基于向量组的Fisher线性鉴别分析方法

提出了一种基于向量组的Fisher线性鉴别分析方法。该方法先将原始的高维向量分割为低维的子向量组,再对向量组运用Fisher线性鉴别分析。这种处理方法,不但能够解决任意高维下的小样本问题,而且通过选择恰当的子向量维数,可以从向量中抽取出最有效的特征值。此外,基于向量组的Fisher线性鉴别分析是Fisher线性鉴别分析和二维Fisher线性鉴别分析的进一步推广。

不相关局部保持鉴别分析算法

针对人脸识别中的特征提取问题,提出了一种新的不相关局部保持鉴别分析算法.根据局部保持投影方法的特点和类内样本之间的空间结构信息,重新定义类内散布矩阵与类间散布矩阵,结合不相关条件,推导出一个新的目标函数.在此基础上,通过理论分析给出了求解不相关局部保持鉴别矢量集的计算公式.人脸库上的实验结果表明,新算法优于传统的局部保持投影方法和其他改进的局部保持投影方法.

基于有效线性判别零空间理论的模式识别算法

针对现有模式识别分析方法中普遍存在的子空间优化与"小样本"问题,首先阐释了有效零空间与有效线性判别零空间核心原理;其次,通过研究了原始空间中总体、类间散布矩阵与有效零空间、有效值域空间上的总体、类间散布矩阵关于特征值与特征向量之间的关联关系,获取了类内散布矩阵零空间、值域空间上关于Fisher线性判别率的关键结论;最后,基于上述理论,设计出一种改进的线性判别子空间模式识别算法。通过相关数据集模拟实验表明,I-VLDNS算法在模式识别分析性能、精确度以及鲁棒性上均得到进一步优化与提高。

核广义多重集的典型相关分析

阐述典型相关分析(CCA)是一种重要的多特征提取方法,它是研究变量之间相关的一种统计分析方法,能够有效地揭示变量之间的相互线性依赖关系。传统CCA方法没有充分利用样本类别信息并且只能处理简单的线性问题,提出一种核广义多重集典型相关分析方法(KGMCCA),通过引入核方法和监督信息,能够提取更具鉴别性的特征信息。在人脸数据集上的实验结果表明,该方法相较于其他特征提取方法具有更好的识别率。

基于邻域加权直方图的交互式车辆图像分割

针对车辆图像,提出了一种基于邻域加权直方图的交互式车辆图像分割方法。算法采用邻域加权直方图特征,与传统直方图特征相比,邻域加权直方图采用卷积和求导运算,简化了计算直方图的复杂性,降低了计算成本,同时引进了关于邻域距离的加权函数,避免了传统直方图导致的边缘尖锐度增大,边缘分割不准确的情况。实验结果证明,本文方法大大提高了分割的准确性。