核的正交完备鉴别局部保持投影

针对完备鉴别局部保持投影算法所求得的最优判别矢量间存在信息冗余问题,提出了核的正交完备鉴别局部保持投影算法。通过将核函数技术与正交性原理融合,采用高斯核函数将原始样本映射到高维特征空间,在高维特征空间的局部总体散度矩阵中计算最优判别矢量,只需在整个范围内对值域空间进行特征值分解,去除局部零空间达到样本降维目的。该算法分别在UMIST人脸库和JAFFE人脸表情库上进行实验,实验结果表明算法的识别率高达95.59%。

鉴别的局部中值保持投影及其在人脸识别中的应用

针对已有的鉴别的局部保持投影算法在特征提取问题中存在的不足,提出了鉴别的局部中值保持投影,通过最大化类间距离同时最小化类内距离寻找最佳投影矩阵,并将其用于人脸识别.该算法利用样本的类中值计算类间距离,有效地保留了图像信息;设计了一种不同的相似性度量机制,以保持受噪声影响较小的类内样本之间的邻域关系,从而进一步加强识别效果的鲁棒性.最后通过在ORL,Yale及AR人脸库上的实验,验证了文中算法的有效性.

广义的鉴别局部中值保持投影及人脸识别

针对鉴别的局部中值保持投影(DLMPP)在小样本情况下面临的类内散布矩阵奇异的问题,提出了广义的鉴别局部中值保持投影(GDLMPP)算法。GDLMPP首先将样本等价映射到一个低维子空间,然后在此子空间求解最佳投影矩阵,从而有效解决了小样本问题,并从理论上验证了当类内散布矩阵非奇异时,GDLMPP等价于DLMPP。最后,通过在ORL及AR库上的实验验证了算法的有效性。

具有最大散度无关性的局部保持投影算法

为解决传统流形学习方法不能有效利用人脸类间信息的问题,提出具有最大散度无关性的局部保持投影算法(Maximum-Scatter-Difference-Uncorrelated Locality Preserving Projections,M ULPP).该算法是最大类间无关性的局部保持映射算法,通过求取一组最优的无关鉴别矢量集,既达到特征映射后的类间散度保持最大、类内散度保持最小,同时又满足最佳鉴别矢量之间具有最大统计不相关性,从而提高算法的识别性能.在AT&T和YALE标准人脸图像库上的实验结果表明,MULPP算法具有较高的识别率.

基于局部投影信息的客户相关算法研究

在特征提取过程中,样本图像特别容易受到某些外部条件变化的干扰,如光照变化、拍摄角度以及表情姿态等,而这些变化大都依赖人脸的局部信息.为了提高算法在这些条件变化下的人脸验证效果,提出了基于局部投影信息的客户相关算法.新算法在充分利用局部保持投影和鉴别性局部保持投影的优势上,进一步结合客户相关方法,将不同类别之间的差异表示得更加清楚,得到更具有判别能力的投影向量.通过在XM2VTS数据库上进行的人脸验证实验,证明了新算法在人脸验证方面的优势.

基于RMDLPP的雷达空中目标分类

针对鉴别局部保持投影(discriminant locality preserving projections, DLPP)在窄带雷达目标数据降维时出现的类内离散度矩阵奇异和对孤立点敏感进而导致类别之间可分性弱的问题,提出了基于鲁棒性边界DLPP(robust margin DLPP, RMDLPP)的窄带雷达空中目标分类方法。首先,在计算样本之间距离时将两样本点的欧氏距离与同类样本均值相关联。然后,挑选一定数量的边界样本点进行处理并对优化DLPP目标函数进行降维。最后,使用高性能分类器对降维后的数据进行区分,实现对空中目标的分类。通过对X波段对空警戒雷达实测数据的对比实验表明,所提方法具有更好的分类准确率和对孤立点的鲁棒性。

基于指数正则化鉴别稀疏局部保持投影的人脸识别

鉴于近年来稀疏表示在人脸特征提取与降维领域的快速发展,为了解决原始的鉴别稀疏局部保持投影算法类内离散度奇异值的问题,提出了一种基于指数正则化鉴别稀疏局部保持投影的人脸特征提取算法。首先基于鉴别稀疏保持投影和正则化鉴别分析,对类内离散度矩阵进行正则化处理;其次对类内离散度矩阵和类间离散度矩阵进行指数化运算,将其投影到非线性空间,在求解特征方程时,引入零空间鉴别分析的思想,从而获取更多信息。在ORL库、Yale库和扩展Yale-B库上的大量实验验证了算法的有效性。