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。

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。

基于二维局部保留映射的小样本掌纹识别

小样本生物识别是现实应用中一个较难解决的问题,通过有限训练样本很难得到满意的识别结果。因此,提出了一种新的小样本掌纹识别方法,利用改进的二维局部保留映射(I2DLPP)提取特征,并用支持向量机(SVM)分类。改进的二维局部保留映射是通过同时在行和列方向上进行2DPCA和2DLPP的投影实现的,从而降低了计算复杂度与特征维数;并且构建最近邻图是以图像内部的列为节点,保留更多内部流形结构,改善了识别效果。SVM是针对小样本识别的非常有效的分类工具,将两者结合可以显著提高小样本掌纹识别精度。实验结果证明了该方法的有效性。

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。

基于自适应局部保持映射的图像特征降维算法

针对基于颜色特征的图像检索中的图像特征降维问题,提出了自适应局部保持映射(ALPP:AdaptiveLocality Preserving Projection)的图像特征降维算法。在考虑了每个特征向量与其近邻关系的基础上,通过研究贝叶斯准则在图像分类中的作用,将聚类引入降维算法中,解决特征空间维数的自适应确定问题.使降维结果既保证了最大化地消除高维向量间的相关性和冗余度,又不破坏原始数据近邻间的拓扑结构。实验结果表明,对Coral图像库,应用HSV直方图特征,在查询返回图像为50幅的情况下,基于ALPP算法图像检索的查准率为67.7%,查全率为57.3%.相对PCA(Principal Component Analysis)算法的查准率(45.8%)和查全率(49.2%),具有较高的检索精度。

归一Laplacian矩阵有监督最优局部保持映射故障辨识

提出基于归一化Laplacian矩阵有监督最优局部保持映射(Normalized Laplacian-based supervised optimal localitypreserving projection,NL-SOLPP)维数化简的故障辨识方法。构造全面表征不同故障特性的时频域特征集,利用NL-SOLPP将高维时频域特征集自动约简为区分度更好的低维特征矢量,并输入到Shannon小波支持向量机中进行故障模式辨识。NL-SOLPP结合流形局部结构和类标签来设计相似加权矩阵,并使输出基矢量统计不相关和相互正交,提高了故障辨识精度。深沟球轴承故障诊断和空间轴承寿命状态辨识实例验证了该方法的有效性。

有监督不相关正交局部保持映射故障辨识

提出基于有监督不相关正交局部保持映射(SUOLPP)维数化简的故障辨识方法。首先构造全面表征不同故障特征的时频域特征集,再利用SUOLLP将高维时频域特征集自动约简为具有更好区分度的低维特征矢量,并输入到Littlewood-Paley小波核支持向量机中进行故障模式辨识。时频域特征融集可较全面准确地反映旋转机械的故障特征;SUOLPP同时利用流形局部几何结构和类标签来设计相似加权矩阵,并使输出基向量统计不相关和相互正交,提高了故障辨识精度。深沟球轴承故障诊断和空间轴承寿命状态辨识实例验证了该方法的有效性。

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.

基于半监督邻域自适应正交局部保持映射的故障诊断

针对正交局部保持映射(OLPP)应用于故障诊断存在识别精度不高的问题,提出了基于半监督邻域自适应正交局部保持映射(SSNA-OLPP)维数约简的故障诊断新方法。该方法首先基于局部特征尺度分解(LCD)和时域、频域特征构造能全面表征故障的特征集,然后利用SSNA-OLPP对特征集进行降维以获得辨识度更高的低维特征,最后将低维特征输入SVM进行故障识别。SSNA-OLPP在局部聚集系数的指导下能够自适应的调整邻域参数,同时还利用部分样本的类别标签信息调整原始特征空间中样本间的权值矩阵,能够获得更有效的低维流形,提高了故障诊断的精度。滚动轴承故障诊断实验验证了该方法的有效性。

对角矩阵指数优化的局部保持映射算法

局部保持映射(LPP)算法利用欧几里德距离求得权值累加得到对角矩阵,利用结果进行降维。对于这个算法是否可以进一步优化还值得进一步探讨。对该算法所依据的公式进行修改,在对角矩阵上引入指数参数,形成对角距阵指数优化的局部保持映射算法。通过实验可以证明,对角距阵指数优化的局部保持映射算法能够影响降维的结果,可以使得降维更容易得到接近本征维数的投影向量,通过实验验证降维后的识别效果和对噪声的敏感度。

基于判别局部保持映射算法的飞机目标识别方法

维数约简和特征提取是模式识别中的一个重要预处理步骤。由于同一架飞机目标在各种不同的空间变换(包括平移、尺度、旋转等变换)和不同的观察角度、位置以及光照等条件下的图像之间差异较大,使得很多经典的维数约简和特征提取算法不能有效地用于基于飞机图像的飞机目标识别。判别局部保持映射(DLPP)是一种有效的监督维数约简方法,DLPP较LPP具有更好的分类能力,DLPP通过最大化样本的类间距离,同时最小化样本的类内距离来构建特征子空间。基于DLPP提出了一种飞机目标识别方法。实验结果表明,该方法是有效可行的。

基于局部保持降维的弥散张量图像显示方法

目的:为了更高效地分析弥散张量图像。方法:提出了基于局部保持映射的弥散张量图像降维算法,首先定义了张量之间的距离计算准则,然后根据局部保持映射算法构建张量之间无向连接图,确定张量之间的相似度矩阵,对原始张量数据进行降维,最后将降维获得的数据映射到彩色图像进行显示。结果:通过合成实验和真实实验的数据可以发现,该算法有效提取了高维弥散张量图像的特征。结论:该算法能学习隐藏在高维弥散张量图像中的流形结构,发现张量数据间的内在关系。

基于分块双向二维主成分分析的人脸目标识别

人脸目标识别是目前模式识别、计算机视觉等领域的研究热点问题之一,现有的大多数人脸目标识别算法的条件假设都较为严格,将其应用于现实环境中时,人脸识别的精度较低。针对现实人脸识别中由于光照、表情、姿态或其他物体引起的面部遮挡而严重影响识别率的问题,提出了一种分块双向二维主成分分析融合局部特征方法。首先,将图像分解为互不重叠的子块,每个子块包含重要的局部信息,利用(2D)2PCA对子块进行特征提取并投影到特征子空间;然后,对每个子块分别设计一个分类器并在一定置信度范围内判别测试样本所属类别;最后,根据所有子块所属类别的置信度之和完成人脸分类。在两个人脸识别数据库上的实验结果表明,相比其他几种人脸识别算法,该方法取得了更高的识别精度。

采用两次局部映射法简化三角网格

在计算可视化领域 ,通常采用三角网格来表示三维物体 ,但是 ,由于大量的三角网格会影响实时交互的效果 ,因而 ,三角网格的简化越来越引起人们的重视。为了有效地进行网格简化 ,在传统的边压缩方法的基础上 ,提出了一种采用两次局部映射的三角网格简化方法 ,即首先利用高斯球 ,将三角网格投影到二维平面上 ,然后在二维平面上简化后 ,再投影回三维空间 ,以达到简化目的。实践证明 ,该方法不仅误差小 ,简化效率高 ,而且不会产生自相交 ,同时具有运行稳定和适用性强等优点。

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。

融合双向2DLDA和局部SVD的人脸识别

针对人脸识别中光照、表情、姿态的影响,提出一种融合双向二维线性鉴别分析和局部对称平均的人脸识别新方法。通过双向二维线性鉴别分析对整幅图像进行特征提取,利用局部奇异值分解对称平均提取图像的局部特征。对2种方法提取到的特征利用基于加权欧式距离的最近邻分类器进行融合识别,在ORL人脸库上的实验结果证明了该方法的有效性。

基于局部保持判别子空间的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,文章尝试将流形学习的思想应用于逆合成孔径雷达(ISAR,inverse synthetic aperture radar)目标二维像的目标识别。局部保持投影(LPP,locality preserving projections)是一类有效的流形学习算法,但它在构建权矩阵时没有充分利用样本的类别信息。针对此问题,提出了一种称为局部保持判别投影(LPDP,locality preserving discriminant projections)的子空间学习方法,该方法通过构建类内和类间两个权矩阵来描述多类样本数据集的局部几何结构,以使在高维空间中相互靠近的同类数据点在低维嵌入空间中也相互靠近,而不同类的近邻点则尽可能地远离。对三类飞机目标的仿真实验结果表明,与PCA、LDA和LPP等算法相比,LPDP算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。

分块双向2DPCA融合局部特征的人脸识别

针对(2D)2PCA无法保存某些重要局部特征的问题,提出了一种分块双向二维主成分分析融合局部特征方法。首先,将图像分解为互不重叠的子块,每个子块包含重要的局部信息,利用(2D)2PCA对子块进行特征提取并投影到特征子空间;然后,对每个子块分别设计一个分类器并在一定置信度范围内判别测试样本所属类别。最后,根据所有子块所属类别的置信度之和完成人脸分类。在四个人脸识别数据库上的实验结果表明,相比其它几种人脸识别算法,所提方法取得了更高的识别精度。