优化的近邻保持嵌入算法在人脸识别中的应用

为验证优化的近邻保持算法(ONPE)在人脸识别中的应用价值,在NPE算法基础之上,ONPE对数据类内和数据类间的信息分别进行了优化,以使在低维重建时同一数据类间相互靠拢,不同数据类间相互分离。将ONPE算法应用于手工流形和Fery face人脸库进行实验。结果表明:在样本点不足且不连续的情况下,ONPE可以对手工流形有很好的降维效果,并且对人脸表情数据也有很好的识别分类效果。因此,优化的近邻保持嵌入算法具有较强的实用性和有效性。

面向三维机加工艺设计的倾斜平面映射去除体的方法研究

为了满足三维机加工艺设计系统能够处理倾斜平面的要求,提出倾斜平面映射相应去除体的算法流程。对倾斜平面的几何特性进行了分析总结,依据倾斜平面所关联相邻面的特性,将其分为开放相邻面组和封闭相邻面组两种类型,并提出判断倾斜平面类型的算法;基于几何推理方法,提出识别倾斜平面相邻面组的算法流程;通过延展相邻面或者创建虚拟平面的方法获取倾斜平面对应的加工去除体。基于所提出的算法流程,开发了功能模块,通过实例验证了该方法的有效性。

基于2D-PCA特征描述的非负权重邻域嵌入人脸超分辨率重建算法

在基于邻域嵌入人脸图像的超分辨率重建算法中,训练和重建均在特征空间进行,因此,特征选择对算法性能具有较大影响。另外,算法模型对重建权重未加限定,导致负数权重出现而产生过拟合效应,使得重建人脸图像质量衰退。考虑到人脸图像的特征选择以及权重符号限定的重要作用,该文提出一种基于2维主成分分析(2DPCA)特征描述的非负权重邻域嵌入人脸超分辨率重建算法。首先将人脸图像分成若干子块,利用K均值聚类获得图像子块的局部视觉基元,并利用得到的局部视觉基元对图像子块分类。然后,利用2D-PCA对每一类人脸图像子块提取特征,并建立高、低分辨率样本库。最后,在重建过程中使用新的非负权重求解方法求取权重。仿真实验结果表明,相比其他基于邻域嵌入人脸超分辨率重建方法,所提算法可有效提高权重的稳定性,减少过拟合效应,其重建人脸图像具有较好的主客观质量。

一种新的广义最近邻方法研究

本文在仿生模式识别理论的指导下 ,推广了传统的最邻近方法 ,提出一种新的广义最近邻方法 .该方法利用同类样本间的连续性规律 ,增加了样本点个数 .再通过由多个超球体的并所形成的几何形体 ,覆盖可能的样本点 .将这一方法用于人脸识别仿真实验 ,实验结果表明该方法是有效可行的 .

l_1范数最近邻凸包分类器在人脸识别中的应用

l1范数作为重要的距离测度,在模式识别中有着较为广泛的应用。在不同的范数定义下,相同分类机理的分类算法一般会有不同的分类效果。本文提出l1范数下的最近邻凸包人脸识别算法。该算法将最近邻凸包分类算法的范数定义由l2范数推广到l1范数,以测试点到各训练类凸包的l1范数距离作为最近邻分类的相似性度量。在ORL标准人脸数据库上的验证实验中,该方法取得了良好的识别效果。

基于改进的等距离映射算法的人脸识别

针对等距离映射(Isomap)算法在处理扰动图像时拓扑结构不稳定的缺点,提出了一种改进算法。改进算法将图像欧氏距离(IMED)嵌入到等距离映射算法之中。首先引入坐标度量系数计算图像的坐标度量矩阵,通过线性变换将原始图像从欧氏距离(ED)空间转换到图像欧氏距离空间;然后计算变换空间中样本的欧氏距离矩阵,并在此基础上构建样本邻域图,得到近似测地距离矩阵;最后采用多维标度(MDS)分析算法构造样本的低维表示。对ORL和Yale人脸数据库降维并结合最近邻分类器进行实验,基于改进算法的识别率平均分别提高了5.57%和3.95%,表明与原算法相比,改进算法在人脸识别中对图像扰动具有较好的鲁棒性。

基于ASM和K近邻算法的人脸脸型分类

针对人脸特征分类问题,提出一种基于主动形状模型(ASM)和K近邻算法的人脸脸型分类方法。将Hausdorff距离作为K近邻算法的距离函数,利用ASM算法提取待测图像的特征点,对点集进行归一化后计算人脸轮廓特征点与样本库中所有样本点集的Hausdorff距离,根据该距离值,通过K近邻算法实现待测图像的脸型分类。实验结果证明,该方法分类正确率高、速度快、易于实现。

基于核的最近邻特征重心分类器及人脸识别应用

本文提出核最近特征线和特征面分类器,可直接对高维人脸图像进行识别。为解决计算量大和可能失效的问题,提出(核)最近特征重心和(核)最近邻特征两种解决方法,前者降低了计算特征线和面距离的复杂度,后者减少了特征线和面的数目,两种方法均避免了可能失效的问题。将二者结合得到的(核)最近邻特征重心分类器,在获得相近识别率的条件下,使计算复杂度降到了最小。所得方法无需预先抽取人脸图像特征,因此避免了在较多样本数时,特征抽取存在计算量大的问题。基于ORL人脸数据库的实验验证了本文方法的有效性。

近邻样本协作表示的人脸识别算法

在Gabor特征空间,根据相关系数寻找测试图像的近邻样本,并用这些近邻样本构造完备的冗余字典,从而提出一种基于Gabor特征的近邻样本协作表示的人脸识别算法.在l2范数约束下,利用可变厚度的紧致字典对测试图像进行稀疏表示,根据稀疏系数逐类计算重构图像和测试图像之间的误差,并判断测试图像所属类别.该算法在FERET、ORL和AR数据上进行了无遮挡测试,在AR库上进行了有遮挡测试.实验结果表明,无论有无遮挡,识别速度和识别率都得到了明显改善.

WTPCA和三阶近邻的人脸识别算法仿真

目前,存在大量的人脸识别算法和人脸库,如何选择分类算法,如何选择训练集,成为人脸识别的一个关键问题。针对小波变换和主元分析的人脸识别算法,在Matlab6.5平台上,通过大量的仿真实验,根据计算速度和识别率得出,三阶近邻分类优于欧几里德分类,选择ORL人脸库的前8幅图像作为训练集优于其他情况。实验得出了最优情况下的特征脸库,及测试图像用平均脸图像和特征脸图像的线性表示。在人脸识别领域具有很强的应用价值。

综采工作面初采期局部高抽巷瓦斯治理效果分析

以开元煤矿9801综放工作面为研究对象,针对综放工作面初采期瓦斯频繁超限的问题,结合工作面上覆煤岩层覆存状态及采动破断规律,提出了9801综放工作面初采期局部高抽巷布置方案:局部高抽巷分为初采倾向高抽巷段、走向高抽巷段和辅助倾斜高抽巷段3段,顺序联结成抽采系统;初采倾向高抽巷段布置在6号煤层中,至开切眼水平距离为15 m;走向高抽巷段布置在3号煤层中,至工作面的垂直距离为43 m,与回风巷的距离为4 m。现场实际应用表明:回风瓦斯体积分数控制在0.6%左右,尾巷瓦斯体积分数控制在1.4%左右,较好地解决了9801综放工作面初采期瓦斯超限断电问题。

基于子空间样本选择的最近凸包分类器

最近邻凸包分类器需要求解测试样本到训练集凸包距离的凸二次规划问题,对于训练集规模较大的情况,有必要在分类之前进行适当的样本选择。为此该文提出基于子空间样本选择的最近凸包分类方法。该方法首先采用子空间样本选择算法对训练集样本进行筛选,然后将各类选出的样本作为最近邻分类器的新的训练集。子空间样本选择方法的原理是在一类训练样本集内,迭代选择距离已选样本张成子空间最远的样本。在MIT-CBCL人脸识别数据库的training-synthetic子库的实验中,该方法只需5.6%的训练样本即可取得100%的识别率,并且执行时间较未经选样的最近邻凸包分类器也大为减少。

一种融合聚类的监督局部线性嵌入算法研究

监督局部线性嵌入算法(SLLE)通过数据点的标签信息进行高维数据在低维特征空间的映射,针对SLLE在均匀化高维数据的分布和最小化重构代价时,忽略类内偏离总体分布的稀疏离散数据在线性重构过程中可能错误地投影在其他超平面的情形,引入Kmeans++算法调整样本间距离,进行最优近邻点的选择,从而更有效地反映数据在高维空间中的实际分布,使降维后的数据具备更好的可分性。通过ORL以及Yale人脸数据集上的仿真实验,结果显示,该方法具有更强的泛化能力及更高的识别率。

一种快速的基于稀疏表示分类器

基于稀疏表示的分类器(sparse representation-based classifier,SRC)被证实是一种非常有效的分类器.但SRC往往要通过一个超完备基来求得测试样本的稀疏表示,当数据库的数据量较大时,算法的计算复杂度成为限制其优良性能的瓶颈,致使SRC无法用于实时识别.针对该问题,提出一种简便有效的改进算法,其试图寻求一个较小的超完备基来计算测试样本的稀疏表示,从而大大的缩减算法的计算复杂度.具体来说,对于每个测试样本点,首先,求出该测试样本点可能归属的类别,而后利用可能归属类的样本而并非所有的训练样本来对测试样本进行稀疏表示计算.ORL人脸库和FERET人脸库上的实验结果表明改进算法不仅能较大程度的缩减算法的计算复杂度,而且排除了干扰类的影响,从而在某种程度上提高了算法的识别率.

一个新的基于最近邻分类的人脸识别类器

在人脸识别技术中,传统的最近邻分类器(NNC)是最重要的分类器之一,它直接利用测试样本与有训练样本的最小距离进行分类.文章在最近邻分类基础上提出了一个基于最近邻分类人脸识别分类器,利用同一类训练样本的线性组合来表示测度样本,通过计算测试样本到同类训练样本与对应系数乘积的距离进行分类.试验样本来自ORL人脸数据库,试验结果表明文章方案的识别效果优于传统的NNC分类器及其扩展方案CNNC.

自适应加权局部相位量化的人脸识别

针对局部相位量化(LPQ)方法描述图像特征时不能对各个子图像不同的贡献率加以区分的问题,提出了一种自适应加权局部相位量化(AWLPQ)的人脸识别方法。首先对人脸图像进行分块并在每个子图像上进行LPQ特征提取,然后将信息熵作为衡量各个子图像对整体人脸描述的贡献度的依据,对每个子图像进行自适应加权。在FERET数据库上进行的实验表明AWLPQ具有较好的识别性能。随后针对AWLPQ中存在的高维向量问题,作了进一步分析,引入了近邻保持嵌入(NPE)的流形算法进行降维,提出了AWLPQ-NPE方法。实验结果表明该方法具有很好的鲁棒性和识别性能。

基于DCT和KDA的人脸特征提取新方法

提出了一种新的人脸特征提取方法,该方法采用DCT对人脸图像进行降维和去噪,并通过KDA提取人脸特征。基于该特征,采用NN分类器,对ORL人脸库进行分类识别,仅用28个特征平均识别率就达到97.3%,“留一法”识别率为99.5%。仿真结果表明:该方法有效地滤除了人脸图像中的高频干扰信息,明显增强了特征的辨别能力,同时显著地降低了特征维数和计算复杂度。

一种相似性学习算法及其在人脸识别中的应用

传统的支持向量机相似性学习算法在构造样本对时,会考虑所有的原始训练样本,致使样本对空间和原样本空间呈平方关系,而过多的训练样本对会降低训练速度。为此,提出一种改进的支持向量机相似性学习算法,并应用到人脸识别中。引入二元样本对方法构造样本对,采用K近邻算法减少不相似样本对的生成,从而加快支持向量机的训练速度,同时使用随机降维方法来降低人脸数据的维数。实验结果表明,与基于差空间样本对和差绝对值样本对的算法相比,该算法可获得更高的识别率。

基于K近邻稀疏编码均值约束的人脸超分辨率算法

针对低分辨率、低质量人脸图像的超分辨率重建问题,提出了一种基于K近邻稀疏编码均值约束的人脸超分辨率算法。首先,根据人脸块位置先验信息,对训练样本图像块进行聚类,得到与输入人脸图像块位置一致的高、低分辨率稀疏表示字典对;然后,利用低分辨率字典,在稀疏和K近邻稀疏编码均值的共同约束下实现低分辨率图像块的稀疏表示;最后,通过系数映射,结合高分辨率字典实现高分辨率图像块重建,最终将所有高分辨率图像块进行交叠平均得到高分辨率人脸图像。实验结果验证了算法的有效性及先进性。本方法在保持重建人脸图像相似度的基础上,改善了人脸图像的清晰度,提高了超分辨率图像的质量。

基于超球支持向量机的多姿态协同人脸检测

针对多姿态的人脸检测准确度差的问题,提出了一种多姿态的协同人脸检测模型。该模型由一组超球支持向量机组成,它们被分成三层:第一层1个、第二层3个、第三层9个,共13个支持向量机(SVM)。这些SVM按逐层精细化检测设计,协同完成人脸检测任务。因为一幅图像的大部分区域是非人脸,采用三层模型的设计一方面能提高人脸检测速度,另一方面也增强了检测的针对性,使得能逐层履行更精细的局部区域检测。另外,改进了k近邻(kNN)算法,使其能用于超球重叠样本的检测,并提高了人脸检测的准确度。实验结果表明,相对于传统基于SVM的人脸检测,所提算法在人脸检测的准确率上有5%左右的提升,通过逐层过滤,保证了人脸检测的速度。