表明与最先进的几种方法相比较,HWRW-LDA方法具有更好的识别性能.     

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．     

采用Gabor变换和双方向LDA进行人脸识别

将Gabor变换和双方向LDA(BDLDA)算法相结合,提出了一种可以解决小样本问题的人脸识别新算法.该算法把人脸图像经过 Gabor 小波变换后得到的每个输出图像都看成是独立的样本,使得每类人脸样本的样本数成倍增加.然后采用BDLDA算法来提取人脸特征,并专门设计了针对人脸特征矩阵的最近邻分类器和最小距离分类器来进行分类判决.在 ORL 人脸库和 FERET人脸库中的实验结果表明,当每类的训练样本数较少时,该算法能大幅度提高人脸识别率,甚至当每类训练样本数仅为1时,也能得到较高的性能.     

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.     

基于主元分析和线性判别分析降维的稀疏表示分类

为解决传统的稀疏表示分类(SRC)算法在小样本人脸识别过程中的过大时间开销问题,该文提出2种基于降维的SRC算法。扩展主元分析(EPCA)算法利用PCA算法构造约束优化稀疏模型,对测试样本进行线性表示,通过比较测试样本和每类训练样本的重构PCA系数进行决策分类。EPCA+线性判别分析(EPCA+LDA)算法在EPCA算法的基础上增加LDA约束模型,提高重构样本的稀疏表示的鉴别性。将该文算法应用于AR和FERET人脸数据库,与扩展SRC(ESRC)、SRC、SRC_PCA、协同表达分类(CRC)算法相比,该文算法有较高的识别率和较低的时间复杂度。将EPCA算法和EPCA+LDA算法应用于FETET数据集,识别率分别为61.46%和59.17%,运行时间分别为383.02 s和220.62 s。     

改进PCA-LDA的人脸识别算法研究

针对主成分分析(PCA)未充分利用样本类别信息及线性鉴别(LDA)在小样本时识别率低的问题,提出了一种基于PCA和LDA相融合的人脸识别算法。该算法首先将输入人脸图像进行几何位置规范化和灰度分布均衡化预处理;然后利用PCA算法将人脸训练图像投影到低秩特征子空间,利用LDA算法计算类间离散度大、类内离散度小的特征子空间,从而获得PCA-LDA的人脸融合特征空间;最后将训练样本、测试样本投影至融合的特征空间,并利用最近邻准则实现对测试样本的识别。实验结果表明,该算法能够有效融合PCA和LDA的优势,提高系统识别的鲁棒性和效率。     

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.     

基于样本加权矩阵的自适应弱目标识别鲁棒算法

以人脸为例,提出多区域特征融合的弱目标特征表示方法,并据此设计1种新的加权PCA-LDA(Principal element analysis-Linear distinction analysis)弱目标识别方法,用样本加权特征矩阵代替传统的特征向量,有效地将局部和全局特征加权融合。其步骤是:提取弱目标的全局特征,并用1种新的基于Gabor小波的方法提取其特征;基于将全局和局部特征加权融合的思想,得出权值的选择方法;通过研究多区域特征加权融合原理,提出定义每类样本的类矩阵,得到新的投影准则,解决小样本空间问题,最后得出加权PCA-LDA算法。研究结果表明:加权PCA-LDA算法能很好地结合弱目标图像全局和局部的互补信息,其识别效果优于各单一区域的分类效果。     

基于支持向量机的人脸姿态判定

对于多姿态人脸检测中的姿态判定问题,提出了一种基于支持向量机(SVM)的人脸姿态判定算法。将人脸姿态划分成6个类别,从一个多姿态人脸库中手工标定出1800幅人脸图像作为训练样本集,分别训练基于支持向量分类(SVC)和基于支持向量回归(SVR)2种姿态分类器。另外标定出300幅人脸图像作为测试样本。SVC方法和SVR方法分别取得了1.67%和3.33%的分类错误率。其中SVC方法的分类效果明显优于在传统方法中效果最好的人工神经元网络(ANN)方法(分类错误率为3.33%)。对比实验结果表明,SVM方法对于解决姿态判定问题是很有效的。     

基于主题加权LDA模型的情感分类方法

针对LDA(Latent Dirichlet Allocation)主题模型生成的大量topic,很大部分topic内部词语相关度很低,可解释性差,对语言模型后的应用效果带来一定的影响.针对这一问题,该文提出了一种基于主题加权LDA模型的情感分类方法,该模型实现不同主题中内部相关的词语特征加权计算,能够消除不同主题内具有相关度词语的相互影响.实验结果表明,与传统LDA模型分类方法对比,该文提出的基于主题加权LDA模型的情感分类方法平均F1值提高了6.7%～8.1%,验证了该文提出的方法是有效的,提高了分类效果.     

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。      

基于改进R-LDA的ANN在人脸识别中的研究

面部识别(FR)系统可以自动识别或校验从数码相机或图像生成设备中获得的人脸图像。为了做到这点,要从所获图像中提取面部特征,并与人脸数据库中的数据进行比对。目前,几乎所有的FR都面临与面部视角相关的障碍,包括光照不足和低分辨率,这些问题使其识别率大为降低。提出了一种经过全新衡量的标准化参数,它基于FR系统,能够提高在某些环境约束下的识别率。该方法基于常见的正规线性判别分析(R-LDA),并且包含了具有突出分类能力的可以提高人脸识别率的人工神经网络(ANN)。改进的R-LDA算法解决了在所有FR中出现的小样本容量(SSS)问题,同时,ANN对于检测人脸的正面图像很有用处。在ORL及FERET人脸数据库上进行了实验,结果表明,与其它的常用方法相比较,取得了更好的识别效果。     

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。     

基于二维非参数化判别分析的人脸识别

基于二维线性判别分析和非参数化判别分析的思想,提出了一种新颖的用于人脸识别的特征提取方法--二维非参数化判别分析方法. 该方法解决了传统判别分析方法中的小样本问题与高斯分布假设问题. 可以准确、高效地实现人脸识别. 通过在ORL标准人脸数据库上的实验结果表明,算法相对于传统线性判别分析方法有显著优势.     

二维非参数化判别分析方法中的人脸识别算法研究

在使用传统线性判别分析方法计算类间散射矩阵时,使用类中心来近似表示各个类,类内散射矩阵的定义有一定的局限性,从而导致算法性能不稳定、小样本、数据的高斯分布假设及维数困扰等问题.提出了一种用于人脸识别的二维非参数化判别分析方法,对类间散射度矩阵和类内散射度矩阵进行了重新定义,考虑了各类数据的边界结构.通过在ORL标准人脸数据库上的实验结果,验证了算法相对于传统算法的鲁棒性和准确率.     

基于多目标进化封装的特征选择在人脸识别中的应用

为了在实施分类工作时将不相关的、多余的、具有噪声的特征从问题表示中去除,以降低复杂度并得到可接受的性能,提出了一种基于多目标进化封装的特征选择方法。首先利用染色体选择的特征重新参数化人脸图像从而获得主动形变模型特征集;然后通过多目标遗产算法进行特征选择,在最小化特征子集基数的同时最大化判别容量;最后结合提出的综合适应度函数及k-近邻分类器完成人脸的识别。在Essex人脸数据库上的实验验证了所提方法的有效性,实验结果表明,相比其它几种较为先进的方法,所提方法不仅降低了表示的维度,同时提高了分类性能。     

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.     

高速结构化光照扫描系统中的三维手势及人脸识别

在计算机视觉人机交互（Human-Computer Interaction, HCI）领域,信号质量的优劣对系统性能的影响很大。为了解决这个问题,提出了一种基于实时高分辨率的高速结构化光照三维（Three-Dimensional, 3D）物体扫描系统,通过结合鲁棒人脸识别建模与三维点云分类算法,将完整的表面几何形状与不同分类的模板相匹配,从而可以准确地重建及分类各个结构点。所提方法的有效性分别在结构光照明（Structured Light Illumination, SLI）三维手势数据库及结构光照明三维人脸数据库上得到了验证,实验结果表明,与最先进的方法相比,所提方法取得了更好的识别效果。     

人脸识别综述

在生物特征识别中,人脸识别是最自然、最直接和最友好的手段,对人脸识别的研究具有很高的理论意义和实用价值．本文对人脸识别中的常用算法进行了回顾,并且对正面人脸识别中的两个主要研究热点——人脸光照补偿和人脸小样本问题进行了讨论．