一种鉴别稀疏局部保持投影的人脸识别算法

为解决鉴别稀疏邻域保持嵌入(DSNPE)算法中类间离散度构造复杂的问题,提出了一个新的维数约简算法即鉴别稀疏局部保持投影的人脸识别算法(DSLPP)。首先利用样本集中各类样本的平均向量构造字典,通过保持各类样本平均向量的稀疏重构关系,提出一个新的无参数类间离散度;再通过同时最大化类间离散度和同时最小化类内紧凑度的准则来寻找最优投影方向;最后采用最近邻分类器进行人脸分类识别。由于所采用的类间离散度最大限度地扩大了不同类别中样本之间的差异,因此DSLPP算法具有更强的类间判别力,其识别率得到了明显提高;此外,字典的简化构造降低了算法的计算复杂度。在Yale、UMIST和AR人脸库上的实验结果表明:DSLPP算法在Yale、UMIST库上的平均识别率及AR库上的最高识别率分别达83.38%、95.72%和83.71%,较其他传统方法的识别率有明显提高;在UMIST库上的实验结果表明,DSLPP算法较DSNPE算法的平均计算时间减少了81.7%。

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。

稀疏局部保持投影

LASSO(Least Absolute Shrinkage and Selection Operator)是1范数和2范数混合学习的一种理论框架,基于LASSO提出了局部保持投影的稀疏回归算法SpLPP及其广义的正则化形式RSpLPP,并从理论上证明了所提模型的收敛性及求解算法,给出了算法的复杂性分析.所提算法同时具有特征选择、降维的特性,在有监督学习、无监督学习两种任务情况下,都可以应用该算法.在人工数据集和真实数据集上进行的大量仿真实验,取得了较好的结果,证明了所提算法的有效性.

鉴别稀疏保持投影的人脸识别算法

在人脸识别领域中遇到的数据往往是高维的,一般会导致维数灾难问题.近年来稀疏表示(Sparse representation,SR)在处理人脸识别等问题时显示出一定的有效性,而后出现的稀疏保持投影(Sparse preserving projections,SPP)算法又以保持数据的稀疏表示结构为目的成功应用于人脸识别领域,但仍存在一些问题.本文针对SPP算法在人脸识别中存在的问题进行了改进,提出了一种叫做鉴别稀疏保持投影(Discriminant sparsity preserving projection,DSPP)的算法.该算法有以下两方面的改进:(1)针对SPP算法未能有效地利用类标签信息的问题,本文利用最大散度差准则(Maximum scatter difference criterion,MSDC)重建SPP算法的目标函数;(2)针对SPP算法计算复杂度高的问题,本文利用带有相同类标签的训练样本用于稀疏重构.在ORL库、CAS-PEAL库、IMM库上的大量实验结果验证了算法的有效性.

基于局部保持投影和稀疏表示的无监督特征选择方法

传统基于过滤的特征选择方法仅从统计或几何角度分别对数据集的每个特征计算某种得分选择特征,而忽略不同特征之间存在的联系.为解决该问题,利用局部保持投影和稀疏表示的优点,提出新的无监督特征选择算法.该方法通过限制特征权重的非负性和稀疏性选择特征.在4个基因表达数据集和2个图像数据集上的实验表明该方法是有效的.

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.

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%。

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。

基于线性鉴别的无参数局部保持投影算法

针对局部保持投影算法的无监督性质和参数选择复杂性问题,结合线性鉴别分析算法,提出一种改进的有监督无参数局部保持投影算法(Linear Discriminant Supervised Parameter-free Locality Preserving Projection algorithm,LD-SPLPP). LD-SPLPP算法采用监督模式并使用广义Dice系数的方法构建近邻矩阵,有效避免LPP(Locality Preserving Projection)算法参数选择调整的问题.新算法在UCI的八个低维度数据集和两个高维度人脸数据库上进行了实验,通过对数据的特征提取,采用最近邻分类法统计识别率,并分析了实验分类后的数据值与算法性能的关系.上述实验过程中,将新算法与PCA,LDA,ULDA,OLDA,LPP,SPLPP,PSKLPP,PSLMM和EP-SLPP算法进行了对比,实验结果证明了LD-SPLPP在数据降维和特征提取方面的有效性.

基于全局-局部保持投影的稀疏降维方法

该文提出了一种基于全局-局部结构保持的稀疏投影模型(GLSPP).通过对投影数据进行线性重构来保持数据的全局结构,从而保留投影数据的全局信息.通过约束重构系数矩阵与相似性矩阵的相似性来保持全局保持数据和局部保持投影数据的一致性.同时,对重构系数矩阵和相似性矩阵进行稀疏约束,保留主要信息,以减少冗余信息的干扰.在公开的4个人脸与物体数据集上的实验结果显示:该方法具有较高的分类准确率.

基于鉴别稀疏保持嵌入的人脸识别算法

鉴于近年来稀疏表示(Sparse representation,SR)在高维数据例如人脸图像的特征提取与降维领域的快速发展,对原始的稀疏保持投影(Sparsity preserving projection,SPP)算法进行了改进,提出了一种叫做鉴别稀疏保持嵌入(Discriminant sparsity preserving embedding,DSPE)的算法.通过求解一个最小二乘问题来更新SPP中的稀疏权重并得到一个更能真实反映鉴别信息的鉴别稀疏权重,最后以最优保持这个稀疏权重关系为目标来计算高维数据的低维特征子空间.该算法是一个线性的监督学习算法,通过引入鉴别信息,能够有效地对高维数据进行降维.在ORL库、Yale库、扩展Yale B库和CMU PIE库上的大量实验结果验证了算法的有效性.

基于二维局部保持鉴别分析的特征提取算法

提出了一种二维局部保持鉴别分析(Two-dimensional Locality Preserving Discriminant Analysis,2D-LPDA)特征提取算法。该算法直接对图像矩阵进行运算而不需要将矩阵转化为向量后进行运算,较好地保持了图像相邻像素之间的空间结构关系;在LPP算法的基础上,利用训练样本的类别信息计算二维类间散度矩阵和二维类内散度矩阵,并在2D-LPDA的目标函数中引入最大间距准则(Maximum Margin Criterion,MMC),从而求得具有良好鉴别能力的投影向量,同时还避免了小样本情况下矩阵的奇异性问题。通过在ORL人脸图像库上的人脸识别和新生儿面部图像库上的疼痛表情识别实验,验证了所提出的算法的有效性。

一种可鉴别的稀疏保局投影算法

为了增强高维数据在低维子空间中的模式识别能力,假设任意2个类别相同的相似样本其稀疏表示也相似,并基于SPP和LPP思想,提出一种可鉴别稀疏保局投影降维新方法 DSLPP.该方法通过稀疏表示学习和保局部投影,使得在投影子空间中不仅能够保持稀疏表示对数据很好的表达能力,而且较好地获取高维数据所蕴含的本质局部流形结构和自然判别信息,从而增强高维数据在子空间中的表示能力和可鉴别能力.在3个典型的人脸数据集Yale,ORL和PIE29上,将所提出方法 DSLPP与PCA,LPP,NPE和SPP进行对比试验.结果表明DSLPP是一种有效的降维方法,能够较好地改善高维数据在低维子空间中的分类效果.

改进双向二维局部保持投影的人脸识别算法

为更好地处理图像小样本问题,且克服二维局部保持投影(2DLPP)算法只能保持数据局部性质的缺陷,通过结合二维主成分分析(2DPCA)和二维线性鉴别分析(2DLDA)的算法特性,提出了一种改进的双向二维局部保持投影的人脸识别算法.首先,引入样本类别信息改进权重矩阵,增强2DLPP算法对样本变化的鲁棒性;其次,提出改进2DLPP+2DPCA、2DLPP+2DLDA两种融合算法并分别用于输入样本图像数据的行、列方向特征提取.在特征选择后得到行、列方向上的最优投影;最后,通过对样本数据进行行、列方向投影,利用最近邻分类器对样本数据进行分类并获得在给定数据集上的识别结果.在人脸数据集ORL、YALE和AR上的实验结果表明,该算法在人脸识别性能上总体优于2DPCA、2DLDA、2DLPP、(2D)2PCA、(2D)2LDA、(2D)2PCALDA和(2D)2LPP-PCA等算法.

局部和稀疏保持无监督特征选择法

利用局部保持投影和稀疏保持投影来刻画数据的本质结构,结合L2,1范数的组稀疏性来选择特征,提出一种新的针对高维小样本数据集的无监督特征选择算法.实验表明:局部和稀疏保持无监督特征选择法是一种有效的无监督特征选择方法;平衡参数对实验结果有较大的影响.

结合L1图模型和局部保持投影特征的SAR变形目标识别方法

局部保持投影(LPP)是一种能描述数据实际分布的流形学习算法,可以有效地捕获数据的局部信息。针对高精度SAR变形目标识别问题,文中提出一种结合L1图模型和LPP的SAR变形目标识别算法。考虑到稀疏描述具有判别力且对噪声具有鲁棒性的优点,构建L1图模型捕获样本之间的局部结构。此外,还采用一种正则化方法有效地解决了LPP算法中存在的矩阵奇异性问题。

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.

直接无监督正交局部保持特征提取算法

基于局部保持投影发展出的一系列特征提取算法,在应用于人脸识别等高维小样本问题时,均需先采用PCA算法对高维样本降维后才能应用,故此以无监督鉴别分析算法为理论基础,提出了一种直接无监督正交局部保持算法。该算法利用拉普拉斯矩阵的性质进行相应的矩阵分解,可直接从高维样本的原始空间中提取投影矩阵,因而无需先采用PCA降维处理,且解决了无监督鉴别分析算法的小样本问题。为了进一步提高算法的识别性能,给出了基于QR分解的正交投影矩阵的求解方法。人脸库和掌纹库上的实验结果表明了所提算法的有效性。

基于稀疏相似保持算法的人脸识别

鉴于人为选取近邻大小和权重矩阵对局部保持投影(LPP)算法的高维人脸图像特征提取有较大影响,结合稀疏表示原理提出了一种稀疏相似保持(SSP)算法。SSP算法利用稀疏表示,在全局结构中自适应地选取数据间的相似关系,构建非负稀疏关系图,在低维空间中保持高维原始数据的内在稀疏特性不变,能有效地提取出低维鉴别特征。在Extend Yale B、CMU PIE人脸数据库上进行实验,其识别率分别达到了87.35%、90.09%,验证了算法的有效性。

基于监督局部映射的煤矿井下人员身份鉴别方法

为提高煤矿井下人员身份识别率,在局部保持投影(LPP)算法的基础上,提出监督局部映射(SLP)算法。该方法充分利用数据的局部和非局部信息及类别信息,对数据进行维数约简,使特征空间同类数据间的距离更小,不同类数据间的距离更大。该方法能够克服煤矿井下艰苦、空间受限环境中人脸、虹膜和指纹识别率不高的问题。在真实步态数据库上的实验结果表明,基于步态的煤矿井下人员身份鉴别是可行的。