一种新颖的分组决策方法及其应用

该文分析了广义最佳鉴别向量集,给出了基于用于线性特征抽取的广义最佳鉴别向量的分组决策方法。将所有的样本分成若干组,从理论上说明每一组的Ｆｉｓｈｅｒ 鉴别函数值大于整体的Ｆｉｓｈｅｒ 鉴别函数值,因此,每一组的识别正确率远高于整体的识别正确率。为了验证所述方法的有效性,将其用于人脸识别。实验结果显示：当采用同样个数的广义最佳鉴别向量时,此方法比不分组的方法能得到更高的识别正确率;如果采用分类决策,可用较少的广义最佳鉴别向量得到良好的识别正确率,而用其它方法要达到同样的正确率,需要许多广义最佳鉴别向量。     

一种用于高维大数据的协方差无关的主成分分析迭代算法(英文)

主成分分析是一种大家熟知的用于维数压缩的方法.主方向是协方差矩阵的最大特征值对应的特征向量.协方差矩阵的阶数等于数据的维数.当样本维数很高时,可以用阶数等于样本数的替换矩阵来计算主方向.然而,当样本的维数与样本数都非常大(即高维大数据)的情况下,主方向的计算就变得非常困难.提出了一个协方差无关的迭代主成分分析(CIPCA)算法,用于计算高维大数据情形下的主方向.证明了该算法以指数速度单调收敛到主方向的精确值.并在高维大数据集(图像数据集)上对CIPCA算法的性能进行了验证,实验结果显示使用CIPCA算法主方向的收敛速度非常快.     

人脸图像有效鉴别特征抽取与识别

基于具有统计不相关性的最优鉴别变换,分析了小样本识别问题,提出了抽取人脸图像有效鉴别特征方法,在Ｏｌｉｖｅｔｔｉ Ｒｅｓｅａｒｃｈ Ｌａｂｏｒａｔｏｒｙ（ＯＲＬ）人脸图像库上得到了平均识别错误率为２．７５％的实验结果,这是目前在ＯＲＬ人脸图像数据库上所得到的最好的实验结果,并在南京理工大学ＮＵＳＴ６０３人脸图像库上得到平均识别错误率为０．９％,的实验结果,这些结果表明所提出的人脸图有效鉴别特征方法     

基于代数方法的图像特征抽取和识别

该文对文献（３）中的相似度计算了改进,用低维矩阵替代高维矩阵进行计算,先证明没有改变原有图像矩阵的相似度,然后用新方法和原方法解决一组人脸图像识别问题,实验结果表明,新方法大大减少了计算量,又能保持稳定的识别率,具有较高的识别效果。     

基于灰度突变特征结构的快速人脸检测

基于面向人脸的分析，按照将复杂背景中的人脸检测转化为对五官检测的思想，建立了以五官结构为检测特征的人脸检测模型。在进行了灰度突变点、灰度突变块，组件特征块等一系列特征标识的基础上，设计了以双眼结构为主索引特征的多步快速快速检测算法，实验结果显示，该算法具有良好的检测性能。     

一种新的代数特征抽取方法及人脸识别

特征抽取是图象识别中的一个最重要最基本的问题，代数特征抽取是一各肯效的特征抽取方法。该文给出了一种新的代数特征抽取方法。首先给出了图象矩阵特征矩阵的概念，再根据特征矩阵抽取代数特征，该文证明了这样抽取的代数特征具有一些重要的代数和几何不变性，作为一个应用，将此方法用于人脸识别，取得了很好的效果。