稀疏保持典型相关分析及在特征融合中的应用

稀疏保持投影(Sparsity preserving projections,SPP)由于保持了数据间的稀疏重构性,因而获取的投影向量满足旋转、尺度和平移的不变性,并能够在无标签的情况下提取样本的自然鉴别信息,在人脸识别领域取得了较为成功的应用.本文在典型相关分析(Canonical correlation analysis,CCA)的基础上引入稀疏保持项,提出一种稀疏保持典型相关分析(Sparsity preserving canonical correlation analysis,SPCCA).该方法不仅实现了两组特征集鉴别信息的有效融合,同时对提取特征间的稀疏重构性加以约束,增强了特征的表示和鉴别能力.在多特征手写体字符集与人脸数据集上的实验结果表明,SPCCA比CCA具有更优的识别性能.

基于核稀疏保持投影的典型相关分析算法

模式识别的技术核心就是特征提取,而特征融合则是对特征提取方法的强力补充,对于提高特征的识别效率具有重要作用。本文基于稀疏表示方法,将稀疏表示方法用到高维度空间,并利用核方法在高维度空间进行稀疏表示,用其计算核稀疏表示系数,同时研究了核稀疏保持投影算法(Kernel sparsity preserve projection,KSPP)。将KSPP引入到典型相关分析算法(Canonical correlation analysis,CCA),研究了基于核稀疏保持投影的典型相关分析算法(Kernel sparsity preserve canonical correlation analysis,K-SPCCA)。在多特征手写体数据库和人脸图像数据库上分别证实了本文提出方法的可靠性和有效性。

一种基于指数降维的监督型稀疏保持典型相关分析算法

提出一种基于指数降维的监督型稀疏保持典型相关分析算法.通过将样本的类别信息与样本特征相融合,克服以往引入监督信息导致重建误差增大的缺陷,同时实现类内相关的最大化与类间相关的最小化;针对传统算法处理稀疏信号的高维小样本问题的瓶颈,改进算法对总体散布矩阵做指数化的处理,既保留有效信息,又将总体散布矩阵非奇异化,克服PCA预处理散布矩阵导致有效信息流失的缺陷.依据ORL,Yale,AR和FERET人脸数据库而进行的仿真实验表明,该算法比其他的典型相关分析方法具有更好的识别效果.