基于核映射的无相关鉴别矢量集算法

针对人脸识别这一非线性分类问题,提出了一种基于核的无相关鉴别矢量集算法。应用了支持向量机中核函数的思想,通过核映射将原空间的非线性分类问题转化为特征空间的线性分类问题,然后在特征空间进行无相关鉴别矢量集的求取。其优势在于:利用核函数不但可以将非线性问题转化为线性问题,而且可以提取样本图像的高阶统计特征。在ORL人脸库中的测试结果表明,与传统的全局正交鉴别矢量集算法及传统的无相关鉴别矢量集算法相比,基于核映射的无相关鉴别矢量集算法有更高的识别率,最高识别率可达到99%。

一种新的求解无相关鉴别矢量集方法

无相关鉴别矢量集方法是解决模式识别问题的有效方法 .通常情况下 ,无相关鉴别矢量集是通过递归方式获得的 ,计算时间较长 .该文提出了一种求解无相关鉴别矢量集的非递归方法 .首先根据总体散布矩阵构造无相关投影空间 .对于无相关投影空间中的任何正交矢量集 ,其在原空间中的特征统计无关 .然后在无相关投影空间求解基于Fisher线性判别准则的正交矢量集 ,从而得到原空间的无相关鉴别矢量集 .理论分析和实验结果表明 :该文方法和Jin等的方法所求解的无相关鉴别矢量集是一致的 .而应用本文方法求解无相关鉴别矢量集计算时间较短 ,在类别数为C的情况下 ,二者的时间比为 (C - 1)∶2 .

改进的基于核的无相关鉴别矢量集算法

由于小样本情况下,类内散布矩阵SwΦ零空间的存在,使得利用基于核的无相关鉴别矢量集算法求取的鉴别矢量存在退化现象,因此作者提出了一种改进的基于核的无相关鉴别矢量集算法(MKUFDA)。在ORL人脸图像库上的仿真实验结果表明,与基于核的无相关鉴别矢量集算法相比,改进的基于核的无相关鉴别矢量集算法具有更高的识别性能。

2维不相关鉴别矢量集算法

在人脸识别算法中,已有的计算不相关鉴别矢量集的算法均是基于图像向量模型的,因而将遇到所谓的小样本问题,而且由于采用迭代求解方式,算法运算速度缓慢,为此提出了一种新的求取不相关鉴别矢量集的算法,即一种基于图像矩阵模型的2维不相关鉴别矢量集算法。算法由于采用了图像矩阵模型,解决了小样本问题,通过对类内散布矩阵的白化变换,使得推广的2维线性鉴别分析模型具有类似的2维主成分分析模型的形式,从而将两种算法的模型有效地联系起来,进而可以非迭代地求得2维不相关鉴别矢量集,不但求解速度快且数值解稳定。在ORL和Yale人脸库上的实验结果表明,该算法不但减少了计算时间,同时也提高了识别率,为求解不相关鉴别矢量集提供了一个新的思路。

基于核空间的全局正交鉴别矢量集方法

提出了一种基于核的全局正交鉴别矢量集方法。首先应用支持向量机中核函数的概念,将样本隐式地映射到特征空间,然后构造特征空间的正交空间,再将特征空间样本映射到特征空间的正交空间,求解基于Fisher的全局正交鉴别矢量集。在ORL人脸图像库上的实验结果表明,与现有的基于核的广义鉴别矢量集算法(GDA)和改进的基于核的广义鉴别矢量集算法(MGDA),以及基于核的直接鉴别矢量集算法(KDDA)相比,本文算法有更高的识别率及鲁棒性。

最佳鉴别矢量集在无监督模式下的扩展

基于Fisher准则函数的最佳鉴别矢量集是一种重要的有监督特征提取方法,在模式识别领域有着重要的影响.提出一种将最佳鉴别矢量集扩展到无监督模式下的方法,其基本思想是通过定义的模糊Fisher准则函数将Fisher线性判别扩展成一种半模糊聚类算法,通过该算法求得最佳鉴别矢量和模糊散布矩阵,进而构造出最佳鉴别矢量集.实验表明,在聚类有效性、分类准确率均优于无监督模式下常用的主成分分析特征提取算法.

基于一种最优核鉴别矢量集的雷达目标识别

基于高分辨距离像的雷达目标识别的关键是如何提取距离像的有效鉴别特征。通过分析核Fisher准则函数下核类内散布矩阵的零空间信息与非零空间信息对识别的贡献,基于同构映射思想,求解出一组最优鉴别矢量集,用于提取距离像的鉴别特征。同时,给出一种快速算法,用较少的训练样本表达投影方向,加快了鉴别特征的提取速度。基于外场实测数据的实验证明了方法的有效性。

一种改进的统计不相关最佳鉴别向量集

扩展了Fisher鉴别分析算法,提出一种改进的统计不相关的鉴别算法:首先应用PCA算法将原始特征空间映射到一个线性子空间,然后在子空间中构造最优鉴别矢量集。对人脸数据库测试的结果表明:改进的算法具有较强的特征鉴别能力。

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。

统计不相关最优鉴别分析的理论与算法

该文分析了Fisher准则函数所对应的广义特征方程的特征向量的性质 ,在此基础上揭示了具有统计不相关性的最优鉴别矢量集的本质 ,即为广义特征方程的d个最大的特征值所对应的满足共轭正交条件的特征向量。指出了统计不相关的最优鉴别分析是经典的Fisher线性鉴别分析的进一步发展。在ConcordiaU niversityCENPARMI手写体阿拉伯数字数据库上的试验结果证实了所提出算法的有效性。

Fisher极小准则不相关空间算法及其在人脸识别中的应用

不相关空间算法是一种基于广义Fisher准则求解不相关鉴别矢量集的快速算法,但该算法要求总体散度矩阵可逆.针对高维小样本的情况,文中提出求解不相关鉴别矢量集的改进方法.该方法的基本思路是在类间散度矩阵的值空间中运用广义Fisher极小准则求解鉴别矢量集,并讨论在该子空间中进行求解的合理性.针对高维情况下类间散度矩阵值空间的计算效率问题,提出首先利用PCA算法将数据降维,然后在低维空间中求解值空间的策略并讨论其合理性.在ORL人脸数据库上的实验验证该方法的有效性,其识别率高于传统的Fisher脸方法和不相关空间算法.

改进的核直接Fisher描述分析与人脸识别

针对奇异情况下核Fisher鉴别分析中非线性最优鉴别矢量集的求解问题,提出了改进的核直接描述分析(IKDDA).根据再生核理论,定义核类内散度矩阵和核类间散度矩阵,将高维特征空间中的Fisher鉴别准则函数转化为核Fisher鉴别准则函数.基于同构映射原理和奇异值分解定理,在一个更小的空间内将核Fisher鉴别准则函数的极大值问题转化为其倒数的极小值问题,使最终的解不需要分开考虑核类内散度矩阵的零空间和非零空间.在ORL和UMIST人脸库上的实验结果表明,IKDDA方法与其他方法相比,具有较低的误识率和较快的运行速度.

一种改进的不相关空间算法及其在人脸识别中的应用

不相关空间算法是一种基于 Fisher 准则求解不相关鉴别矢量集的快速算法,但应用在人脸识别中将遇到小样本问题.本文提出一种改进的不相关空间算法,较有效地解决这一问题.其思想是将原始数据空间降到一个低维的子空间,从而避免了总体散布矩阵奇异,并在理论上证明,在这个子空间中求解不相关鉴别矢量集等价于在原空间中求解不相关鉴别矢量集.另外根据散布矩阵的对称性,引入一种计算方法,进一步提高求解不相关鉴别矢量集的速度.最后,在人脸库上的实验结果验证该算法的有效性.