一种邻域保持判别嵌入人脸识别方法

邻域保持嵌入(NPE)是一种子空间学习方法,具有保持数据流形上局部邻域结构信息的能力。为了进一步提高NPE的性能,本文提出了一种邻域保持判别嵌入(NPDE)算法,并将其用于人脸识别。在NPDE算法中引入了数据集的判别信息,在保持局部邻域结构信息的同时,具有更强的判别力。在Yale和ORL人脸数据库上的实验结果表明,本文提出的NPDE用于人脸识别具有较高的识别率。

基于保持近邻判别嵌入的人脸识别

保持近邻嵌入(NPE)是一种子空间学习方法,具有保持数据流形上局部邻域结构的属性.虽然NPE已在一些领域得到应用,但解决识别任务还有局限性.为改进NPE的识别性能,提出了一种保持近邻判别嵌入(NPDE)人脸识别方法.在NPDE算法中,有效结合了LDA和NPE的思想,具有很强的判别力,还能根据先验类标签信息保持局部邻域的固有几何关系.在ORL人脸库以及Yale人脸数据库上的实验结果表明提出的方法是有效的.

改进的判别嵌入式聚类算法

针对判别嵌入式聚类算法对高维数据集聚类运行速度慢的问题,提出一种改进的判别嵌入式聚类算法。利用矩阵的QR分解对类间散度矩阵做特征分解,求得数据的变换预处理;再利用最大间距准则对变换预处理数据再次降维,通过降低判别嵌入式聚类算法时间复杂度来提高效率。对比实验结果表明,改进算法受平衡参数λ的影响较小,平均准确度高于判别嵌入式聚类算法和K均值聚类算法,运行效率也优于判别嵌入式聚类算法。

引导滤波联合局部判别嵌入的高光谱影像分类

高光谱遥感影像分类是高光谱遥感影像处理和应用的重要组成部分。然而,高光谱遥感影像具有波段数量较多和空间分辨率较高等特点,给分类任务带来一定的挑战。为了提高分类精度,充分利用影像的空间信息和像素间的局部信息,提出一种引导滤波联合局部判别嵌入的高光谱影像分类方法。首先,对高光谱遥感影像进行归一化,利用主成分分析方法实现特征提取,将提取的第一主成分影像作为引导图像;其次,采用引导滤波分别提取各波段影像的空间特征;然后,将提取的空间影像特征进行叠加,通过局部Fisher判别分析完成低维嵌入;最后,将得到的低维嵌入特征输入支持向量机分类器得到分类结果。采用Indian Pines和Pavia University两幅高光谱影像进行实验的结果表明:在分别从各类地物中随机选取10%和100个样本作为训练样本的情况下,其总体分类精度分别提高到98.28%和99.45%;对比其他相关方法,该方法能够获取更高的分类精度。该方法在低维嵌入的同时,有效利用了影像的空间信息,改善了分类效果。

完备正交邻域保持判别嵌入的人脸识别

为解决邻域保持判别嵌入算法所面临的小样本问题,并充分利用类内邻域散度矩阵零空间和非零空间中的判别信息进行人脸识别,提出一种完备正交邻域保持判别嵌入的人脸识别算法。首先间接地利用特征分解方法去除总体邻域散度矩阵的零空间;然后分别在类内邻域散度矩阵零空间和非零空间中提取最优判别矢量。此外,为进一步提高算法的识别性能,给出了基于瘦QR分解的正交投影矩阵的求解方法。在ORL和Yale人脸库上验证了以上算法的有效性。

核邻域保持判别嵌入在人脸识别中的应用

为更有效地进行数据降维,将核映射思想引入到邻域保持判别嵌入中,提出一种核邻域保持判别嵌入的流形学习算法。以类内相似度矩阵与类间散度矩阵之差作为鉴别准则,使类间散度矩阵不受满秩的约束,从而解决人脸数据的非线性和小样本问题。在ORL和Yale人脸库上的实验结果表明,该算法具有较好的人脸识别性能。

空中视角下基于局部线性判别嵌入的目标跟踪方法

空中视角下无人机的目标跟踪是在空中视角下辨认出运动目标,并且对目标进行准确且连续的追踪。如何实现在遮挡,尺度变化,实时性要求高的俯视条件下鲁棒的目标跟踪仍是亟待解决的问题。提出一种将采用局部线性判别嵌入(LLDE)特征提取的方法和核相关滤波训练分类器相结合的算法。LLDE是流形学习中的局部线性嵌入算法(LLE)的改进,通过在LLE的基础上构造了一个向量转换和距离标度模型,使得不同类的样本距离更远,同类样本距离更近,提高了分类精度有助于解决遮挡和尺度变化。同时核相关滤波训练分类器,能够快速的跟踪目标满足空中无人机跟踪的时实性要求。算法保持了相关滤波的快速跟踪算法实时性的优势,同时对遮挡和尺度变化有较好的稳健性。实验表明,与其他算法相比,算法在速度和精度方面有优势。

基于核邻域保持判别嵌入的人脸识别

为了提取高维人脸图像中的非线性特征,提出一种新的非线性降维方法:核邻域保持判别嵌入算法(KNP-DE).为了表示特征空间中类间邻域结构和不同类样本间的相似度,分别构建类内邻接矩阵和类间相似度矩阵.通过使用核技巧,KNPDE将邻域保持嵌入(NPE)和Fisher判别准则相结合,在保持特征空间中类内邻域结构的同时充分利用类间判别信息,从而具有更强的分类能力.在Yale和UMIST人脸库上的试验结果进一步表明了该算法的有效性.

代价敏感的局部判别嵌入人脸识别算法

局部判别嵌入算法寻求最高的正确识别率时假设所有的错误分类具有相同的错分代价,然而这个假设在现实的人脸识别系统中往往是不成立的,因为不同的错误分类将会导致不同的错分代价.为此,提出一种代价敏感的局部判别嵌入算法.首先通过构造代价矩阵将代价敏感理念融入到特征提取阶段,以提高算法判别不同错误分类的能力;然后最大化异类近邻样本点之间的错分代价,同时最小化同类近邻样本点之间的距离;最后利用迭代算法求得最佳的正交投影向量,以更好地维持数据的度量架构.在Yale,ORL,AR和Extended Yale B人脸数据库上的实验结果表明,文中算法是有效的.

两级2维局部判别嵌入特征提取的SAR图像识别方法

提出一种基于两级2维局部判别嵌入(2DLDE)特征提取方法,并将其应用于SAR图像目标识别.该方法以矩阵的形式处理单个样本数据,对SAR图像采用两级特征提取,先后对图像矩阵从行列两个方向进行投影变换,避免了LDE方法将图像数据转化为向量带来的维数灾难和小样本问题,同时增强了特征判别性.结合相应的图像预处理过程和分类方法,应用两级2维局部判别嵌入特征提取方法对MSTAR SAR图像数据进行实验,证明了该文方法的有效性和优越性.

基于最小二乘法的判别嵌入式聚类算法

改进判别嵌入式聚类算法,以提高其对高维大样本数据的聚类效率。先利用共轭梯度迭代方法求解以类标号编码矩阵为目标的最小二乘问题,得到数据的变换矩阵,对数据进行降维预处理,再进行判别嵌入式聚类。对数据的降维预处理可减少原算法的时间复杂度,提高聚类效率。

两阶段判别嵌入式聚类

针对判别嵌入式聚类算法对高维数据聚类速度慢的问题,给出一种两阶段判别嵌入式聚类算法。对正则化类间散度矩阵做奇异值分解,得到数据的变换矩阵,对数据进行初次降维,并用判别嵌入式聚类算法中的经典降维方法对低维数据再次降维。通过两次降维来减少判别嵌入式聚类算法的时间复杂度,提高聚类效率。

两阶段判别嵌入模糊聚类

针对两阶段判别嵌入式聚类算法无法有效地反映数据的真实结构问题,提出一种两阶段判别嵌入模糊聚类算法。首先利用模糊C-均值算法对数据进行初始聚类,得到数据的初始隶属度矩阵,然后通过奇异值分解和求解最大散度差对数据降维处理,最后在低维子空间中对降维后的数据再次进行模糊C-均值聚类。通过对初始数据和降维后的数据进行模糊聚类提高算法的准确度。对比实验结果表明,该算法可获取最优聚类精度,并能更有效地反映数据的真实结构。

基于核正交局部判别嵌入的人脸识别

针对人脸识别中的非线性特征提取问题,提出一种基于核正交局部判别嵌入(KOLDE,kernel orthogonal local discriminant embedding)的人脸识别算法。首先通过引入基向量正交约束,得到OLDE算法,并给出算法的推导过程。然后为了更好地处理高度复杂非线性结构数据,将OLDE向高维空间扩展,在核空间提取图像的高阶非线性信息,得到核空间OLDE算法。在ORL和PIE库上的人脸识别实验验证了算法的有效性。

基于判别邻域嵌入算法的说话人识别

该文提出一种基于判别邻域嵌入(DNE)算法的说话人识别。判别邻域嵌入算法作为流形学习方法的一种,可以通过构建邻接图获取数据的局部邻域结构信息;同时该算法可以充分利用类间判别信息,具有更强的判别能力。在美国国家标准技术研究院2010年说话人识别评测(NISTSRE2010)电话-电话核心测试集上的实验结果表明了该算法的有效性。

核判别随机近邻嵌入分析方法

为了有效地解决非线性特征提取中存在的鉴别效率和样本外问题,最大限度地保持观测信息,并进一步提高相关方法的降维性能,将核学习的方法应用到判别随机近邻嵌入分析方法中,提出一种核判别随机近邻嵌入分析方法.通过引入核函数,将原空间中的样本映射到高维核空间中,构建了用于反映同类和异类数据间相似度的联合概率表达式;在此基础上,引入线性投影矩阵生成对应子空间数据;最后在类内Kullback-Leiber(KL)散度最小和类间KL散度最大的准则下建立目标泛函.该方法突出了异类样本间的特征差异,使样本变得线性可分,从而提高了分类性能.在COIL-20图像库和ORL,Yale经典人脸库上进行实验,验证了文中方法的分类鉴别能力.

基于加权邻域极大边界判别式嵌入的人脸识别算法

在研究局部极大边界判别式嵌入的基础上,提出加权邻域极大边界判别式嵌入算法。该算法是一种基于流形的特征提取算法,在构建目标函数时采用数据的最优重构系数,能够较好地保留数据的邻域几何结构,且不用计算高维矩阵的逆,克服了特征提取中的小样本问题。在2个通用人脸库上的识别实验结果证明,该算法充分利用了每一个流形的判别信息,在缩小同一类别邻域节点距离的同时增加不同类别邻域节点之间的距离,有效区分了不同的类别,能够获得较好的识别结果。

一种半监督判别邻域嵌入算法

邻域保持嵌入(Neighborhood Preserving Embedding,NPE),作为局部线性嵌入(Locally Linear Embedding,LLE)的线性化版本,由于在映射前后保持了数据的局部几何结构并得到了原始数据的子空间描述,在模式识别领域具有较强的应用价值。但作为非监督处理算法,在具体的模式分类中有一定局限性,提出一种NPE的改进算法——半监督判别邻域嵌入(SSDNE)算法,引入标记后样本点的类别信息,并在正则项中引入样本的流形结构,最大化标记样本点的类间信息和类内信息。既增加了算法的辨别能力又减少了监督算法中对样本点进行全标记的工作量。在ORL和YaleB人脸库上的实验结果表明,改进的算法较PCA、LDA、LPP以及原保持近邻判别嵌入算法的识别性能有了较明显的改善。

基于图嵌入概率半监督判别分析的故障辨识

针对现有旋转机械早期故障辨识方法在训练样本稀少条件下辨识性能极易衰退的关键问题,提出基于图嵌入概率半监督判别分析(Graph-implanted probability-based semi-supervised discriminant analysis,GIPSSDA)维数化简的早期故障辨识方法。该方法在训练样本稀少条件下用GIPSSDA将训练和待测样本的高维时、频域早期故障特征集化简为类区分性更好的低维特征矢量,提高了终端学习机优化证据理论K近邻分类器(Optimized evidence-theoretic k-nearest neighbor classifier,OET-KNNC)对早期故障的辨识精度。GIPSSDA集成了半监督邻接图嵌入技术,能同时利用待测样本的类判别信息和局部几何结构搜索分类的最优映射子空间,因此在训练样本非常稀少的情况下也能产生较好的分类效果。深沟球轴承早期故障辨识试验验证了该早期故障辨识方法的有效性和优越性。

局部平衡的判别近邻嵌入算法

判别近邻嵌入算法(discriminant neighborhood embedding,DNE)通过构造邻接图,使得在投影子空间中能够保持原始数据的局部结构,能有效地发现最佳判别方向。但是它有两方面的不足:一方面不能标识样本点的近邻样本点位置信息,从而不能更好地保持邻域结构;另一方面当数据不均衡时,不能实现子空间中类内聚合或者类间分离的目的,这不利于分类。为此提出了一种新的有监督子空间学习算法——局部平衡的判别近邻嵌入算法(locality-balanced DNE,LBDNE)。在构建邻接图时,局部平衡的判别近邻嵌入算法分别建立同类邻接图和异类邻接图,并通过引入一个控制参数,有效地平衡了类内与类间的关系。该算法与其他经典算法相比,在人脸识别问题上具有较高的识别率,充分说明了局部平衡的判别近邻嵌入算法能够有效地处理识别问题。