完备鉴别保局投影人脸识别算法

为了充分利用保局总体散布主元空间内的鉴别信息进行人脸识别,提出了一种完备鉴别保局投影(complete discriminant locality preserving projections,简称CDLPP)人脸识别算法.鉴于Fisher鉴别分析和保局投影已经被广泛的应用于人脸识别,完备鉴别保局投影(locality preserving projections,简称LPP)算法将这两者结合起来,分析了保局类内散布、类间散布和总体散布的主元空间和零空间内包含的鉴别信息.该算法采用奇异值分解(singular value decomposition,简称SVD),去除了不含任何鉴别信息的保局总体散布的零空间;分别在保局类内散布的主元空间和零空间提取规则鉴别特征和不规则鉴别特征;用串联的方式在特征层融合规则鉴别特征和不规则鉴别特征形成完备的鉴别特征进行人脸识别.在ORL库、FERET子库和PIE子库上的大量识别实验充分表明了完备鉴别保局投影算法的性能优于线性鉴别分析、保局投影和鉴别保局投影等现有的子空间人脸识别算法,验证了算法的有效性.

随机采样子空间保局投影人脸识别算法

针对单一保局投影(LPP)算法分类识别能力弱的问题,提出了一种随机采样子空间保局投影算法(RSSLPP)。该算法在对训练样本的主元子空间进行随机采样的基础上,利用保局投影得到了多个既有差异且又互补的保局投影子空间,测试样本被分别投影到这些保局投影子空间上,然后利用最近邻分类器进行分类识别。最后,根据多数投票原则融合多个子空间上的分类结果来确定样本所属类别。在FERET人脸图像子库上的实验表明:随机采样子空间保局投影算法的性能明显优于Eigenface、Fisherface、保局投影和鉴别保局投影等算法;和保局投影算法相比,本文所提出的方法人脸识别精度提高了10%以上。结果表明,随机采样子空间保局投影算法有效地融合了各LPP投影空间的互补信息,可以显著地提高人脸识别精度。

保局投影算法的优化研究

保局投影算法的基础是构造一个模拟图像局部结构的最近相邻图,但该最近相邻图并不总能够准确表示图像的流形结构,该文提出了一种基于保局投影的迭代保局投影优化算法。该方法可以不断地迭代更新保局投影算法的最近相邻图,最近邻图的构成直接影响到保局投影算法的性能,因此,优化后的最近相邻图可以更好地表示出图像的流形结构。从而可以得到更佳的降维映射。对该算法与PCA及LPP的图像检索效果进行实验比较,结果表明,该算法可以获得更好的效果。

基于2维保局投影的人脸识别

特征提取是人脸识别的一个重要研究领域,能否有效地提取判别特征是决定人脸识别算法好坏的关键。一般的人脸识别算法都是基于图像向量的,需要将2维人脸图像压缩成1维向量,这不仅破坏了像素之间原有的空间结构关系,而且转换后的向量维数过高。为了避免这种情况,提出了一种直接基于图像矩阵的人脸识别算法——2维保局投影算法。由于该算法是在保局投影的基础上进行扩展,使其可以直接面向2维图像矩阵进行处理,同时在构建相似矩阵的时候引入了样本类别信息,因而可有效地提取人脸图片的2维判别特征。另外还采用最小近邻分类器估算识别率。在AT&T人脸库的实验结果表明,与Eigenface、Fisherface以及Laplacianface算法相比,该方法具有较好的识别率。

基于双向压缩二维保局投影的人脸识别方法

二维保局投影(2DLPP)只在图像的横向进行数据压缩,提取的特征维数较高,针对该问题,结合二维保局投影和可选的二维保局投影,提出双向压缩二维保局投影((2D)2LPP)算法。该算法从横向和纵向2个方向实施2DLPP,使图像的横向和纵向的维数都得到有效的约简。实验结果表明,(2D)2LPP在识别率和识别时间上都优于2DLPP和A2DLPP。

嵌入保局投影及在表情识别中的应用

提出了一种基于嵌入保局投影的人脸表情识别方法,称之为ELPP。通过降维处理,ELPP不仅保留邻空间的局部结构信息,通过样本化的图像嵌入处理,还保留了嵌入空间的数据信息,这样可从原始表情数据中提取更多更有效更具判决性的表情特征信息。基于JAFFE和CED-WYU两个表情数据库的识别结果表明,基于ELPP的特征提取方法能有效地改善识别效果。

有监督图优化保局投影

研究了保局投影中近邻图的构造及更新问题,提出了一种有监督图优化保局投影(SGoLPP)特征提取方法,并应用于人脸识别。不同于传统的保局投影(LPP)算法预先设定权值矩阵并通过一次优化求解投影矩阵,SGoLPP将权值矩阵作为学习项引入到目标函数,通过交替迭代更新逐步获得最优权值矩阵和最优投影矩阵。同时,通过引入类别信息,始终对同类样本点对的权值进行更新,有效地抑制了异类样本的干扰。在UCI模拟数据集上,SGoLPP在较少的迭代次数下获得了更好的聚类和分类效果。在Yale,UMIST和CMU PIE人脸库上,SGoLPP的平均识别率比LPP、有监督保局投影(SLPP)和图优化保局投影(GoLPP)分别高出26.6%、4.8%和8.8%。实验显示本文提出的SGoLPP算法在样本可分性与鲁棒性方面具有优势,可有效地提取人脸特征。

基于保局投影的相关反馈算法

在原有保局投影算法中引入用户反馈,用其更新构建降维映射的特征向量,从而得到一个更能够反映语义属性的图像表示子空间.该算法利用用户反馈迅速优化图像表示,使它具有长期学习的能力.实验结果表明:该算法可以提高检索的准确度,而且在经过长期学习后可以获得一个近似最优的图像降维子空间.

保局投影算法在图像检索中的应用研究

对国际上近来提出的保局投影(LPP)算法在图像检索中的最新应用研究进行了详细介绍;分析指明了几种基于LPP的图像检索算法的特点;设计并完成了基于LPP的图像检索算法图像检索效果的比较实验;最后根据实验结果总结了各类算法的优缺点。

基于保局投影与自组织映射的风电机组故障预警方法

针对大型风电机组运行工况和状态信息复杂,难以实现故障早期预警的问题,提出基于局部保持投影(LPP)和自组织映射的故障预警方法。该方法充分考虑机组健康状态特征的高维、非线性特点,采用LPP算法实现状态特征提取,并建立基于自组织映射(SOM)的多状态特征融合健康状态评估模型。采用最小量化误差(MQE)作为机组健康状态指标,并给出健康衰退报警限的确定方法。将该方法用于某1.5 MW风电机组传动系统故障前的健康状态分析,结果表明,该方法提前监测到机组健康状态的衰退趋势,可实现故障的早期预警,避免严重故障发生,并可为合理调整运行和安排维修提供依据。

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Haar小波和保局投影的人脸识别

运用保局投影(LPP)算法进行人脸识别时,噪声会破坏真实流形。为此,提出一种解决噪声的新方法——HaarLPP方法。该方法利用Haar小波变换降低噪声的影响,运用LPP算法进行降维,依据最近邻准则完成人脸识别。基于AT&T与Sheffiled人脸数据库的实验结果表明,该方法在噪声的敏感性方面优于传统LPP算法。

基于改进的有监督保局投影人脸识别算法

为了充分利用样本的类别信息,提出了一种改进的有监督保局投影人脸识别算法。利用先验类标签信息重新构造传统保局投影算法中的权重矩阵,基于改进后的保局投影算法得到变换矩阵;用线性鉴别的思想筛选出变换矩阵中的最优基向量,构成最终的变换矩阵。把训练样本和测试样本投影到由最优基向量构成的子空间得到训练样本和测试样本的特征。采用最近邻分类器分类。在ORL和FERET人脸库上的测试结果表明,算法具有较好的识别性能。

基于自适应的保局投影的疲劳识别

驾驶员疲劳驾驶是造成交通死亡事故的重要原因之一,研究驾驶疲劳自动识别具有重要的理论意义和应用价值。提出了一种新的基于自适应的保局投影的疲劳识别方法。采用保局投影进行疲劳特征提取,并利用邻域压缩或扩张方法自适应选取保局投影算法中的邻域,既加强了样本点间的关联性,又保持了局部几何结构;采用模糊k近邻的方法进行疲劳识别。在人脸疲劳数据集上进行实验,结果说明了该方法的有效性。

核判别保局投影的人脸识别算法

针对人脸识别中的特征提取问题,提出了核判别保局投影算法,即KDLPP。该算法通过核技巧将人脸样本映射到高维空间,在高维空间中有效地结合人脸局部的流形结构和人脸的判别信息构建了新的目标函数,其优点是在保持人脸流形结构的基础上,充分利用了样本的类别信息,并采用核方法提取了人脸的非线性特征。在ORL和UMIST人脸库上的实验表明,该方法的识别率整体优于LPP、DLPP和KLPP。

保局投影在图像集匹配中的应用

图像集匹配是模式识别领域研究的热点问题之一。从图像分布的局部结构出发,提出格拉斯曼流形上局部结构保持的图像集匹配方法。将图像集合张成的子空间投影到格拉斯曼流形,通过子空间之间的典型相关计算格拉斯曼核,将集合的相似性转换为流形上点之间的距离的计算。在基于图像集合的对象识别任务上测试提出的算法,实验结果表明,提出的方法在识别率上超越了当前主流的图像集匹配算法。

战略模拟中基于保局投影的图像信息按需检索算法

针对战略模拟对抗研讨过程对关联图像信息的时效性、个性化、和动态演化需求,提出一种基于保局投影(Locality Preserving Projections,LPP)的图像信息按需检索算法。首先设计了一个由多个LPP单特征权矩阵合成的多特征权矩阵,对战略模拟图像数据进行高效降维;其次结合战略模拟的动态推演过程,提出了LPP多特征权矩阵的全局和局部优化策略,根据用户与系统交互获得的正负反馈,对用户的图像信息需求结构进行动态优化拟合。仿真实验结果表明,算法能够根据推演需求的动态演化实时返回内容上更具贴合度的图像信息,在一定程度上实现了战略模拟中的图像信息按需服务。

融合SIFT特征和保局投影的人脸识别

提出一种人脸识别方法用于解决姿态变化对识别准确率的影响。首先检测人脸图像的SIFT特征,然后根据SIFT特征计算人脸图像间的多示例距离;基于此多示例距离,用保局投影将人脸图像映射至流形空间,最后在流形空间中采用K近邻方法进行人脸识别。该方法有三个特点:(1)采用SIFT特征减小了未知姿态对识别准确率的影响;(2)通过保局投影将特征变换到流形空间一个点,避免了复杂的SIFT特征匹配策略;(3)借助流形方法滤除高维特征中的噪声。实验结果表明与已有方法相比,在人脸姿态不确定的情况下,该方法能提供较为理想的识别准确率。

保局投影在对象识别中的应用研究

基于集合的对象匹配问题的核心是如何准确、高效地对图像集合进行建模,并定义模型对之间的相似性。将保局投影的思想应用到图像集合匹配,首先应用度量学习作为预处理,将样本投影到一个低维、紧致的流形空间中,然后通过核函数将这些样本投影到再生的核希尔伯特空间内,并用保局投影对该样本进行分类。选取部分公开的图像、视频数据库对算法进行验证,实验的对象识别率普遍较高,说明保局投影是一种有效的基于集合的对象匹配方法。

基于保局投影的离线签名识别

针对离线签名识别中的特征提取问题,提出了一种基于保局投影的签名识别方法。该方法首先对签名图像进行形状特征、伪动态特征和纹理特征的提取;然后采用保局投影得到更具判别性的特征;最后运用支持向量机进行分类识别。实验表明该方法不但能有效地降低特征空间的维数,而且能使分类准确率得到显著提高。