基于子模式的加权邻域极大边界准则的人脸识别

本文提出了一种基于子模式的加权邻域极大边界准则的人脸识别算法。该方法首先在训练过程中对人脸图像进行子块划分,采用邻接点的类信息自适应地计算每块的权重以提高人脸在姿态、表情以及光照等变化下的鲁棒性。其次,对每块图像采用加权邻域极大边界准则进行特征提取,该准则充分利用了数据的类信息,选择数据的邻域点最优重构系数用在目标函数中,保留了数据的局部几何结构,从而在低维空间中提取出更好的分类特征。最后在识别过程中,融合待识别图像在各子块中与训练图像的相似度进行识别。实验结果表明,本文算法能够有效地提取局部特征,较好地保留原始数据的非线性结构,较其他全局方法如主成分分析方法,线性判别式方法和加权邻域极大边界准则算法具有更好的识别性能。

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。

WIMMC:加权的增量式极大边界准则算法

一些经典降维算法并不是最优的降维策略,它们不再适用于流形式且大尺度的Web文本数据,因此提出了一种加权的增量式有监督的降维算法,称为加权的增量式极大边界准则(Weighted Incremental Maximum Margin Criterion,WIMMC)。WIMMC通过加权得到比传统算法更好的结果,而且可以增量地有监督地处理大尺度的Web文本数据。给出了算法的收敛性证明和一些实验,并从实验结果可以看出,通过WIMMC降维之后的分类效果比其他降维算法更有效。