二维线性大间距判别分析及其在步态识别中的应用

提出一种二维线性大间距判别分析(Two dimensional linear maximum margin discriminant analysis,2DLMMDA)的投影算法。该算法一方面采用了有效且稳定的大间距优化准则,引入了Laplacian矩阵,保持了特征矩阵的流形结构,且优化域为Laplacian类间散度与Laplacian类内散度之差,能克服Fisher准则带来的小样本问题;另一方面,采用了具有监督信息的判别分析,大大地提高了识别率。为了验证所提出的算法对特征提取的有效性,选择最近邻分类器进行特征分类,最后通过在CASIA(B)步态库上实验。实验结果表明,文中提出的算法具有更高的识别率和识别速度。

基于双向二维直接线性判别分析的人脸表情识别

提出基于双向二维直接线性判别分析的人脸表情识别新算法。新算法从水平和垂直两个方向对图像矩阵执行直接线性判别分析,从二维图像中提取图像协方差矩阵,降低特征维数,减少表示图像时所需要的系数及其存储空间。另外,不使用奇异值分解方法,便可得到图像协方差矩阵的特征向量,能够精确地估计图像协方差矩阵。在JAFFE人脸表情数据库中的试验结果表明,所提算法具有较高的识别率。

基于三维荧光光谱结合二维线性判别分析的油类识别方法的研究

油类污染严重威胁到自然环境及人类健康。因此,识别和处理油类污染非常重要。由于三维荧光光谱能够表征石油的荧光特征,故一般利用三维荧光光谱法检测溶液中存在的油类污染物。但油类的三维荧光光谱数据维度较高且直接分析的难度较大,因此可以利用数据降维方法提取原始油类样本的光谱特征,并利用所得到的光谱特征对样本进行识别。基于此,利用二维线性判别分析(2D-LDA)对油类样本进行特征提取,研究提取的不同样本光谱特征的差别,将得到的光谱特征作为K最近邻(KNN)分类的输入,得到相应的分类结果。首先,分别配制四种不同的油类(柴油、汽油、航空煤油、润滑油)样本各20个,共计得到80个油类样本;然后,利用FS920光谱仪采集所有油类样本的三维荧光光谱数据;其次,对采集到的光谱数据进行预处理,去除光谱中散射的干扰并标准化;最后,利用2D-LDA算法对样本进行特征提取,利用KNN算法进行分类,并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。研究结果表明,2D-LDA提取特征的分类效果优于PCA。利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%,而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。表明两类光谱相对于三维荧光光谱具有互补性,将发射和激发光谱特征相结合能够更好地对样本进行分类。而利用PCA对测试集识别的准确率仅为85%,表明2D-LDA对三维荧光光谱数据的特征提取效果更好。与PCA相比,2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征,使得同类样本尽可能接近,不同样本尽可能分离。因此,2D-LDA具有使降维后的数据更容易被区分的特点,故其鲁棒性好。该研究为油类的降维识别提供了一种参考。

基于子模式双向二维线性判别分析的人脸识别

针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析(Sub-pattern two-directional two-dimensional linear discriminant analysis,Sp-(2D)2 LDA)的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在ORL及Yale人脸库上的试验结果表明,Sp-(2D)2 LDA有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。

基于子模式行列方向二维线性判别分析特征融合的特征提取

针对人脸识别中表情和光照变化引起的面部变化、灰度不均匀等识别问题,提出一种基于子模式行列方向二维线性判别分析(Sp-RC2DLDA)的特征提取方法。该方法通过对原图像进行子模式分块处理,能有效提取图像的局部特征,减少表情、光照变化的影响,通过把相同位置的子图像组成子样本集,合理利用了子块间的空间关系,进一步提高了识别率;同时,对各个子样本集分别利用行方向二维线性判别分析(2DLDA)和列方向扩展2DLDA(E2DLDA)进行特征抽取,得到互补的行、列方向子图像特征,并分别把子图像特征组合成原图像的特征矩阵,然后利用一种特征融合方法对行、列方向特征矩阵进行有效融合,对互补的特征空间进行融合有效地改善了识别性能;最后采用最近邻分类器进行人脸识别实验。在Yale及ORL人脸库上的实验结果表明,Sp-RC2DLDA有效地减少了表情和光照变化的影响,具有较好的鲁棒性。

基于改进的双向二维线性判别分析的人脸识别

针对传统的二维线性判别方法提取出的人脸特征系数维数大的问题,提出一个改进的双向二维线性判别分析方法GB2DLDA。双向压缩类内和类间散布矩阵,用压缩后的散布矩阵构成两个Fisher鉴别准则函数,求出两个投影矩阵,然后人脸图像矩阵向投影矩阵投影,提取出特征系数。实验证明在相同识别率下,用此方法提取的特征系数维数明显少于其它二维线性判别分析方法。在选择合适的特征向量的情况下,此方法的识别率要好于其它二维线性判别分析方法。

改进的双边二维线性判别分析的手背静脉识别

针对双边二维线性判别分析(B2D-LDA:Bilateral Two-Dimensional Linear Discriminant Analysis)方法中多类类别均值和总体均值接近时难以分类的问题,提出了一种改进的B2D-LDA(MB2D-LDA:Modified B2D-LDA)方法,并将其运用到手背静脉特征提取中。重新定义了类间离散度矩阵,融入了每两类类间的距离,当类别均值与总体均值接近时,则用该类和其他各类类间距离组成离散度矩阵。采用基于欧氏距离的最近邻分类器进行匹配识别。结果表明,在不增加识别时间的情况下,MB2D-LDA平均识别率比B2D-LDA高2%,证明了该算法的有效性。

基于二维复判别分析的人脸识别研究

为了提高人脸正确识别率和效率,在行列方向的二维线性判别分析((2D)2LDA)基础之上,提出了一种二维复判别分析(2DCCDA)的人脸识别方法。该方法通过(2D)2LDA并行提取到的行和列特征矩阵,利用复二维鉴别式分析(C2DLDA)将行和列特征融合成复数特征矩阵,从复数特征矩阵中提取出最具分类能力的系数组成特征向量。相比较二维线性判别分析(2DLDA)和(2D)2LDA方法,2DCCDA需要更少的特征系数来表征一幅图像,并且正确识别率也相应提高。

基于加权双向二维线性判别特征的焊点检测算法

为克服现有自动光学检测(AOI)算法的缺陷,针对AOI的特点,对传统的双向二维线性判别方法进行改进,提出一种基于加权双向二维线性判别方法的焊点检测算法.在计算协方差矩阵时,对不同的类别以及类内不同的样本进行加权,从而提取更有判别力的特征.将改进后的算法应用于焊点检测,可实现对不同批次用料的自动分类.文中提出的算法检测速度可以满足实际需要,且与现有AOI系统中常用的图像对比算法和图像分析法相比,可以显著降低误报率.

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。

二维PCA非参数子空间分析的人脸识别算法

提出一种结合二维PCA(2DPCA)的二维非参数子空间分析(2DNSA)人脸识别算法。利用2DPCA对原始图像矩阵进行特征降维,以降维后的特征为训练样本,进行二维非参数判别分析,并综合考虑类边界样本对分类的影响,采用2DNSA实现更合理的特征提取。基于Yale、LARGE人脸数据库的实验结果表明,与(2D)2PCA、2DPCA、(2D)2LDA、2DLDA、2DPCA+2DLDA、2DNSA算法相比,该算法性能更优。

基于二维投影特征提取的人脸识别算法

基于线性投影的方法是目前人脸识别领域中重要的主流方法之一,在近年中得到了广泛的关注,取得了显著的发展。其中,基于一维线性投影的方法包括特征脸方法和Fisher脸方法等;基于二维线性投影的方法包括二维主成分分析和二维线性判别分析,以及它们的一系列拓展算法等。在此基础上,给出了一种基于二维矩阵的特征提取新方法。通过在ORL标准人脸库的实验表明,该算法与现有的方法相比在识别率和识别效率方面都有一定程度的提高,取得了比较理想的效果。

基于模糊C-均值聚类的小波分析人脸识别

提出了一种基于改进的模糊C-均值聚类分类器的不完全小波分析人脸识别方法。实验证明,该文提出的方法能够提高人脸识别率,降低了运行时间。

人脸与虹膜特征层融合模型的研究

多生物特征的融合与识别可提高身份识别系统的整体性能.本文在研究特征层融合的基础上,结合二维Fisher线性判别分析(2-Dimensional Fisher Linear Discriminant Analysis,2DFLD),提出了一种人脸与虹膜特征融合与识别模型.首先,对人脸图像与虹膜图像分别进行压缩降维处理,得到相应的初始特征矩阵.然后将人脸与虹膜的初始特征矩阵进行组合,获得组合特征矩阵.同时,利用2DFLD算法对组合特征矩阵进行融合,获得了人脸与虹膜的融合特征.最后运用最小距离分类器进行识别.基于ORL(Olivetti Research Laboratory)人脸数据库和CASIA(Chinese Academy ofSciences,Institute of Automation)虹膜数据库的实验结果表明,该模型实现了特征层融合,不仅克服了"小样本"效应,而且有效提高了身份识别的正确识别率,为多生物特征身份识别提供了一种有效模型.

一种基于模糊2DPLA方法在人脸识别的应用

利用模糊集的思想,并融合了二维化、主成分分析以及线性判别分析的优点提出一种基于模糊2DPLA的新方法.该方法将模糊集的概念融入到二维主成分分析和线性判别分析里面,然后在图像矩阵的水平方向和垂直方向分别使用嵌入模糊集的二维线性判别分析和二维主成分分析进行降维,从而使数据具有较好的鲁棒性和自适应性,最后采用基于矩阵的F-范数代替基于向量的2-范数进行分类度量.实验阶段,本文采用Yale Face Database B、ORL和FERET数据库进行测试.实验结果证明该方法具有较好的鲁棒性同时能够获得较高的识别率.

基于行列特征复融合的人脸识别

针对基于行列投影特征融合的二维线性判别分析中存在的问题,提出一种行列特征复融合的人脸识别算法。通过二维线性判别分析获得行和列的特征矩阵融合成一个复特征矩阵,从复特征矩阵重提取最具分类能力的系数组成特征向量。利用AT&T和AR人脸数据库对该算法进行性能测试,结果表明该算法具有较高的识别率。

一种基于广义2DLDA算法在人脸识别的应用

提出一种基于广义的2DLDA算法,简称:G2DLDA.首先,由于2DLDA算法提取的特征向量矩阵S-1wSb通常不是标准正交特征向量矩阵,因此该方法会严重影响特征提取的质量.本文根据Sw矩阵是对称正定的,即:具有Sw=S1/2w×S1/2w性质,将2DLDA算法的特征向量矩阵转化成基于标准正交特征向量矩阵,即:S-1/2wSbS-1/2w.其次,G2DLDA算法与2DLDA一样不会产生小样本事件,因为方程式S-1/2wSbS-1/2wv=λv的右端为单位矩阵,是满秩的.最后,G2DLDA算法采用基于Cosine-范数度量方式进行分类,实验证明该度量方式优于其他度量方式,如:欧氏距离度量方式以及F-范数度量方式.在实验阶段,本文采用Yale、ORL和JAFFE三个数据库对该算法进行测试与分析,实验结果证明该算法具有较好的鲁棒性,同时能够获得较高的识别率.

基于HOG多特征融合与随机森林的人脸识别

针对人脸识别在复杂环境下识别率低的问题,提出了一种基于梯度直方图(HOG)多特征融合与随机森林的人脸识别方法。该方法通过HOG特征描述子对人脸进行特征提取。首先以网格作为采样窗在整个人脸图上进行整体HOG特征的提取,并将人脸图像分成均匀子块,在包含有人脸关键部分的子块中提取局部HOG特征。然后通过二维主成分分析(2DPCA)和线性判别分析(LDA)对整体和局部特征进行降维,并进行特征层融合形成最终分类特征,最后通过随机森林分类器对其进行分类。FERET人脸库、CAS-PEAL-R1人脸库、真实场景人脸库实验表明,该方法对光照具有鲁棒性,且有较高的识别率和较短的识别时间。

融合2DDCT、2DPCA和2DLDA的人脸识别方法

二维主分量分析(2DPCA)是人脸识别中的一种非常有效的特征提取方法。二维线性判别(2DLDA)方法具有很好的分类效果。在研究这两种理论的基础上提出一种基于2DDCT(二维离散余弦变换)与2DPCA+2DLDA相结合的人脸识别方法,并在0RL人脸库上分别对单一的方法与相融合的方法进行识别比较研究。实验结果表明,提出的方法不仅提高了识别率,而且减少了训练与分类时间。

一种基于双向模块2DLDA的人脸识别方法

针对人脸识别中的特征抽取问题,对原始的二维线性判别分析(2DLDA)算法进行改进,提出了一种基于双向模块2DLDA的人脸识别算法。首先对原始图像进行模块化处理,然后分别从行和列2个方向上实施2DLDA变换,最后通过可调幂因子最近邻分类器进行特征分类,完成人脸识别。该方法不仅有效的利用人脸的局部特征信息、降低光照对人脸的影响,而且显著降低了人脸图像特征的维数。在ORL人脸库以及Yale人脸库中的实验结果表明,提出的人脸识别方法具有较好的人脸识别性能。