用于人脸识别的两类主成分分析融合

分析了基于总体离散度矩阵和总类间离散度矩阵的主成分分析的原理。利用两种方法分别提取人脸特征并进行识别。对两种方法获得的结果进行了特征层融合和决策层融合,基于ORL人脸数据库的实验表明该方法的识别性能优于单一的主成分分析方法。

一种改进的线性判别分析算法MLDA

线性判别分析(LDA)是模式识别方法之一,已广泛应用于模式识别、数据分析等诸多领域。线性判别分析法寻找的是有效分类的方向。而当样本维数远大于样本个数(即小样本问题)时,LDA便束手无策。为有效解决线性判别分析法的小样本问题,提出了一种改进的LDA算法——MLDA。该算法将类内离散度矩阵进行标量化处理,有效地避免了对类内离散度矩阵求逆。通过实验证明MLDA在一定程度上解决了经典LDA的小样本问题。

改进的LDA算法及秩限制问题研究

针对经典线性判别分析中存在的秩限制和小样本问题,通过改进原有的Fisher准则,提出了一种改进的线性判别分析算法ILDA,以克服秩限制问题并同时解决了小样本问题。重点研究了ILDA在解决样本类间离散度矩阵秩限制方面的有效性。在多个国际标准数据集和人工数据集上实验的结果表明ILDA算法不仅有效地突破了秩限制,达到提取更多判别特征的目的,而且具有良好的识别效果。

基于改进LDA算法的人脸识别

提出一种基于改进LDA的人脸识别算法,该算法克服传统LDA算法的缺点,重新定义样本类间离散度矩阵和Fisher准则,从而保留住最有辨别力的信息,增强算法的识别率。实验结果证明该算法是可行的,与传统的PCA+LDA算法比较,具有较高的识别率。

一种改进的线性判别分析算法在人脸识别中的应用

线性判别分析算法是一种经典的特征提取方法,但其仅在大样本情况下适用。本文针对传统线性判别分析算法面临的小样本问题和秩限制问题,提出了一种改进的线性判别分析算法ILDA。该方法在矩阵指数的基础上,重新定义了类内离散度矩阵和类间离散度矩阵,有效地同时提取类内离散度矩阵零空间和非零空间中的信息。若干人脸数据库上的比较实验表明了ILDA在人脸识别方面的有效性。

基于二维不可分小波的人脸识别方法

提出了一种基于二维不可分小波的人脸识别算法。通过对实验数据分析,该算法不但可以减少表情因素的影响,而且计算速率和识别率都有所提高。