基于图像优化局部保留投影的人脸表情识别

提出了一种基于图像优化局部保留投影的人脸表情识别方法。该算法在降维过程中将图像结构信息融入到LPP目标函数中,称之为GOLPP。与LPP不同,GOLPP通过降维处理,获得图像结构信息的同时将投影最优化,这样可从原始表情数据中提取更具判决性的表情信息。基于JAFFE和CED-WYU(1.0)两个表情数据库的识别结果表明,基于GOLPP的特征提取方法能有效地提高识别率。

优化局部保留投影及其在表情识别中的应用

提出一种基于优化局部保留投影(OLPP)的人脸表情识别方法。OLPP方法在降维过程中将图像结构信息融入LPP目标函数,通过降维处理,在获得图像结构信息的同时将投影最优化,从而能从原始表情数据中提取更多更具判决性的有效表情信息。JAFFE和CED-WYU(1.0)2个表情数据库的识别结果表明,基于OLPP的特征提取方法能有效提高识别率。

图像局部保留投影及在表情识别中的应用

提出了一种基于图像局部保留投影(ILPP)的人脸表情识别方法,该算法在降维过程中将图像结构信息融入到局部保留投影(LPP)目标函数中。与LPP不同,ILPP通过降维处理,获得表情图像结构信息的同时将投影最优化,这样可从原始表情数据中提取更多、更有效、更具判决性的表情特征信息。基于CED-WYU(1.0)和JAFFE两个表情数据库的识别结果表明,ILPP特征提取方法能有效地提高识别率。

有监督正交局部保留投影及其在人脸识别中的应用

针对局部保留投影算法(LPP)的无监督和非正交问题,提出了一种有监督的正交局部保留投影算法SOLPP。该算法同时考虑了样本的类别信息以及投影向量间的相互正交性,首先利用样本的类标签信息重新定义了类内和类间相似度矩阵,同时最大化类间离散度与类内离散度之比,有效地保持了样本的局部结构;其次对投影基向量进行正交化,在保持数据空间结构的同时进一步提高了人脸识别效果。在ORL和FERET人脸库上的实验表明,该方法的识别率要优于SLPP等算法。

基于局部保留投影的堆叠隐空间模糊C均值算法

传统模糊聚类算法在处理复杂非线性数据时学习能力较差.针对此问题,文中基于极限学习机(ELM)理论,结合局部保留投影(LPP)与ELM特征映射,提出压缩隐空间特征映射算法,从而将原始数据从原空间映射至压缩ELM隐空间中.通过连接多个压缩隐空间特征映射,结合模糊聚类技术,提出基于LPP的堆叠隐空间模糊C均值算法.大量实验表明,文中算法对模糊指数的变化不敏感,在处理复杂非线性数据和存在类内差异的图像数据时,能够取得更精确、高效、稳定的学习效果.

加权分块局部保留投影的人脸识别

局部保护投影(LPP)算法属于无监督的算法,仅仅考虑到人脸图像的全局特征,针对LPP算法的局限性,提出了一种加权分块局部保留投影的人脸识别方法。首选把所有人脸图像训练样本分割成相等且不重叠的子图像,并将位置相同的子图像聚集起来,然后对每个子图像集分别应用LPP算法,接着结合信息熵权函数计算各子图像集相应的权重。实验证明该算法的识别率相对于传统的LPP算法具有一定的提高,能够较好地克服光照、表情和姿态变化的影响。

降维方法在人脸图像识别中的分析与评估

为了提高人脸图像识别的速度和准确率,将多元统计分析中的降维方法引入到人脸图像识别系统中,分析并对比了主成分分析法(PCA)线性判别分析法(LDA)和局部保留投影(LPP)三种方法用于人脸图像识别的效果,采用Yale B作为识别的样本和测试库,在光照条件和姿态变化条件下对三种算法进行了比较实验。实验结果表明,三种方法对人脸图像识别均能够达到一定效果,在姿态变化条件下,LDA和LPP均优于PCA,但三种方法对于光照变化均不能保持很好的鲁棒性。

基于局部密度估计的多模态过程故障检测

以市场需求为导向的现代工业过程的生产条件要根据市场的需求不断做出调整,因此实际工业过程中存在多种工况的复杂情况,而过程的数据将不再完全服从高斯分布,其均值与协方差结构往往随着工况的切换而发生较大变化,为了能及时检测此类生产过程中的故障,提出一种新的基于带宽可变的局部密度估计的过程在线监控策略。首先利用局部投影保留(locality preserving projection,LPP)将高维数据投影到低维子空间中,充分地保留数据的局部结构;然后通过带宽可变的非参数密度核函数来进行局部密度估计,并采用局部密度因子(local density factor,LDF)的思想构造监控统计量,进而对工业过程故障进行在线检测;最后通过仿真研究,结果表明所提方法能够有效地应用于多模态过程的故障检测。

基于正交指数局部保留投影的高光谱图像特征提取

针对高光谱图像,在判别局部保留投影(Discriminant Locality Preserving Projection,DLPP)的基础上,提出了一种名为正交指数判别局部保留投影(Orthogonal Exponential Discriminant Locality Preserving Projection,OEDLPP)的特征提取方法。该算法不但保留了DLPP算法的有监督特性,还利用了指数矩阵(the matrix exponential)来获取更有效的样本信息,避免了小样本问题。同时,OEDLPP对投影矩阵进行施密特正交化,解决了特征的冗余性问题。应用OEDLPP算法对高光谱图像进行特征提取后,并采用支持向量机(SVM)对降维后的数据进行分类。与主成分分析(PCA)、局部保留投影(LPP)、判别局部保留投影(DLPP)、指数判别局部保留投影(EDLPP)、正交判别局部保留投影(ODLPP)等对比实验结果表明,本文算法对样本有效信息的获取具有一定的优越性,分类精度提升了2%~3%左右。

基于局部保留投影的荧光分子断层成像快速重建

采用大规模荧光分子断层成像(FMT)投影数据进行重建需要消耗大量的计算内存,花费较长的计算时间.为降低FMT重建的病态性以及加快重建速度,基于流形学习和压缩感知理论,提出了结合局部保留投影(LPP)和稀疏正则化的重建方法,并对原始的多投影荧光数据进行重建.为评估该方法的重建效果和时间,分别设计了非匀质圆柱单、双目标仿真实验和真实小鼠实验.实验结果表明,在保证FMT重建图像精度和分辨率的同时将重建时间大幅度减少.

超光谱遥感图像有监督LPP特征提取研究

在局部保留投影(LPP)特征提取算法的基础上,利用样本标签信息提出了一种有监督的局部保留投影算法(SPLPP),该算法的邻接图的权值不仅考虑了LPP算法中的相似性权值,而且加入了监督类的相关权值。SPLPP算法主要步骤是先用PCA去除高维超光谱遥感图像的冗余信息,再把监督机制引入到LPP中,实现图像的特征提取,将高维超光谱遥感图像投影到低维空间中,利于分类。应用SPLPP算法对高维的遥感原始超光谱图像进行特征提取后,利用支持向量机(SVM)和最近邻分类器(KNN)对降维后的遥感图像数据进行分类;并与PCA、LPP、LDA等特征提取算法进行了比较实验。实验表明:结合了LPP局部信息保留能力和全域标签信息的SPLPP算法,有更好的局部信息保留能力和类判别能力,使分类器分类精度更高,分类效果更好。