一种模糊双向最大间距准则人脸识别方法

研究提出一种模糊双向最大间距准则(fuzzy bidirectional maximum margin criterion,FBMMC)特征提取方法,并将其用于人脸识别。在FBMMC中,首先通过引入原始训练样本集的模糊隶属度矩阵,定义了面向图像的行方向模糊离散度矩阵和行方向模糊最大间距准则,进一步求得行方向最优投影矩阵;然后,对原始训练样本集中的每一个样本,采用行方向最优投影矩阵进行投影变换,从而得到行方向特征训练样本集。同样地,通过引入行方向特征训练样本集的模糊隶属度矩阵,给出了面向图像的列方向模糊离散度矩阵和列方向模糊最大间距准则的定义,进一步求得列方向最优投影矩阵。FBMMC在得到行、列两个方向的最优投影矩阵后,就可以将原始数据空间的样本数据投影到一个相对低维的特征空间,从而完成对原始样本数据的特征提取。在ORL和Yale人脸数据库上的实验结果表明,文中提出的模糊双向最大间距准则特征提取方法用于人脸识别具有较高的识别率。

基于MMC与CV模型的苗期玉米图像分割算法

针对苗期玉米田复杂土壤背景噪声,提出一种基于MMC(最大间隔准则)与CV(Chan-Vese)模型的玉米彩色图像分割算法。利用MMC对玉米彩色图像灰度化,用TV(全变分)滤波器对灰度图像进行去噪,用CV模型对去噪图像进行图像分割。试验结果表明,算法优于传统的颜色因子与Otsu组合算法,能有效去除图像中的小杂草和青苔,实现玉米目标提取,错分率为4.32%,漏分率为9.69%,相似度为86.57%。

一种基于核最大间距准则的硬件木马检测新方法

在功耗旁路信号统计模型的基础上,提出了一种基于核最大间距准则的硬件木马检测方法及改进的检测方法.将原始功耗旁路信号映射到高维空间,使其具有更高的可分性,然后再投影到低维子空间,从而发现原始数据中的非线性差异特征,实现功耗旁路信号的非线性特征提取与识别.针对AES加密电路中木马电路的检测实验表明,该方法测得超出检测边界的样本数(792)多于Karhunen-Loève变换(400),取得更好的检测效果.

基于双向二维最大间距准则的局部放电灰度图像特征提取

针对高压交联聚乙烯电力电缆中间接头绝缘缺陷的辨识问题,提出一种局部放电灰度图像特征提取的双向二维最大间距准则方法,对获取的局部放电灰度图像从水平和垂直2个方向进行投影,得到了不同类别灰度图的鉴别矢量,选用最近邻分类器进行局部放电分类,以辨识电缆中间接头出现的不同绝缘缺陷。该方法解决了局部放电灰度图像特征提取维数大、识别样本少的难题。在对实验室4种典型电缆接头绝缘缺陷产生的PD信号进行对比辨识表明,其局部放电特征提取的速度和绝缘缺陷的识别率优于常用的主成分分析或Fisher鉴别分析方法。

具有模糊聚类功能的双向二维无监督特征提取方法

依据最大间距判别准则(Maximum margin criterion,MMC)的基本原理,并结合模糊技术和张量理论,提出一种矩阵模式的模糊最大间距判别准则(Matrix model fuzzy maximum margin criterion,MFMMC),并在此基础上形成具有模糊聚类功能的双向二维无监督特征提取方法(Two-directional two-dimensional unsupervised feature extraction method with fuzzy clustering ability,(2D)2UFFCA).该方法不但能直接实现矩阵模式数据的模糊聚类,而且还可以对矩阵模式数据进行双向二维特征提取,实现特征降维.同时我们还从几何的直观含义出发,合理地设定矩阵模式的模糊最大间距判别准则中的调节参数γ,并从理论上证明其合理性.为了提高特征提取的效率,还提出一种能有效计算矩阵模式数据的投影变换矩阵的方法.实验结果表明该方法具有上述优势.

一种新的基于MMC和LSE的监督流形学习算法

针对局部样条嵌入算法(Local spline embedding,LSE)存在样本外点学习和无监督模式学习问题,本文提出了一种新颖的正交局部样条判别投影算法(O-LSDP).该算法通过引入明确的线性映射关系,构建平移缩放模型,以及正交化特征子空间,从而使该算法能够应用于模式分类问题并显著改善了算法的分类识别能力.在标准人脸数据库和植物叶片数据库上的实验结果验证了该算法的有效性与可行性.

基于最大间距准则(MMC)新的有效特征提取方法

基于最大间距准则(Maximum Margin Criterion,MMC)下,提出一组具有标准正交性的最佳鉴别矢量的计算方法和一组具有统计不相关性的最佳鉴别矢量的计算方法。这种方法的目的是寻求一组最佳鉴别矢量既要使投影变换后的特征空间的类间散度最大,而类内散度最小;又要减小最佳鉴别矢量间的统计相关性。与原MMC特征提取方法相比,新的特征提取方法降低了甚至消除了最佳鉴别矢量间的统计相关性,提高了识别率。通过分别在ORL人脸库和NUST603人脸库上实验结果表明提出的具有统计不相关性的MMC特征提取方法在识别率方面整体上好于原MMC特征提取方法和常用的主成分分析(PCA)法。另外,揭示了MMC准则特征提取与Fisher准则特征提取的内在关系。

基于稀疏保持判别嵌入的人脸识别

最近,人们对高维数据(例如人脸图像)潜在的稀疏表征结构有很大兴趣。提出一种称为稀疏保持判别嵌入(SPDE)新降维算法,该算法在稀疏保持投影(SPP)的目标函数中增加了改进的最大间距准则(MMMC)。SPDE保留了SPP的保持稀疏结构特性,利用了MMMC的全局判别结构。SPDE合并了稀疏准则和Fisher准则,具有更强的判别力,尤其训练集小的时候,更适合于人脸识别任务。SPDE能够自然地避免小样本问题并且计算是有效的。在3个公共人脸数据库(ORL、Yale以及FERET)上的实验结果表明SPDE对人脸识别是有效的和可行的。

分块MMC及其在人脸识别中的应用

用最大间距准则(Maximum Margin Criterion,MMC)算法进行特征提取时,提取的是全局的特征,对局部的特征不能有效地抽取。因此,对MMC算法进行改进,提出一种基于分块MMC(Modular Maximum Margin Criterion,MMMC)的人脸识别方法。首先对图像矩阵进行分块,然后对分块后的矩阵进行MMC特征抽取,对每一子块抽取的特征进行整体融合,最后采用最近邻判决准则进行分类识别。在ORL、Yale人脸图像库进行的实验结果表明,新算法相比于MMC算法有更好的识别性能。

基于最大间距MFA的鉴别分析

针对边界Fisher分析(MFA)所面临的小样本问题,本文基于最大间距准则(MMC),提出了一种基于最大间距的边界Fisher分析(MMMFA)算法。该方法利用描述类间数据可分性的相似度矩阵与描述类内数据紧致性的相似度矩阵之差作为鉴别准则,从而避免了MFA鉴别分析所遇到的小样本问题。然后探讨了本文算法与传统的线性降维算法,如PCA、LDA和LPP算法之间的联系。理论分析表明,PCA、LDA和LPP算法都是本文算法的特殊情况。另外,为了进一步提高本文算法的运行效率,提出了一种基于QR分解的MMMFA求解算法。在ORL和Yale人脸数据库上的实验表明,MMMFA算法性能明显优于PCA、LDA、LPP和MFA等算法。

基于大间距准则的不相关保局投影分析

局部保持投影(Locality preserving projections,LPP)算法只保持了目标在投影后的邻域局部信息,为了更好地刻画数据的流形结构,引入了类内和类间局部散度矩阵,给出了一种基于有效且稳定的大间距准则(Maximum margin criterion,MMC)的不相关保局投影分析方法,该方法在最大化散度矩阵迹差时,引入尺度因子α,对类内和类间局部散度矩阵进行加权,以便找到更适合分类的子空间并且可避免小样本问题;更重要的是,大间距准则下提取的判别特征集一般情况下是统计相关的,造成了特征信息的冗余,因此,通过增加一个不相关约束条件,利用推导出的公式提取不相关判别特征集,这样做,对正确识别更为有利.在Yale人脸库、PIE人脸库和MNIST手写数字库上的测试结果表明,本文方法有效且稳定,与LPP、LDA(Linear discriminant analysis)和LPMIP(Locality-preserved maximum information projection)方法等相比,具有更高的正确识别率。

基于二维局部保持鉴别分析的特征提取算法

提出了一种二维局部保持鉴别分析(Two-dimensional Locality Preserving Discriminant Analysis,2D-LPDA)特征提取算法。该算法直接对图像矩阵进行运算而不需要将矩阵转化为向量后进行运算,较好地保持了图像相邻像素之间的空间结构关系;在LPP算法的基础上,利用训练样本的类别信息计算二维类间散度矩阵和二维类内散度矩阵,并在2D-LPDA的目标函数中引入最大间距准则(Maximum Margin Criterion,MMC),从而求得具有良好鉴别能力的投影向量,同时还避免了小样本情况下矩阵的奇异性问题。通过在ORL人脸图像库上的人脸识别和新生儿面部图像库上的疼痛表情识别实验,验证了所提出的算法的有效性。

基于最大间距准则的局部图嵌入特征提取方法

针对局部线性嵌入(LLE)算法和最大间距准则(MMC)算法在特征提取问题中存在不足,提出一种有效的数据降维和分类方法——基于最大间距准则的局部图嵌入特征提取算法,并将其应用在人脸识别上.该算法在保持近邻的前提下,分别构造类内紧致图和类间惩罚图.首先在类内紧致图中利用线性重构的局部对称性找出高维数据空间中的非线性结构,使同类样本尽可能地聚集在一起;然后在类间惩罚图中使不同类别的样本尽可能分离;为了避免"小样本"问题,采用MMC的形式构造目标函数.在ORL,Yale和AR人脸图像库进行实验的结果表明,文中算法相对于DLA和LLE+LDA算法有较好的识别性能.

基于对称最大间距准则的人脸识别方法

在最大间距准则算法中引入对称性思想,提出了基于对称最大间距准则(SMMC)的人脸识别算法。该算法首先引入镜像变换,将人脸图像生成镜像图像。依据奇偶分解原理,把人脸图像分解成镜像奇、偶对称图像。然后分别对奇偶对称图像进行最大间距准则,提取所需的鉴别特征。在ORL和Yale标准人脸库上的实验结果表明,该算法通过利用镜像变换扩大了样本容量,发挥了最大间距准则算法的优点,提高了人脸识别率。

基于奇异值分解和判别局部保持投影的多变量时间序列分类

针对现有多变量时间序列分类算法存在的要求序列等长和忽视类别信息两个不足,提出基于奇异值分解(SVD)和判别局部保持投影的分类算法。该算法基于降维思想,先通过SVD将样本的第一右奇异向量作为特征向量,以此将不等长序列转化为规模大小相同的序列;接着采用基于最大间距准则的判别局部保持投影对特征向量投影,充分利用类别信息以确保投影后同类样本尽量接近,异类样本尽量分散;最后在低维子空间采用1最近邻(1NN)、Parzen窗、支持向量机(SVM)和朴素Bayes分类器进行分类。在Australian Sign Language(ASL)、Japanese Vowels(JV)和Wafer三个公开的多变量时间序列数据集上进行的实验结果表明:在时间开销基本不变的前提下,所提方法取得了较低的分类错误率。

基于加权邻域极大边界准则的人脸识别

极大边界准则是近年来提出的一种有监督的线性空间降维方法,该方法通过求解一般的特征方程来获得最优的特征向量,不用计算高维矩阵的逆,克服了特征提取中遇到的小样本问题。然而,极大边界准则只选择数据的全局结构,忽略了数据局部几何结构,而在人脸识别中,数据的局部几何结构起着非常重要的作用。针对极大边界准则这一局限性,提出了一种新的极大边界准则算法。该方法选择数据的邻域点最优重构系数用在目标函数中,保留了数据的局部几何结构,从而在低维空间中提取出更好的分类特征。本文还将该方法用在人脸识别中,通过在两个数据库中的实验,证明了其较主成分分析法,线性判别式方法以及平均邻域极大边界准则算法具有更好的识别性能。

单训练样本条件下的人脸识别算法研究

由于主成分分析法和线性判别分析法等传统方法对单训练样本的识别能力弱,甚至直接失效。本文提出了二维小波变换与矩阵的最大间距准则或矩阵的线性判别分析相融合的人脸特征提取算法。即首先将原图像进行三层二维小波变换,然后对每层的近似分量分别进行最大间距准则或线性判别分析处理,最后用欧氏距离判别。在ORL人脸数据库上取得的实验结果表明,本文提出的算法能够提高单训练样本条件下的人脸识别率,同时也满足实时性要求。

一种新的基于最大边缘准则的监督流形学习方法

在深入研究局部样条嵌入算法(LSE)的基础上,引入明确的线性映射关系,构建平移缩放模型和正交化特征子空间,提出了一种正交局部样条判别投影算法(O-LSDP),有效解决了原始LSE算法存在的两个主要问题:样本外点学习问题和无监督模式学习问题。该算法能够应用于模式分类问题并显著改善算法的分类识别能力。在标准人脸数据库上进行的实验比较分析验证了该算法的有效性与可行性。

基于语境距离度量的拉普拉斯最大间距判别准则

线性拉普拉斯判别准则(Linear Laplacian discrimination,LLD)作为一种非线性特征提取方法得到了较为成功的运用.然而通过分析得知在具体使用LLD方法的过程中还会面临小样本以及如何确定原始样本空间类型的问题.因此,本文引入语境距离度量并结合最大间距判别准则的基本原理提出一种基于语境距离度量的拉普拉斯最大间距判别准则(Contextual-distance metric based Laplacian maximum margin criterion,CLMMC).该准则不但在一定程度上避免小样本问题,而且由于语境距离度量更关注输入样本簇内在的本质结构而不是原始样本空间的类型,从而降低了该准则对特定样本空间的依赖程度.同时通过引入计算语境距离度量的新算法并结合QR分解的基本原理,使得CLMMC在处理高维矢量模式数据时更具适应性和效率.并从理论上讨论CLMMC准则具有的基本性质以及与LLD准则的内在联系.实验证明CLMMC准则具有上述优势.

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.