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。

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。

基于判别邻域嵌入的人脸识别

提出了一种人脸识别子空间方法:判别邻域嵌入(DNE)。在框架中,训练样本数据的邻域和类关系被用来构建低维嵌入流形。在嵌入低维子空间后,同类样本保持它们固有的邻域关系,相反不同类近邻样本彼此远离。在ORL和Yale人脸数据库上,对提出的方法和主成分分析(PCA)、线性判别分析(LDA)、保持邻域嵌入(NPE)和保持局部投影(LPP)方法进行了比较,结果表明,提出的方法是有效的。

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。

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。

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.

邻域嵌入的张量学习

传统的机器学习算法把数据表示成向量的形式进行处理,而现实世界许多应用中的数据都是以张量形式存在的,如图像、视频数据等,如果将这些本质上非向量形式的数据强制转换成向量表示,不仅会产生维数灾难和和小样本问题,而且会破坏数据本身的内部空间排列结构,不利于发现数据的好的低维表示。判别邻域嵌入(discriminant neighborhood embedding,DNE)是比较流行的面向向量的判别分析方法,在改进DNE算法的基础上,提出了面向张量数据的局部一致保持的邻域嵌入张量判别学习(neighborhood-embedded tensor learning,NTL)算法。NTL算法不仅克服了DNE面向向量的缺点,而且弥补了DNE方法偏重数据的邻域点而忽略数据的非邻域点影响的不足,通过精心设计目标函数(嵌入3个图:同类结点的邻接图、不同类结点的邻接图、其他结点的关联图),使投影空间的同类结点更加紧凑,不同类结点更加疏远,从而增强了算法的判别能力。3个公开数据库(ORL、PIE和COIL20)上的实验验证了NTL拥有更高的识别率,同时也拥有更高的算法效率。