基于谱分解的F-S最佳鉴别平面及舰船识别研究

Fisher最佳鉴别分析方法已在许多模式识别问题中取得成功应用。Fisher最佳鉴别分析建立在对Fisher最佳鉴别准则的最优化基础上。本文利用对类内矩阵 Sw进行谱分解 ,提出一种在类内矩阵 Sw 的零空间中求解F -S最佳鉴别平面的新方法。我们将此方法应用于红外舰船图象的特征抽取和识别的研究。实验结果表明了该方法的有效性。

基于KPCA及最佳鉴别独立分量的人脸识别方法

首先分析了独立分量分析(ICA)在人脸识别应用中存在的一些问题,然后从3个方面对基于独立分量分析的人脸识别方法进行了改进:首先利用KPCA将人脸映射到特征空间,在特征空间进行ICA得到相对于原样本的非线性独立分量,从而得到一种非线性独立分量分析的方法;其次,定义了Fisher鉴别信息作为选取最佳鉴别独立分量的准则;最后,提出了一种用最佳独立分量表示待识别人脸图像的方法,克服了用直接投影得到的特征不准确的问题.基于ORL人脸数据库的实验表明,利用此改进的非线性最佳鉴别ICA方法,可以得到优于FLDA方法的识别性能,且在特征数较少时仍能得到较好的识别稳定性.

一种新颖的基于Gabor-LDA的人脸识别方法

为了克服光照、表情变化等因素对人脸识别的影响,提出了一种基于Gabor小波和最佳鉴别分析LDA的人脸识别方法。该方法充分利用了LDA得到的鉴别向量,用鉴别向量组成线性变换矩阵,直接从原始的强度图像上提取LDA特征。然后,用鉴别向量选择一些鉴别像素,仅在鉴别像素的位置上提取Gabor特征并对Gabor特征作LDA变换得到另一种LDA特征。它们分别可视为全局特征和局部特征。最后的分类器融合这两类特征。在FERET人脸库上的试验表明了该方法的有效性。

改进的基于Gabor-LDA的人脸识别方法

鉴于Gabor特征对光照、表情等变化比较鲁棒,并已在人脸识别领域取得成功应用,提出了一种改进的Gabor-LDA算法。首先对人脸图像进行多方向、多尺度Gabor小波滤波,然后对得到的特征向量使用改进的主成分分析方法(PCA)变换降维,采用自适应加权原理重建类内散布矩阵和类间散布矩阵,从而改进了最佳鉴别分析(LDA)判别函数,有效地解决了训练样本类均值与类中心的偏离问题。对Yale人脸库的数值试验表明,该算法比传统算法有更好的性能。