一种核最大散度差判别分析人脸识别方法

提出一种有效的非线性子空间学习方法——核最大散度差判别分析(KMSD),并将其用于人脸识别。核最大散度差判别分析首先把输入空间的样本非线性映射到特征空间,然后通过核方法的技巧,采用最大散度差判别分析(MSD)方法在特征空间里求解。在Yale和ORL人脸数据库上的实验结果表明,提出的核最大散度差判别分析方法用于人脸识别具有较高的识别率。

基于最大散度差判别分析的一种目标识别方法

针对线性判别分析(LDA)在多类高维小样本模式的分类中存在的"小样本问题"和"次优性问题",提出了一种基于最大散度差判别准则的监督维数约简方法。首先,构造类内和类间离散度函数;然后采用最大散度差判别准则设计最佳判别目标函数,得到映射矩阵和提取分类特征。该方法省略了求解逆矩阵过程,从而避免了传统的LDA存在的小样本问题;最后,在真实飞机图像数据库上的识别实验结果验证了该算法的有效性。

文本分类中一种基于核的最大散度差特征抽取方法

研究了一种基于核的最大散度差准则的文本特征抽取方法。首先回顾了文本分类中特征降维的主要方法、Fisher准则及其相关研究进展以及存在的问题;然后分析了基于散度差准则的线性鉴别方法的优点与不足,借助于核函数较好地解决了线性可分性较差的样本分类问题,在最低限度减少信息损失的前提下实现了特征维数的大幅度减缩。实验结果表明,该方法在文本分类上的效果较好。

一种基于核的正交化最大散度差文本特征抽取

核方法是解决非线性可分性问题的一个重要途径。针对文本自动分类中的特征降维问题,在核最大散度差鉴别分析基础上,提出一种正交化核最大散度差鉴别准则,论证了鉴别向量集在正交化和非正交化的条件下鉴别准则的一致性。在最低限度减少信息损失的前提下实现了文本特征维数的大幅度减缩,改善了最大散度差线性鉴别准则在用于文本分类上的性能。分类试验表明,这种正交化核最大散度差鉴别向量集抽取模型,与线性最大散度差方法相比,具有明显的效率上的优势。

基于最大散度差准则LDA的电子鼻中药材鉴别方法

在电子鼻的模式识别方法中,线性判别分析(Linear Discriminant Analysis,LDA)是常用的方法之一。然而,当样本类内散布矩阵奇异时,使用传统的基于Fisher准则的LDA算法会出现小样本问题。将最大散度差准则引入线性判别分析中,不仅可以解决小样本问题,实现3种不同产地中药材的正确鉴别,而且分类效果更好。结果表明:对3组样本的最终判别结果达到了97.8%的正确判别率,误判的待测样本只发生在安徽白术。

正则化半监督判别分析方法

为了克服加权线性判别分析(WLDA)只利用有标签的训练样本而不能反映样本数据流形结构的缺点,提出一种正则化的半监督判别分析方法。首先构建所有样本的近邻图来估计数据的局部流形结构,然后将此作为正则项引入WLDA的准则函数中。该方法避免了类内散度矩阵奇异,同时保持了样本数据的判别结构和几何结构。在ORL和YALE人脸数据库上的实验结果证明了该算法的有效性。

文本分类中基于核的非线性判别

针对文本分类问题中的特征降维问题,改进最大散度差鉴别准则,引入核变换作为前处理,使最大散度差鉴别准则可适用于更广泛的文本分类情形.提出一种基于核的非线性鉴别方法用于文本特征抽取.借助于核变换解决了散度差准则在用于文本分类时线性可分性较差的问题.在最低限度减少信息损失的前提下实现了特征维数的大幅度减缩.文本分类试验结果表明,这种非线性方法与无核的最大散度差方法相比,F1值提高了4.7%,具有明显的效率上的优势.

有效的协方差判别学习算法

在基于视频的图像集分类中,类内样本多样性问题是影响算法分类性能的一个主要原因.为了尝试解决该问题,提出了一种图像集分类算法,其目标体现在2个方面:(1)使得算法在时间效率上相较于协方差判别学习(CDL)等具有代表性的图像集分类算法有进一步的提升;(2)使得算法在分类精度上也仍然具有可比性.首先利用双向二维主成分分析对原始的协方差特征进行降维,使其变得更加紧凑.同时,为了抽取到更具判别性的特征信息,对每一个低维紧凑的协方差矩阵应用QR分解,使其变换成一个正交基矩阵和一个非奇异的上三角矩阵.考虑数据分布空间的黎曼流形特性,通过定义函数的方式使得上三角矩阵仍然分布在由对称正定(SPD)矩阵张成的SPD流形之上.此时,原始的样本空间就转化成了一个由正交基矩阵张成的Grassmann流形和一个特征分布更加紧凑的新的SPD流形.为了更好地整合这2种黎曼流形特征,首先利用Stein散度以及对数欧氏距离导出一个黎曼流形测地线距离度量;然后,利用该度量设计一个正定的核函数将上述特征映射到一个高维Hilbert核空间;最后,利用核判别分析算法进行判别子空间特征学习.文中算法在5个基准视频集YTC, Honda, ETH-80, MDSD以及AFEW上均取得了较好的分类结果,同时在计算效率上也优于CDL等对比算法,从而表明了其可行性和有效性.

二维非线性鉴别分析及人脸识别

二维最大散度差线性鉴别分析方法不仅有效地避免了在人脸识别中传统的Fisher线性鉴别分析通常存在的"小样本问题",而且使其特征抽取的速度有了大幅度的提高.本文通过引入著名的"核技巧",将二维最大散度差线性鉴别分析扩展到非线性空间,提出了一种新的二维核最大散度差鉴别分析方法.该方法不仅抽取了图像中更加有效的非线性鉴别特征,使正确识别率显著提高,而且为二维非线性鉴别分析提供了一个统一的构架.最后在AR标准人脸库中的实验结果验证了本文算法的有效性.

局部线性判别分析及其在掌纹识别中的应用

在线性判别分析(LDA)算法基础上强调图像类间数据的局部可分性,提出一种称为局部LDA(LLDA)的新子空间方法,并给出LLDA的图嵌入表示。针对LLDA同样存在的小样本问题,首先给出了传统适于LDA的主成分分析(PCA)预处理方法不适于LLDA算法的证明;进而提出了基于散度差判别准则(SDDC)的LLDA(SLLDA),既克服了LLDA的小样本问题,又提供了真实比较LLDA和LDA的平台。在PolyU掌纹数据库上的实验结果表明本文提出的SLLDA算法用于识别的有效性,也验证了数据局部关系对分类的重要性。

新的非线性鉴别特征抽取方法及人脸识别

在非线性空间中采用新的最大散度差鉴别准则,提出了一种新的核最大散度差鉴别分析方法。该方法不仅有效地抽取了人脸图像的非线性鉴别特征,而且从根本上避免了以往核Fisher鉴别分析中训练样本总数较多时,通常存在的核散布矩阵奇异的问题,计算复杂度大大降低,识别速度有了明显的提高。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KPCA和FMSD的人脸识别

针对核最大散度差(KMSD)方法在人脸识别中存在边缘类和次优性问题,提出一种基于核主成分分析(KPCA)与模糊最大散度差(FMSD)的人脸识别方法(KFMSD)。利用KPCA方法提取人脸的非线性结构特征,选取投影后类间散度大于类内散度的特征向量作为最优投影轴,采用FMSD方法,根据隶属度函数将样本的原始分布信息完全融入人脸的特征提取中,采用最近邻分类器进行分类识别。在ORL和YALE人脸库上的实验证明了KFMSD方法的有效性。

一种基于双向2DMSD的人脸识别方法

提出一种基于双向二维最大散度差线性判别分析(Bidirectional 2DMSD)的人脸识别方法。该方法通过在水平和垂直2个方向上顺序执行2次二维最大散度差线性判别分析(2DMSD)运算,将判别特征信息压缩到图像的左上角,大大减少了图像特征的维数;选用二维最小近邻分类法进行分类,计算识别率。在ORL和Yale人脸数据库上的实验结果表明,该方法不仅在识别率上优于最大散度差线性判别分析(MSD),而且在与2DMSD具有相同识别率的情况下,特征维数比2DMSD大大减小,降低了计算复杂度,减少了识别时间,提高了人脸识别效率。

基于循环谱和2DMSD的MIMO雷达信号调制识别

针对多输入多输出(Multiple-InputMultiple-Output,MIMO)雷达信号调制识别存在的问题,提出一种循环谱和二维最大散度差(Two-DimensionalMaximum Scatter Difference,2DMSD)线性判别分析相结合的新方法。首先对典型MIMO雷达信号进行循环谱变换,在此基础上,利用2DMSD线性判别分析对上述二维图像进行特征提取,最终达到调制识别的目的。仿真结果表明,在低信噪比时,该方法仍然具有较高的识别率。

复杂背景下的人脸检测方法研究

针对复杂背景环境下的人脸检测,提出了一种基于改进AdaBoost的新方法。首先对人脸进行Haar-like特征的提取,然后使用基于最大散度差的鉴别准则对人脸高维特征进行降维。通过预设最大误报率和最小通过率及与前向搜索相结合的方法选择最佳弱分类器。在级联结构后几层的强分类器中,使用PCA、LDA与AdaBoost相融合的方法,去除非人脸区域,有效地检测出人脸。实验仿真结果验证了该方法的有效性。