基于最大散度差准则LDA的电子鼻中药材鉴别方法

在电子鼻的模式识别方法中,线性判别分析(Linear Discriminant Analysis,LDA)是常用的方法之一。然而,当样本类内散布矩阵奇异时,使用传统的基于Fisher准则的LDA算法会出现小样本问题。将最大散度差准则引入线性判别分析中,不仅可以解决小样本问题,实现3种不同产地中药材的正确鉴别,而且分类效果更好。结果表明:对3组样本的最终判别结果达到了97.8%的正确判别率,误判的待测样本只发生在安徽白术。

基于小波变换和多特征融合算法的人脸识别

提出了基于小波变换和多特征融合算法的人脸识别方法。该方法先对原始人脸图像进行简单加权小波变换以降低维数,施行改进的模块二维主成分分析(M2DPCA)抽取特征,再进行加权最大散度差鉴别分析(WMSD)得到最终的特征图像,采用最近邻分类器对人脸分类识别。该方法不仅利用了人脸图像的局部特征和类别信息,而且避免了矩阵的奇异值分解可能遇到的问题。在ORL人脸库上实验,以验证该方法的有效性。

基于差空间的最大散度差鉴别分析及人脸识别

提出了一种新的基于差空间的最大散度差鉴别特征抽取方法。该方法首先通过构造人脸图像的差空间,部分地消除由于光照条件不同而引起的人脸图像的不稳定性,然后采用最大散度差鉴别准则函数进行最优鉴别特征的抽取,这样从根本上避免了传统的Fisher线性鉴别分析中存在的“小样本问题”。最后,在ORL标准人脸库和Yale人脸库上的实验结果验证了本文算法的有效性。

基于位平面图像与2DMSLDA的单样本人脸识别

在进行单训练样本人脸识别时,基于每人多个训练样本的传统人脸识别算法效果通常不太理想。尤其是基于Fisher线性鉴别准则的一些方法,由于类内散布矩阵为零矩阵,根本无法进行识别。针对以上问题进行了分析研究,提出了一种新的样本扩充方法,即:采用位平面图像分解法,将每幅样本图像分解为8幅,进而通过各种合成策略构造多幅样本图像。使用一种更加稳定的二维最大散度差线性鉴别分析方法(2DMSLDA)对上面获得的新样本图像进行特征抽取。在ORL国际标准人脸库上进行的实验表明了所提算法的可行性和有效性。

新的非线性鉴别特征抽取方法及人脸识别

在非线性空间中采用新的最大散度差鉴别准则,提出了一种新的核最大散度差鉴别分析方法。该方法不仅有效地抽取了人脸图像的非线性鉴别特征,而且从根本上避免了以往核Fisher鉴别分析中训练样本总数较多时,通常存在的核散布矩阵奇异的问题,计算复杂度大大降低,识别速度有了明显的提高。在ORL人脸数据库上的实验结果验证了该算法的有效性。

一种核最大散度差判别分析人脸识别方法

提出一种有效的非线性子空间学习方法——核最大散度差判别分析(KMSD),并将其用于人脸识别。核最大散度差判别分析首先把输入空间的样本非线性映射到特征空间,然后通过核方法的技巧,采用最大散度差判别分析(MSD)方法在特征空间里求解。在Yale和ORL人脸数据库上的实验结果表明,提出的核最大散度差判别分析方法用于人脸识别具有较高的识别率。

二维非参数最大散度差鉴别分析的SAR图像识别

为增强线性鉴别分析(LDA)在图像识别中所提取特征的可鉴别性及避免小样本问题,提出了二维非参数最大散度差鉴别分析(2DNMSD)的图像特征提取方法。首先根据非参数特征分析的准则直接在二维图像矩阵上构造散布矩阵,然后基于最大散度差鉴别分析准则求取投影矢量。基于MSTAR计划录取的数据的仿真实验结果表明:即使方位角信息未知并且使用简单的最近邻分类器,该方法所提取特征在较低特征维数下的识别率也可以达到98%以上,表明了方法的有效性和正确性。

基于差空间和最大散度差鉴别分析的人脸识别方法

为了提高最大散度差鉴别分析方法在人脸识别中的识别率,提出了一种改进的基于差空间的最大散度差鉴别分析人脸识别算法.该方法把类内平均脸方法应用到2DPCA算法中,并基于改进的2DPCA方法分别建立训练样本和测试样本的差空间,然后用类内中间值代替类内均值修改了最大散度差鉴别算法中类内散布矩阵的定义.用改进后的最大散度差鉴别法对得到的差空间进行鉴别分析,分别提取训练样本和测试样本的鉴别特征,用最近邻分类器分类.在ORL人脸数据库上的实验结果表明,该方法可以有效地改善识别率.

一种基于双向2DMSD的人脸识别方法

提出一种基于双向二维最大散度差线性判别分析(Bidirectional 2DMSD)的人脸识别方法。该方法通过在水平和垂直2个方向上顺序执行2次二维最大散度差线性判别分析(2DMSD)运算,将判别特征信息压缩到图像的左上角,大大减少了图像特征的维数;选用二维最小近邻分类法进行分类,计算识别率。在ORL和Yale人脸数据库上的实验结果表明,该方法不仅在识别率上优于最大散度差线性判别分析(MSD),而且在与2DMSD具有相同识别率的情况下,特征维数比2DMSD大大减小,降低了计算复杂度,减少了识别时间,提高了人脸识别效率。

二维非线性鉴别分析及人脸识别

二维最大散度差线性鉴别分析方法不仅有效地避免了在人脸识别中传统的Fisher线性鉴别分析通常存在的"小样本问题",而且使其特征抽取的速度有了大幅度的提高.本文通过引入著名的"核技巧",将二维最大散度差线性鉴别分析扩展到非线性空间,提出了一种新的二维核最大散度差鉴别分析方法.该方法不仅抽取了图像中更加有效的非线性鉴别特征,使正确识别率显著提高,而且为二维非线性鉴别分析提供了一个统一的构架.最后在AR标准人脸库中的实验结果验证了本文算法的有效性.

两向二维NMSD及其在SAR图像识别中的应用

结合非参数特征分析和最大散度差鉴别分析的思想,提出了两向二维非参数最大散度差((2D)2NMSD)鉴别分析,并用于SAR图像目标识别。首先计算二维图像的非参数散布矩阵,然后使用最大散度差准则求取投影矩阵,最后同时对数据图像矩阵的行方向和列方向进行特征提取。基于美国运动和静止目标获取与识别(MSTAR)公共数据库提供的实测数据的实验结果表明:该方法所提取的特征用于识别,可大大降低特征维数、提高识别性能,识别率可达98%以上。

分块PCA与最大散度差鉴别分析结合的人脸识别

提出了一种将分块PCA与最大散度差鉴别分析相结合的人脸识别方法。该方法是先对原始的人脸图像进行分块,然后对分块得到的子图像矩阵采用PCA方法进行特征抽取,从而把原始模式从高维空间映射到较低维空间。接下来再对新模式采用最大散度差线性鉴别分析,这样就避免了对新模式的类内散布矩阵非奇异的要求。在ORL人脸库和Yale人脸库上分别检验了分块PCA与最大散度差鉴别分析相结合的人脸识别方法的识别性能,实验结果表明该方法抽取的鉴别特征有较强的鉴别能力。

融合典型相关与最大散度差的特征抽取方法

提出了一种融合典型相关分析与最大散度差鉴别分析的特征抽取新方法。该方法首先利用典型相关分析方法实现了特征信息的融合,有效地消除了特征之间的信息冗余。然后,通过采用最大散度差鉴别分析方法将训练样本中的类别信息加以充分的利用,从而有效的提高了人脸识别的正确率。最后,在ORL标准人脸库上和Yale人脸库上的实验结果验证了本文算法的有效性。

基于CCA的增强线性鉴别分析

为了有效地融合Fisher线性鉴别分析与最大散度差鉴别分析所抽取的特征,得到更加全面反映原始样本的鉴别特征集,提出了基于典型相关分析的增强线性鉴别分析方法.利用Fisher线性鉴别分析和最大散度差鉴别分析方法提取两组鉴别特征,根据典型相关分析对这两组特征进行融合,获得更具鉴别力的典型鉴别特征.经过ORL标准人脸库实验,验证了所提算法的有效性.

两向二维最大子类散度差鉴别分析及其在SAR目标识别中的应用

针对Fisher线性判决分析(FLDA)在图像识别应用中遇到的小样本问题,提出了两向二维最大子类散度差((2D)2MCSD)鉴别分析的图像特征提取方法。首先找到每类数据的子类划分,再根据这些子类构造基于二维图像矩阵的子类类间和子类类内散布矩阵,最后用子类类间与子类类内散布之差作为鉴别准则求取投影矢量。该方法可以处理多模分布问题,从根本上避免了矩阵求逆和小样本问题,加快了特征抽取的速度,且同时对图像行和列进行压缩,克服了二维最大子类散度差(2DMCSD)鉴别分析和另一种形式的2DMCSD(Alternate 2DMCSD)的特征维数较大的问题。基于美国运动和静止目标获取与识别(MSTAR)公共数据库提供的实测数据的实验结果表明:本文方法的性能优于现有的子空间方法;与2DMCSD和Alter-nate 2DMCSD相比,可大大降低特征维数、提高识别性能。