核判决分析及其在表情识别中的应用

提出了一种基于核判决分析(KDA)的人脸表情识别方法。与传统的线性特征提取方法线性判决分析(LDA)不同,针对非线性问题,KDA通过引入核函数进行非线性投影以提取表情特征,克服了LDA算法用于人脸表情识别时存在的问题。基于CED-WYU(1.0)和JAFFE两个表情数据库的识别结果表明,基于核判决分析KDA的特征提取方法能有效地提高识别率。

基于核Fisher判决分析的高性能多类分类算法

探讨了核Fisher判决分析算法(KernelFisherDiscriminantAnalysis,KFDA),并提出了一种基于KFDA的高性能多类分类算法。在进行多类分类时,首先通过一个非线性映射将训练样本映射到一个高维的核空间中,建立一个KFDA子空间,在该高维空间中,不同类别的样本之间的差异增大,同类样本聚集在一起,因此,在这个高维核空间中,就可以利用简单的最近邻法进行多类分类。实验结果表明,该算法在保证分类精度的条件下提高了分类器的训练和分类的速度。

基于核Fisher判决分析的脸谱识别新方法

本文提出一种新的基于核Fisher判决分析(简称KFDA)的脸谱识别方法。即首先应用KFDA提取脸谱特征,然后,进行脸谱识别。利用标准的AT&T脸谱数据库对KFDA特征提取方法和PCA、FDA以及ICA特征提取方法进行比较,最后使用线性支持向量机(简称SVM)进行分类和识别,实验结果显示基于KFDA特征提取脸谱识别方法的识别率明显优于其它三种脸谱识别方法的识别率。

基于Gabor特征量和核函数判决分析方法的人脸识别

研究了基于Gabor特征量和核函数判决方法的人脸识别方法,即首先利用Gabor滤波器组对输入样本进行处理,获得Gabor特征量;然后利用核函数判决方法实现人脸识别。Gabor滤波器组通过提取具有空间频率、空间位置和取向选择性的特征,较好克服了实际中由于表情和光照不同带来的变化;而核函数判决分析方法具有提取输入样本空间的非线性最佳鉴别特征的优点。实验仿真表明了该方法的有效性。

基于时点分割的核Fisher判别分析-顺序回归机多类分类建模方法

针对多维时间序列的多类分类问题,本文提出基于时点分割思想的核Fisher判别分析-顺序回归机(KFDAORM)多类分类建模方法.该方法利用核Fisher判别分析(KFDA)与顺序回归机(ORM)的互补性得到分类决策函数;对分类样本的多维时间序列进行时点分割处理,使用决策函数得到各时点的分类级别;通过指数平滑分析得到采样周期内样本的最终分类结果.通过实例验证,该方法对多维时间序列的分类具有较好效果,是一种有效的多类分类方法.

基于条件正定核的判决分类算法研究

在非线性分类算法中,重要的技术之一是对于核技巧的使用,目前仍是尚未解决的问题。针对Mercer核约束条件强的特点,引入条件正定核函数(c.p.d.核)改善其约束条件。实验证明,对于KPCA和KDDA等判决分类方法,通过c.p.d.核的使用,仍能保持其固有分类性能,从而推广了此类方法的适用范围。

基于Hermite特征和核函数判决分析的人脸识别

提出了基于Hermite特征和核函数判决分析(KDA)方法的人脸识别技术,即首先利用多分辨Hermite分析提取人脸图像特征,然后用KDA方法进行分类识别。采用拟Gabor的多分辨Hermite分析能够提取人脸图像中具有空间频率特性、空间位置和方向取向选择特性的判决特征,从而较好地克服由于光照强度、脸部表情变化带来的影响。KDA方法能够提取高维特征空间中的最佳判决特征,本质上对应于原始空间中的非线性最佳判决特征,具有较好的聚类判决分析性能。实验仿真表明了所提方法的有效性。

一种高性能的人脸识别方法

在基于人脸图像的身份认证系统中,最关键的技术就是如何提取人脸图像的高质量特征以及如何进行分类识别,该文就提出了一种快速、准确的人脸图像识别方法。该方法利用基于核函数的学习算法,进行人脸图像的特征提取和分类。首先,该方法分别利用核主分量分析以及核Fisher算法提取人脸图像的特征,然后对这些特征进行合理的组合以构成组合特征向量,再利用支持向量机进行识别。实验结果显示,所提出的高性能人脸识别方法的识别率高,即使对于轻度光照不均匀的人脸图像、人脸姿势的有限变化图像,也能获得较高的识别率;同时,该方法的训练速度和识别速度也非常快,完全满足人脸识别系统实时性要求。