改进双向二维局部保持投影的人脸识别算法

为更好地处理图像小样本问题,且克服二维局部保持投影(2DLPP)算法只能保持数据局部性质的缺陷,通过结合二维主成分分析(2DPCA)和二维线性鉴别分析(2DLDA)的算法特性,提出了一种改进的双向二维局部保持投影的人脸识别算法.首先,引入样本类别信息改进权重矩阵,增强2DLPP算法对样本变化的鲁棒性;其次,提出改进2DLPP+2DPCA、2DLPP+2DLDA两种融合算法并分别用于输入样本图像数据的行、列方向特征提取.在特征选择后得到行、列方向上的最优投影;最后,通过对样本数据进行行、列方向投影,利用最近邻分类器对样本数据进行分类并获得在给定数据集上的识别结果.在人脸数据集ORL、YALE和AR上的实验结果表明,该算法在人脸识别性能上总体优于2DPCA、2DLDA、2DLPP、(2D)2PCA、(2D)2LDA、(2D)2PCALDA和(2D)2LPP-PCA等算法.

基于最优近邻的局部保持投影方法

局部保持投影(LPP)方法是机器学习领域中一种经典的降维方法。然而LPP方法以及部分改进方法在构建数据的局部结构时简单地使用k最近邻(k-NN)分类算法寻找样本的近邻点,容易受到参数k、噪声和异常值的影响。为了解决上述问题,提出一种基于最优近邻的LPP方法。该方法使用寻找最优近邻算法,在找到样本近邻点后,进一步选择与样本有一定数量的共同近邻点的近邻样本作为最优近邻,通过共同近邻点的限定来选择与样本最相似的近邻,增强近邻样本间的相关性,避免了传统LPP方法受参数k影响大等问题。在选择出足够的样本最优近邻后,构建数据局部结构,以便准确地反映数据的本质结构特征,使降维后的数据能最大程度保留样本的有效信息,提升后续机器学习模型的性能。公共图像数据集上的对比实验结果表明,该方法具有较好的数据降维效果,有效地提高了图像识别准确率。

双向二维局部保持鉴别投影应用于人脸识别

双向二维局部保持映射(双向2DLPP)与二维局部保持映射(2DLPP)比较,双向2DLPP同时对图像的行方向和列方向进行降维处理,可以采用较少的系数有效地表示图像。为了进一步增强双向2DLPP算法的分类能力,将双向2DLPP所提取的特征采用线性判别式分析(LDA)进行分类,从而形成了一种新的监督算法:鉴别双向二维局部保持投影。理论分析表明,无论在计算量还是内存要求方面,所提鉴别双向二维局部保持投影算法比双向2DLPP和主成分分析+线性判别式分析(PCA+LDA)要少,而且在ORL和Yale数据库上的人脸识别实验表明,新算法的识别性能比双向2DLPP和PCA+LDA算法要好,且具有较少的计算复杂度。

基于无参数二维判别局部保持投影算法的人脸识别

通过向二维局部保持投影(2D-LPP)算法中引入类间约束和类标识信息,得到二维判别局部保持投影(2D-DLPP)算法,使它拥有更多的判别信息。但它却面临复杂的参数选择问题,这使得它在解决识别问题时受到限制。为解决此问题,构造无参数的相似矩阵,提出无参数的二维判别局部投影(无参数2D-DLPP)算法。在Yale和ORL人脸库上的仿真实验结果表明,该算法与二维判别局部保持投影(2D-DLPP)、二维局部保持投影法(2D-LPP)和二维线性判别分析法(2D-LDA)相比能够取得更高的识别率。

基于L1范数的分块二维局部保持投影算法

针对高维输入数据维数较大时可能存在奇异值问题,同时为提高算法的运算效率以及算法的鲁棒性,提出了一种基于L1范数的分块二维局部保持投影算法B2DLPP-L1。传统的局部保持投影算法为避免出现奇异值问题,首先运用主成分分析算法将高维数据投影到子空间中,然而这种方式将会造成高维数据中部分有效信息的流失,B2DLPP-L1算法选择将二维数据直接作为输入数据,避免运用向量形式的输入数据时可能造成的数据流失;同时该算法对二维输入数据进行分块处理,将分块后的数据块作为新的输入数据,之后运用基于L1范数的二维局部保持投影算法对其进行降维。理论上,B2DLPP-L1算法能够较好地对数据进行降维,不仅能够保持高维数据中的有效信息,降低计算复杂程度,提高算法的运行效率,同时还能够克服存在外点情况下分类准确率较低问题,提高算法的鲁棒性。通过选择不同的人脸数据库进行实验,实验结果表明,在存在外点的情况下,运用最近邻分类器时能够取得更高的分类准确率,同时所需的分类时间有所减少。

基于二维局部保持鉴别分析的特征提取算法

提出了一种二维局部保持鉴别分析(Two-dimensional Locality Preserving Discriminant Analysis,2D-LPDA)特征提取算法。该算法直接对图像矩阵进行运算而不需要将矩阵转化为向量后进行运算,较好地保持了图像相邻像素之间的空间结构关系;在LPP算法的基础上,利用训练样本的类别信息计算二维类间散度矩阵和二维类内散度矩阵,并在2D-LPDA的目标函数中引入最大间距准则(Maximum Margin Criterion,MMC),从而求得具有良好鉴别能力的投影向量,同时还避免了小样本情况下矩阵的奇异性问题。通过在ORL人脸图像库上的人脸识别和新生儿面部图像库上的疼痛表情识别实验,验证了所提出的算法的有效性。

一种新的基于局部保持投影的高维数据聚类成员构造方法

研究在高维数据中如何产生聚类成员,并提出一种新的构造聚类成员的方法。为解决高维数据的维度对构造成员带来的影响,新的构造方法在构造聚类成员之前利用局部保持投影先对高维数据进行维度约减,然后在约减后的子空间中用随机投影结合K均值方法构造聚类成员。最后讨论了局部保持投影子空间维度的选取。实验表明,新方法得到的结果要明显优于已有的主分量分析结合下采样方法和简单的随机投影方法。

正则化最小二乘的正交局部保持判别投影的人脸识别

提出一种新的子空间学习方法:正则化最小二乘的正交局部保持判别投影.为了更好地保持数据流形的结构,融合局部保持投影和线性判别分析的特点,对类内和类间加权矩阵分别进行了定义,从而构造目标函数.首先使用特征分解求出训练样本在人脸子空间的投影,然后使用最小二乘法解出投影子空间,最后将子空间的基向量正交化.在标准人脸数据库上的试验证明了这种识别方法的正确和有效.

基于全局-局部保持投影的稀疏降维方法

该文提出了一种基于全局-局部结构保持的稀疏投影模型(GLSPP).通过对投影数据进行线性重构来保持数据的全局结构,从而保留投影数据的全局信息.通过约束重构系数矩阵与相似性矩阵的相似性来保持全局保持数据和局部保持投影数据的一致性.同时,对重构系数矩阵和相似性矩阵进行稀疏约束,保留主要信息,以减少冗余信息的干扰.在公开的4个人脸与物体数据集上的实验结果显示:该方法具有较高的分类准确率.

一种鉴别稀疏局部保持投影的人脸识别算法

为解决鉴别稀疏邻域保持嵌入(DSNPE)算法中类间离散度构造复杂的问题,提出了一个新的维数约简算法即鉴别稀疏局部保持投影的人脸识别算法(DSLPP)。首先利用样本集中各类样本的平均向量构造字典,通过保持各类样本平均向量的稀疏重构关系,提出一个新的无参数类间离散度;再通过同时最大化类间离散度和同时最小化类内紧凑度的准则来寻找最优投影方向;最后采用最近邻分类器进行人脸分类识别。由于所采用的类间离散度最大限度地扩大了不同类别中样本之间的差异,因此DSLPP算法具有更强的类间判别力,其识别率得到了明显提高;此外,字典的简化构造降低了算法的计算复杂度。在Yale、UMIST和AR人脸库上的实验结果表明:DSLPP算法在Yale、UMIST库上的平均识别率及AR库上的最高识别率分别达83.38%、95.72%和83.71%,较其他传统方法的识别率有明显提高;在UMIST库上的实验结果表明,DSLPP算法较DSNPE算法的平均计算时间减少了81.7%。

双向二维加权LPP语音特征降维算法

提出一种双向二维加权局部保持投影算法(Two-directional Two-dimensional Weighted Locality Preserving Projections,(2D)2WLPP)用于语音特征提取后维度的降低,考虑到普通的二维降维算法只能从一个方向进行特征降维且所降至的维数选择非常受限,该方法能够从水平和垂直两个方向对语音矩阵进行降维处理,这样可以大大降低提取后的语音特征数目;考虑到不同投影向量对保持局部结构的重要程度不同,进而对各个特征赋予不同的权重系数.实验证明,该算法运算速度快,与已有的二维局部保持投影相比,获得了更高的识别率.

一种监督局部保持投影的飞机目标识别方法

飞机目标识别方法研究在军事上具有重要意义。针对飞机目标图像数据的复杂性,提出了基于监督局部保持投影(SLPP)算法的一种目标识别方法。首先,利用PCA对飞机图像数据进行预降维,由此克服小样本问题;其次利用SLPP算法对飞机图像进行维数约简;最后,采用最近邻分类器进行飞机类型分类。通过在真实飞机图像数据库上的实验结果表明,该方法有效地提高了飞机识别的正确率。利用该方法能够有效地进行飞机目标识别。

空间平滑局部保持投影用于ISAR目标识别

由于目标运动及其所处环境的复杂性,雷达目标数据之间往往呈现出局部的非线性,如果采用传统的线性子空间方法降维,必将会使雷达目标识别性能有所下降。基于以上原因,论文在详细分析ISAR二维像非线性流形结构特点的基础上,将流形学习方法中的空间平滑局部保持投影(Spatially Smooth Locality Preserving Projections,SSLPP)算法应用于ISAR二维像的特征提取和维数约简,并采用k近邻分类器对三类飞机目标进行了识别。与传统的子空间方法相比,SSLPP算法充分考虑了图像中各相邻像素之间的相关性,因而可获得更多的图像空间局部信息。仿真实验结果表明,与PCA、LDA、LPP等算法相比,该方法具有更好的识别性能。

基于改进型局部保持投影的作物生长特征优化方法

由于现有的用于农业作物生长监测数据的特征优化方法—局部保持投影(locality preserving projection,LPP)只保留局部信息,同时存在未考虑样本类别信息导致特征提取时误分类,准确率与数据优化效率并不理想。针对上述问题,提出了改进型LPP方法,并将其用于作物生长特征的优化。首先将样本利用二维主成分分析(two-dimensional principal component analysis,2DPCA)进行初步降维,保留原样本数据中的整体空间信息;然后提出优化的2类子图—聚集子图和分离子图,用来描述不同类别数据之间的关联信息;然后提出优化的2类子图对不同类别数据间的远近关系进行描述;最后采用改进型LPP算法,将数据进一步投影到低维空间,提取样本的局部信息,完成样本特征优化。试验分析表明,改进型LPP具有很好的适应性,最高支持向量机(support vector machine,SVM)分类准确率能够达到96%以上,使精度达到最高的最优维数比主成分分析(principal component analysis,PCA)和二维主成分分析2种算法降低了25%以上,同时算法运行效率比PCA与2DPCA算法提升32.4%与8.3%,整体性能比基本LPP算法更为优越,能够适应农作物多维数据的优化处理。研究结果为现代精准农业信息监测过程中的数据处理与分析提供了参考。

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。

基于局部保持投影和RBF神经网络的DOA估计

提出了一种有效的降维构建方法改善来波到达角(DOA)估计的性能。该方法利用局部保持投影(LPP)对DOA估计用的神经网络的训练样本进行降维,以降低神经网络的复杂度,加快神经网络的训练过程。与常用的协方差矩阵上三角特征相比,在不损失有效方位信息的基础上,可以使特征维数极大地降低。数值实验表明,基于局部保持投影和神经网络的方法具有良好的估计精度和效率,同时对噪声也有较强的适应能力,能够很好地满足波达方向估计实时性的要求。

基于L2范数的局部保持投影算法

针对传统局部保持投影算法对外点敏感的问题,提出了一种基于L2范数的局部保持投影算法。该算法通过采用L2范数定义目标函数并重新定义了权值矩阵,多次迭代计算投影矩阵得到局部最小值,直至达到收敛条件,进而获得最终的最优投影矩阵;通过利用最优投影矩阵将原始数据投影到最优的投影子空间,降低高维数据维度,同时能够保持原有数据特征。合成数据实验结果表明,与传统局部保持投影算法相比,所提基于L2范数的局部保持投影算法能够有效地降低数据维度,改善了算法对外点的敏感问题,提高了算法的鲁棒性。人脸识别实验结果表明,该算法能够取得较高且较为稳定的人脸识别率,人脸识别率可达80%。

基于改进的自适应局部保持投影算法的人脸识别

局部保持投影(LPP)通过构造近邻图来保持样本的局部结构,在构造近邻图的过程中,LPP会遇到两个参数K和σ的选择问题。近邻图的构建对算法的识别效果起着重要的作用,因而这两个参数的选择会在很大程度上影响LPP的识别率。为了避免参数的选择对识别率造成影响,提出了一种基于改进的自适应局部保持投影的人脸识别算法。首先,构造无参数的近邻图,其能够自适应地选取样本的近邻点并确定其相应的边权。其次,由于在计算过程中出现了矩阵维数过高的问题,因此采用QR分解进行降维处理。最后,利用共轭正交化使得投影轴具有统计不相关性,以降低特征矢量间的统计相关性,提高识别率。在ORL人脸库和YALE人脸库上进行了实验,结果表明改进的算法在识别率方面整体上好于LPP算法、DLPP算法、LMMC算法。

面向酉子空间的二维判别保局投影的人脸识别

保局投影算法(LPP)在人脸识别中具有较好的识别性能,但它是一种非监督学习,并且在具体实现时需要把图像转换为向量,破坏了图像的像素结构,这显然不利于模式识别。针对这些问题,提出基于酉子空间的二维判别保局算法,不仅在判别保局算法的基础上增加了类别信息,而且直接在灰度矩阵上进行水平和垂直方向上的二维保局投影。该方法构造酉空间上的复向量后再运用线性判别分析提取特征。在ORL、Yale和XJTU人脸库中验证了算法的正确性和有效性,其识别率比传统的2DLDA和2DLPP等方法提高4～5个百分点。

应用于人脸识别的改进局部保持投影算法

局部保持投影算法(locality preserving projections,LPP)作为降维算法,在机器学习和模式识别中有着广泛应用;在识别分类中,为了更好地利用类别信息,在保持样本点的局部特征外,有效地从高维数据中提取出低维的人脸图像信息并提高人脸图像的识别率和识别速度,使分类达到一定优化,基于LPP算法结合流形学习思想,通过构造一种吸引向量的方法提出一种改进的局部保持投影算法(reformation locality preserve projections,RLPP);将数据集利用极端学习机分类器进行分类后,在标准人脸数据库上的进行试验,实验结果证明,改进后算法的识别率优于LPP算法、局部保持平均邻域边际最大化算法和鲁棒线性降维算法,具有较强的泛化能力和较高的识别率.