一种有监督的稀疏保持近邻嵌入算法

为充分利用样本的类别信息,提出一种有监督的稀疏保持近邻嵌入算法(SSNPE)。该算法结合稀疏表示和保持近邻的思想,根据先验类标签信息保持局部邻域的固有几何关系。采用最小近邻分类器估算识别率,测试结果表明,在姿态、光照和表情变化的情况下,SSNPE都具有较高的识别率。

一种半监督稀疏保持近邻判别嵌入算法

保持近邻嵌入(NPE)算法对局部线性嵌入(LLE)算法进行了改进,克服了新来样本问题,但在处理分类问题上表现不足。基于此提出一种半监督稀疏保持近邻判别嵌入算法,该方法首先采用小波变换对数据进行预处理,然后执行等距离映射(Isomap)算法选择合适的低维嵌入维数,最后结合稀疏表示理论、NPE和线性判别分析(LDA)的思想,重构邻域图,并在建立目标函数时使得已标签信息中同类样本点之间相互靠近,异类样本点之间相互远离,未标签信息邻域信息得以保持。这样,既得到了高维映射函数,又提高了分类正确率。通过在人脸数据库上实验,并与其他半监督算法作比较,该算法在识别率上表现较好。

张量图像上的正交张量监督近邻保持嵌入

正交张量近邻保持嵌入是一种有效的张量图像的降维工具,但仍存在监督判别信息不足的问题。为此提出正交张量监督近邻保持嵌入OTSNPE(Orthogonal Tensor Supervised Neighborhood Preserving Embedding)降维算法。该算法首先将二维图像看成二阶张量空间的点;然后在同类样本中选择近邻并进行线性重构;最后通过特征保持提取投影方向。投影后的特征既能有效地保持张量图像像点之间的空间关系,又能较好地保持蕴含在张量图像之间的类内局部重构关系和近邻关系。在AR和YaleB人脸数据集上的实验验证了该算法的有效性。

基于监督协同近邻保持投影的人脸识别算法

基于流形学习理论的近邻保持嵌入算法(Neighborhood Preserving Embedding,NPE)能够发现数据集中隐含的内蕴结构,但当训练样本不足时,无法准确发现数据的内在流形结构,从而影响算法的识别效果。针对这一问题,对NPE算法进行改进,提出了监督协同近邻保持投影算法(Supervised Collaborative Neighborhood Preserving Projection,SCNPP)。该算法在类别信息的指导下构建近邻图,使同类样本间的几何关系得到保持,利用协同表示弥补NPE因样本不足造成的表示误差,以一个有效保持样本近邻关系、准确发现数据内在流形结构的权值矩阵计算投影矩阵,提高分类效果。在FERET、AR和Extended Yale B人脸数据集上的实验验证了该算法的有效性。

基于SNPE和SVM的人脸识别

在人脸识别方面,传统的特征提取方法大都是线性方法,不能很好保持样本的拓扑结构。分类方面,支持向量机能够尽量提高学习的泛化能力,防止过学习,是一种很好的分类器。提出了一种基于SNPE和SVM的人脸识别方法。采用有监督模式确定NPE算法中的K值。SNPE算法旨在保持数据的局部流型结构,而且相对于近期提出的LLE算法,它能够适用于训练样本和测试样本,具有更大的实用型。结合两分类支持向量机级联模型进行人脸识别,在ORL人脸数据库上实验表明,算法具有稳健性、快速性等优点,实验效果令人满意。

基于Gabor小波和有监督2DNPE的人脸识别方法

针对人脸图像识别易受光照、表情等外部因素影响这一问题,提出一种基于Gabor小波和有监督二维近邻保持嵌入算法(S2DNPE)的人脸识别方法.传统的2DNPE算法是一种无监督的流形学习算法,没有考虑类成员之间的关系,为了提高算法的鉴别能力,在其基础上引入类别信息使其变为有监督的2DNPE算法.首先利用Gabor小波对人脸图像进行特征提取,得到对光照、表情等因素都具有一定鲁棒性的图像特征,然后应用S2DNPE算法对其进行降维、提取映射到低维子空间的特征向量,最后采用最近邻分类器分类识别.在Yale、FERET和AR人脸库上进行实验,结果表明,与2DPCA,2DLPP,2DNPE,B2DLPP及G2DPCA算法相比,该方法具有较好的识别率.

人脸识别系统中的流形学习算法分析

近年来的研究发现,人脸可能位于一个非线性流形上。对保持近邻嵌入(NPE),局部保持投影(LPP)以及无监督分类投影(UDP)这些基于流形学习的算法思想进行了介绍,并通过实验将它们和经典的主成分分析(PCA)以及线性判别分析(LDA)算法进行了比较,最后根据在ORL和YALE人脸库上的实验结果总结了各种算法的优缺点。