一种基于对称性和上下文约束的线性鉴别分析方法

在充分考虑人脸对称性的基础上,结合图像中像素之间的上下文约束关系,提出了一种改进的图像鉴别方法,即基于对称性和上下文约束的线性鉴别分析方法 (SCCLDA).为了证明改进算法的优势,本文进一步在原始样本和镜像样本的扩展集合上测试了CCLDA(ECCLDA)的识别性能.实验研究表明,在人脸受光照、姿态以及表情等外在因素影响情况下,SCCLDA方法比ECCLDA、CCLDA、LDA等方法在人脸识别效果上具有更好的稳定性和更高的准确性.

直接LDA在人脸识别中的鉴别力分析

直接线性鉴别分析(DLDA)曾被声明利用类内离散矩阵零空间内外所有鉴别信息,为了分析声明的理论缺陷,对DLDA在人脸识别中的鉴别特性进行了研究.鉴于DLDA是在类间离散矩阵列空间中寻找最优解,理论分析从下面3方面内容展开:类间和类内离散矩阵的列空间之间的关系、类间离散矩阵列空间与类内离散矩阵零空间的关系以及在保留全部鉴别矢量下的DLDA特性,结果表明,在小样本条件下,DLDA几乎没利用零空间内的信息,导致一些有用的鉴别信息的丢失;若保留全部的鉴别矢量,DLDA退化为类间离散矩阵的保留所有非零成分的主成分分析.在人脸数据库ORL和YALE上的比较实验结果显示:DLDA的识别率都次于其它几种线性鉴别分析扩展方法,与理论分析一致.

一种新的模糊对称散布子空间的鉴别分析算法

提出一种模糊对称散布子空间的鉴别分析算法.首先通过构造对称散布子空间模型,分别获得类内和类间散布矩阵的一组子空间;其次引入了一种松弛归一化条件的模糊鉴别分析算法,根据每一个样本的隶属度对散布矩阵重定义所做的贡献,将它融入到特征抽取的过程中,从而得到完整有效的模糊特征向量集,解决了传统LDA方法中的最终特征维数受类别数限制的问题.在NUST603和ORL人脸数据库上的实验结果验证了该算法的有效性.

对称LDA及其在人脸识别中的应用

线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。基于人脸的一种直观自然特性——镜像对称性,提出一种算法——对称线性鉴别分析。该算法引入镜像变换,生成镜像样本,依据奇偶分解原理,生成镜像奇、偶对称样本,并分别提取各奇偶样本的对称鉴别特征。理论分析与实验证明,该算法合理地利用了镜像样本,既扩大了样本容量,又提高了人脸识别率。

对称DLDA及其在人脸识别中的应用

针对直接线性鉴别分析(DLDA)没有有效利用人脸对称性特征,及其在人脸识别中训练样本不足的问题,依据人脸较为明显的镜像对称性,结合该特性在直接线性鉴别分析的基础上提出对称直接线性鉴别分析方法。采用镜像变换得到奇对称样本和偶对称样本,再分别提取各奇偶对称样本特征分量,最后采用最小欧氏距离进行分类。通过在ORL和YALE人脸数据库上的实验证明,该算法不仅有效利用了镜像样本,扩大了训练样本容量;而且取得了比直接线性鉴别分析更好的识别性能。

对称零空间准则下的LDA特征抽取方法

小样本问题在利用线性鉴别分析处理高维样本时经常遇到,但是已有方法在如何构造完整的最优子空间,并在其中获得最有效的鉴别分析的过程中始终存在着共同的缺陷.提出一种最优对称零空间准则的鉴别分析方法,通过构造类内和类间散布矩阵的2个零子空间及其互补子空间,获得分布在各子空间中降维样本的最优鉴别信息,可有效地解决传统Fisher线性变换方法中的最终特征维数受类别数限制的问题.在FERET和ORL人脸数据库上的实验结果验证了文中方法的有效性.

一种对称散布矩阵空间的人脸识别方法

为有效解决小样本问题,从线性子空间的角度出发,构造了一种矩阵变换,得到了类内散布矩阵的另一个对称线性子空间;通过对两个子空间的分别求解,从而得到样本有效的鉴别信息。该方法有效地解决了传统Fisher鉴别分析方法中的最终特征维数受类别数限制的问题。在NUST603和ORL人脸数据库上的实验结果验证了算法的有效性。

基于核对称散布矩阵空间的特征抽取方法

为解决传统Fisher鉴别分析方法中非线性小样本的特征抽取问题,从核线性子空间角度出发,构造一种矩阵变换,得到核空间中类内散布矩阵的另一个对称核子空间,通过对2个核子空间分别求解,从而得到样本的有效鉴别信息。在NUST603和ORL人脸数据库上的实验结果验证了该算法的有效性。

基于矩阵分解的DLDA特征抽取方法分析

提出两种基于矩阵分解的DLDA特征抽取算法。通过引入QR分解和谱分解(SF)两种矩阵分析方法,在DLDA鉴别准则下,对散布矩阵实现降维,从而得到描述人脸图像样本更有效和稳定的分类信息。该方法通过对两种矩阵分解过程的分析,证明在传统Fisher鉴别分析方法中,矩阵分解同样可以模拟PCA过程对样本进行降维,从而克服了小样本问题。在ORL人脸数据库上的实验结果验证了该算法的有效性。

基于QR分解的鉴别维数压缩及其在人脸识别中的应用

维数压缩是当前模式识别研究领域中的一个重要研究方向.但是当前部分维数压缩方法缺乏有效的鉴别信息保留机制,并且在利用Fisher鉴别准则的时候经常会遇到小样本问题.简单介绍了维数压缩中的鉴别信息保留,并且提出了一种新的直接线性鉴别分析方法——DLDA/QR算法.该方法首先利用矩阵的QR分解算法实现目标函数的优化,再在一个较小的空间内实现有效鉴别信息的提取.在ORL人脸数据库上的实验结果验证了算法的有效性.

对称性的图像梯度方向在人脸识别中的应用

人脸识别中,样本图像很容易受到光照、表情以及姿态等这些外部因素变化的影响,通过利用图像梯度方向代替传统的像素强度来表示像素之间的相关性,一定程度上缓解了这个问题.然而训练样本的有限性很难准确地描述原始样本图像产生的变化,特征提取过程中容易导致样本图像部分信息的损失.利用原始样本的镜像原理重构对称样本图像,在图像梯度方向的基础上,提出对称性的图像梯度方向人脸识别方法(S-IGO),将S-IGO方法分别与PCA、LDA、IGO-PCA、IGO-LDA以及扩展的E-IGO方法在不同人脸库上的识别结果进行比较,并分析改进算法的在人脸识别中的优势.实验结果表明,相较PCA、LDA和IGO方法,E-IGO方法和S-IGO方法通过利用样本图像的镜像原理生成对称样本图像,在拓展样本集合上进行特征提取,可以选择更稳定的特征空间,从而提高最终的识别结果.大部分情况下, S-IGO方法的识别结果要优于E-IGO方法,这是因为S-IGO算法在E-IGO方法的基础上,进一步利用了人脸对称性这个先验信息,在降维过程中,尽可能多地保留了原始样本的有效信息,提高了算法的准确度.

基于2D-PCA的两级LDA人脸识别方法

线性鉴别分析(LDA)小样本问题的已有解决方法在构造最优投影子空间时未完整利用LDA的4个信息空间,为此,提出一种基于二维主成分分析(2D-PCA)的两级LDA人脸识别方法。采用减法运算对样本类内散度矩阵和类间散度矩阵的特征值矩阵求逆,以解决小样本问题,并连续应用Fisher准则和修改后的Fisher准则连接2个投影子空间,获取包含LDA的4个信息空间的最优投影方向,利用2D-PCA对输入样本做预处理,以减少计算复杂度。在ORL和YALE人脸库上的实验结果表明,该方法虽然训练时间略有增加,但识别率分别为92.5%和95.8%,优于其他常用LDA算法。