监督式正交迹比判别投影在图像集人脸识别中的应用

研究、分析了人脸识别中提取原始数据特征的已有方法,在此基础上给出了一种应用监督式正交迹比判别投影(SOTRDP)的新型特征提取方法,即SOTRDP方法。不同于现有的非监督判别投影(UDP)方法,SOTRDP方法能够同时利用局部信息和类别信息建立相似性矩阵。在利用改进局部切空间对齐(ILTSA)非线性降维的基础上,利用聚类中心或最靠近它的样本作为输入,拓展SOTRDP用于图像集人脸识别。在PIE和Honda/UCSD人脸数据库上的实验结果验证了所提方法的有效性。

一种半监督流形学习的人脸识别方法

针对传统线性降维方法忽略数据局部结构特性的问题,提出了一种基于半监督流形学习的方法。针对人脸识别采用图像欧式距离来选择各样本点的K近邻,由此得到修改后无监督判别投影中的邻接矩阵,在传统的无监督判别投影中,融入类标签信息获得几何最优投影。通过在人脸库上的大量比较实验,验证了该方法的准确性和有效性。

基于Log-Gabor小波和正交UDP的人脸识别

针对人脸识别中特征提取的小样本问题，对原始的非监督判别映射（UDP）算法进行了改进，提出一种基于Log．Gabor和正交非监督判别映射（OrthogonalUDP）的人脸识别算法——LGouDP算法。此算法首先采用Log．Gabor小波对图像进行滤波来提取高阶统计信息，然后提出最大化非局部散度和局部散度的权值差和加入基向量正交约束的目标函数，对该目标函数的求解有效地避免了小样本问题，而且正交的基向量使得算法更利于保留人脸非线性子流形空间与距离有关的结构信息和重构样本。在ORL和PIE库上的人脸识别实验证明了提出算法的有效性。

基于极小准则的完备正交判别局部保持算法

以无监督判别投影算法为理论基础,提出了一种基于极小准则的完备正交判别局部保持投影算法。算法首先根据同类样本的空间信息重新定义了类内局部保持散度矩阵与类间局部保持散度矩阵,然后借鉴无监督判别投影算法的目标函数,推导出一个基于极小准则的目标函数,该目标函数通过投影到总体散度矩阵的非零空间中有效地解决小样本问题,最后给出了该算法基于QR分解的正交投影矩阵的求解方法。人脸库上的实验结果表明了所提方法的有效性。

基于UDP的特征提取算法研究

局部保持投影(LPP)算法在特征提取时仅考虑了对数据的局部信息的保持,鉴于此,本文提出无监督判别投影(UDP)算法。UDP算法通过定义局部和非局部散布度,建立一个类似Fisher的判别准则,最大化非局部散布度与局部散布度的比,选择出判别性最强的投影方向对目标数据信息进行特征提取,进而完成对目标的分类识别。实验结果证实了UDP算法的可行性。

基于2DUGDP的戴眼镜人脸识别

针对戴眼镜人脸识别问题,提出了二维非监督测地线判别投影(2D unsupervised geodesic discriminant projection,2DUGDP)方法.该方法在扩充虚拟样本库的基础上,分析戴眼镜人脸图像和不戴眼镜人脸图像的差异及戴不同眼镜人脸图像的差异,提取判别特征用于识别.该特征考虑局部特征的同时考虑非局部特征,寻找一种最优投影在最大化非局部散度矩阵的同时最小化局部散度矩阵,使得距离近的数据投影后仍然近,距离远的数据投影后仍然远.考虑到人脸是非线性的流形结构,文中采用测地线距离表示样本间的差异.在FERET人脸库和CAS-PEAL人脸库上分别进行了实验,实验结果表明,该方法相比较其他方法更能提高戴眼镜人脸的识别率.

基于保持投影的最大散度差的特征抽取方法

对非监督鉴别投影(UDP)准则进行修正,并在修正的准则基础上提出基于保持投影的最大散度差的特征抽取方法.该方法利用非局部散度与局部散度之差作为鉴别准则,从而避免UDP线性鉴别分析中所遇到的小样本问题引起的局部散度矩阵奇异的问题.在标准人脸数据库Yale和FERET上进行实验,实验结果表明本文方法的有效性.