一种基于Fisher鉴别极小准则的特征提取方法

特征提取是模式识别研究领域的一个热点.为了更好地解决人脸识别中的特征提取问题,定义了一种新的基于Fisher鉴别极小准则的特征提取方法,并且提出了类间散布矩阵零空间的概念,解决了先前Fisher线性变换方法中的最终特征维数受类别数的限制.在人脸数据库上的实验结果验证了该算法的有效性.

一种改进Fisher准则的线性鉴别分析方法

目前线性鉴别分析以Fisher准则或是逐对类加权Fisher准则为依据,但前者不能限制离群类,后者计算量大,鉴于此,提出一种改进Fisher准则用于线性鉴别分析。回顾了Fisher准则和逐对类加权Fisher准则,指出其中问题产生的根本原因。提出类距离和类离群程度的定义,以类距离为依据判定各类离群程度,以类离群程度为参数赋予各类权值,重新计算总体类均值和类间离散度矩阵,以得到限制离群类、突出常规类的改进Fisher准则。这种改进Fisher准则计算简单,能有效限制离群类。

基于加权Fisher准则的线性鉴别分析及人脸识别

提出了一种基于加权Fisher准则线性鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以提高样本在低维线性空间中的可分性,然后探讨了高维、奇异情况下如何降低运算量的问题,并给出了一个简单高效的算法。在ORL标准人脸库上进行测试,由该算法抽取的特征在最近邻分类器和最小距离分类器下均达到96%的正确识别率,这一结果优于经典的特征脸和Fisher脸方法在该库上的识别结果。

基于多特征融合与Fisher准则的遥感场景图像分类

提出一种基于多特征融合的Fisher准则分类方法,将提取到的卷积神经网络特征、图像纹理的局部二值模式、方向梯度直方图特征及颜色特征、颜色矩进行有效融合,使其在高维空间上线性可分,利用线性分类器Fisher对特征模型的参数进行微调获得分类结果.将该模型应用于数据集UCM进行测试,与其他分类方法相比,准确率均有所提升;与深度卷积网络GoogLeNet相比准确率提升1.5%.为保证该模型的泛用性,于AID数据集上进行进一步实验,结果验证了该模型的有效性.

Fisher线性鉴别分析的理论研究及其应用

Fisher线性鉴别分析已成为特征抽取的最为有效的方法之一 .但是在高维、小样本情况下如何抽取Fisher最优鉴别特征仍是一个困难的、至今没有彻底解决的问题 .文中引入压缩映射和同构映射的思想 ,从理论上巧妙地解决了高维、奇异情况下最优鉴别矢量集的求解问题 ,而且该方法求解最优鉴别矢量集的全过程只需要在一个低维的变换空间内进行 ,这与传统方法相比极大地降低了计算量 .在此理论基础上 ,进一步为高维、小样本情况下的最优鉴别分析方法建立了一个通用的算法框架 ,即先作K L变换 ,再用Fisher鉴别变换作二次特征抽取 .基于该算法框架 ,提出了组合线性鉴别法 ,该方法综合利用了F S鉴别和J Y鉴别的优点 ,同时消除了二者的弱点 .在ORL标准人脸库上的试验表明 ,组合鉴别法所抽取的特征在普通的最小距离分类器和最近邻分类器下均达到 97%的正确识别率 ,而且识别结果十分稳定 .

基于最大散度差鉴别准则的自适应分类算法

首先证明了,当类内散布矩阵非奇异时,特定参数值c_0下最大散度差的最优鉴别方向等同于Fisher最优鉴别方向；其次,给出了最大散度差分类算法的识别率随参数C变化的曲线．该曲线通常为一脉冲曲线．随着参数C的增大,识别率也逐渐增大．当参数C增大到c_0时,识别率达到最大值．另外,以往的研究成果表明：当类内散布矩阵奇异时,最大散度差鉴别准则逐步逼近大间距线性投影准则．而且,随着参数C的不断增大,最大散度差分类算法的识别率也单调增大并最终稳定到大间距线性投影分类算法的识别率上．为此,我们提出了基于最大散度差鉴别准则的自适应分类算法．新算法可以根据训练样本的特性(类内散布矩阵是否奇异)自动选择恰当的参数C．在UCI机器学习数据库上的6个数据集以及AR人脸图像数据库上的测试结果表明,自适应最大散度差分类算法具有良好的分类性能．

一类基于多目标规划的线性鉴别准则

两类Fisher鉴别准则、大间距线性投影准则以及最大散度差鉴别准则都是直接用于模式分类的两类线性鉴别准则,它们的共同点是将"投影后数据的可分性达到最大的方向"作为最优投影方向。区别在于它们对数据可分性的定义有所不同。过去的研究成果表明,大间距线性投影分类器与支持向量机之间、大间距线性投影准则与最大散度差鉴别准则之间以及最大散度差鉴别准则与两类Fisher鉴别准则之间,均存在着这样或那样的联系。论文试图在以往研究成果的基础上进一步理清这些两类线性鉴别准则之间的内在关系,并建立一个统一的理论框架从而将基于投影后数据可分性的这些两类线性鉴别准则都纳入其中。

基于Fisher标签字典学习的齿轮箱故障诊断方法研究

齿轮箱结构复杂,工作环境恶劣,导致难以有效诊断其故障。传统稀疏表示方法缺乏对字典原子和稀疏编码的约束,不能体现出信号的结构特性。提出Fisher标签字典学习算法。首先构建Fisher约束项,学习样本的类内和类间特征;然后引入样本标签信息,构建标签约束项,将样本标签与每个字典原子相关联;最后采用最优方向法实现误差最小化,字典与稀疏编码交替更新,提高字典学习的识别率。通过实验数据对比分析,该方法在稀疏编码、原子聚类等方面均优于传统稀疏表示方法,可对齿轮箱故障进行有效诊断。

基于Fisher鉴别字典学习的人体行为识别

人体行为识别是计算机视觉中的一个重要研究领域,具有广阔的应用前景。研究了基于Fisher鉴别的字典学习方法在人体行为识别上的应用。首先对人体行为的视频序列提取了局部时空特征,并通过随机投影法降维;然后把降维后的特征作为待分类的信号进行Fisher鉴别字典学习,从而增强字典和编码系数的鉴别能力;最后同时利用重构误差和稀疏表示系数进行分类。实验结果验证了所提方法在人体行为识别上的有效性与鲁棒性。

基于模糊Fisher准则的半模糊聚类算法

该文针对线性可分数据提出一种鲁棒的基于模糊Fisher准则的半模糊聚类算法FFC-SFCA。FFC-SFCA通过模糊化散布矩阵,将模糊理论引入Fisher判别方法,通过对模糊Fisher准则函数迭代优化实现聚类。FFC-SFCA的优势在于具有很好的鲁棒性且可以获得可分性好的聚类结果,同时,可以求得最优鉴别矢量和分类阈值。实验证实了FFC-SFCA的有效性以及对两个常规聚类算法的优越性。

基于Hough变换和Fisher准则的垄线识别算法

为了提高农业机械自主作业视觉导航的精度,基于田间作物垄行的特点,首先选择作物的绿色为特征提取垄行结构;然后针对Hough变换原理提取垄线存在的问题,根据垄线点空间关系,运用Fisher准则函数进行反压缩处理,并将Fisher准则函数值作为垄线样本点疏密程度和方向势大小的度量,优化了Hough变换识别多垄线的条件,得出了多垄识别统一模型。试验结果表明,作物垄线定位的准确性、适应性均得到提高,而且能够避免较大面积杂草等影响,从而克服了传统Hough变换提取多垄线的不足,对农田机器视觉导航应用具有一定参考价值。

基于混淆矩阵和Fisher准则构造层次化分类器

构造层次化分类器的首要环节是确定各个子分类器的层属关系及其内部组成.从模式间的相似关系入手,实现了一种自动产生层次化分类器结构的方法.为了描述模式间的相似关系,首先提出利用混淆矩阵度量相似性的思路与方法,避免了现有常用度量方法计算量大、假设条件难以成立的不足.进而遵循Fisher准则,设计并实现了模式相似关系分析机(patterns’similarityrelationshipanalyzingmachine,简称PSRAM),将有师指派和无师自组两种常用的模式重组方法有机结合起来,自适应地产生层次化分类器结构.大量测试证实,该方法有效、实用,可以显著地提高分类器的识别性能和稳健性.

基于核函数Fisher鉴别分析的特征提取方法

提出一种基于核函数的Fisher鉴别分析的故障特征提取方法。该方法通过内积核函数将原始特征空间映射到高维特征空间,然后在高维特征空间作线性Fisher判别分析,从而得到原始特征空间的非线性特征,最后应用滚动轴承的故障数据对该方法进行了检验。结果表明,与线性Fisher鉴别分析和核主元分析方法相比,基于核函数的Fisher鉴别分析更适合提取机械故障的非线性特征,它所提取的故障特征对故障具有更好的识别分类能力,并且对分类器具有较强的鲁棒性。

一种最优的核Fisher鉴别分析与人脸识别

基于核的Fisher线性鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一。但是,针对必然面临的奇异性问题,如何抽取非线性最优鉴别特征还没有得到很好的解决。基于同构映射的思想,我们提出了一种最优的核Fisher鉴别分析(OKFDA)方法,从理论上巧妙的解决了奇异情况下最优鉴别矢量集的求解问题。在FERET人脸库的子库上的实验结果验证了OKFDA方法的有效性。

基于Fisher准则的多特征融合

阐述了单个特征向量及其鉴别矢量与模式可分性的关系最佳鉴别矢量使模式关于该特征具有最大的可分性。给出了多特征融合的一,种方法,它综合考查了模式对不同的特征、不同的鉴别矢量的可分性,由多个特征经融合产生的新特征吸收了单个特征的对模式分类的优势。手写体汉字的识别试验验证了所给方法的有效性。

Fisher准则和正则化水平集方法分割噪声图像

随着活动轮廓模型的不断成熟和发展,模型的抗噪能力又成为重要的研究课题.为了精确地分割图像的同时去除图像的噪声,针对噪声图像用非负稳健函数作为边缘保持函数,从而保证图像在去噪的过程中边缘和纹理信息不被模糊.首先创造性地将分类器中的Fisher准则函数引入到图像分割中,从分类的角度对C-V模型给出了Fisher解释.把Fisher准则作为分割的标准来建立一个基于区域和边缘相结合的同时完成去噪和分割变分水平集分割模型.其次详细讨论了该模型的数值求解方法.最后实验验证了用Fisher值来衡量分割标准的理论的正确性和可靠性以及模型中正则项约束在去噪过程中的边缘保持功能.通过3组实验检验了提出的模型对噪声图像的去噪和分割比聚类算法、松弛迭代算法、Mean Shift算法有更好的效果.

基于近红外的Fisher判别法鉴别废塑料

通过对化学计量学方法的分析研究,提出了一种基于近红外光谱的丙烯腈–丁二烯–苯乙烯塑料、聚对苯二甲酸乙二酯、聚氯乙烯、聚丙烯、聚苯乙烯和聚乙烯6种塑料的一次性鉴别模型,为近红外塑料识别软件的二次开发提供有效程序。结果表明,光谱经3次多项式、13窗口S–G最小二乘拟合平滑+sym17函数、分解2层小波分析+主成分分析+特征波长选择+Fisher判别处理,可得5个判别函数式。由这些函数式建立的判别模型可以实现6种塑料的一次性识别,其校正集样本自身验证和交叉验证的识别率分别为100%和84.9%,表明该模型稳定;预测集样本进行模型外部检验的准确率为100%,表明该模型可行。

基于改进Fisher准则的深度卷积神经网络识别算法

为了有效利用深度学习技术自动提取特征的能力,并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题,提出了基于Fisher准则的深度学习算法.该方法在前馈传播时,采用卷积神经网络自动提取图像的结构信息等特征,同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数,降低了模型复杂度;在反向传播权值调整时,采用了基于Fisher的约束准则.在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小,类间距离大,从而使权值能更加快速地逼近有利于分类的最优值,当样本量不足或训练迭代次数不多时可有效地提高系统的识别率.大量的实验结果证明:该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果.

基于边际Fisher准则和迁移学习的小样本集分类器设计算法

如何利用大量已有的同构标记数据(源域)设计小样本训练数据(目标域)的分类器是一个具有很强应用意义的研究问题.由于不同域的数据特征分布有差异,直接使用源域数据对目标域样本进行分类的效果并不理想.针对上述问题,本文提出了一种基于迁移学习的分类器设计算法.首先,本文利用内积度量的边际Fisher准则对源域进行特征映射,提高源域中类内紧凑性和类间区分性.其次,为了筛选合理的训练样本对,本文提出一种去除边界奇异点的算法来选择源域密集区域样本点,与目标域中的标记样本点组成训练样本对.在核化空间上,本文学习了目标域特征到源域特征的非线性转换,将目标域映射到源域.最后,利用邻近算法(k-nearest neighbor,k NN)分类器对映射后的目标域样本进行分类.本文不仅改进了边际Fisher准则方法,并且将基于自适应样本对筛选的迁移学习应用到小样本数据的分类器设计中,提高域间适应性.在通用数据集上的实验结果表明,本文提出的方法能够有效提高小样本训练域的分类器性能.

LBP特征和改进Fisher准则的人脸识别

为了进一步提高人脸识别系统的性能,在LDRC算法的基础上进行改进,并将改进LDRC算法的准则函数应用到Fisher分类器中,提出了一种新的基于LBP特征和改进Fisher准则的人脸识别算法。该算法提取每幅人脸图像的标准LBP直方图特征:把提取到的LBP特征输入到改进后的Fisher分类器中,得到最佳投影矩阵和投票结果矩阵;求解出投票结果矩阵的最大值所对应的类别号,将其作为最终的识别结果;分别在FERET和AR人脸库中进行实验检测,结果表明与传统的特征提取方法相比,给出的方案可以使人脸识别率得到显著提高。