研究提出一种模糊双向最大间距准则(fuzzy bidirectional maximum margin criterion,FBMMC)特征提取方法,并将其用于人脸识别。在FBMMC中,首先通过引入原始训练样本集的模糊隶属度矩阵,定义了面向图像的行方向模糊离散度矩阵和行方向模...研究提出一种模糊双向最大间距准则(fuzzy bidirectional maximum margin criterion,FBMMC)特征提取方法,并将其用于人脸识别。在FBMMC中,首先通过引入原始训练样本集的模糊隶属度矩阵,定义了面向图像的行方向模糊离散度矩阵和行方向模糊最大间距准则,进一步求得行方向最优投影矩阵;然后,对原始训练样本集中的每一个样本,采用行方向最优投影矩阵进行投影变换,从而得到行方向特征训练样本集。同样地,通过引入行方向特征训练样本集的模糊隶属度矩阵,给出了面向图像的列方向模糊离散度矩阵和列方向模糊最大间距准则的定义,进一步求得列方向最优投影矩阵。FBMMC在得到行、列两个方向的最优投影矩阵后,就可以将原始数据空间的样本数据投影到一个相对低维的特征空间,从而完成对原始样本数据的特征提取。在ORL和Yale人脸数据库上的实验结果表明,文中提出的模糊双向最大间距准则特征提取方法用于人脸识别具有较高的识别率。展开更多
针对二维最大间距准则(Two Dimensional Maximum Margin Criterion,2DMMC)算法进行特征提取时,无法提取局部的特征.同时,该算法也受不同的表情、光照以及姿态等条件的影响,识别的效果也大大降低.因此,提出一种基于分块二维MMC(Modular T...针对二维最大间距准则(Two Dimensional Maximum Margin Criterion,2DMMC)算法进行特征提取时,无法提取局部的特征.同时,该算法也受不同的表情、光照以及姿态等条件的影响,识别的效果也大大降低.因此,提出一种基于分块二维MMC(Modular Two Dimensional Maximum Margin Criterion,M2DMMC)的人脸识别方法.首先,对图像矩阵进行分块,然后对分块后的矩阵进行2DMMC特征抽取,对每一子块抽取的特征进行整体融合,最后采用最近邻判决准则进行分类识别.在ORL,Yale人脸图像库进行实验的结果表明,新算法相对于MMC算法、二维MMC算法以及分块MMC算法均有较好的识别性能.展开更多
文摘研究提出一种模糊双向最大间距准则(fuzzy bidirectional maximum margin criterion,FBMMC)特征提取方法,并将其用于人脸识别。在FBMMC中,首先通过引入原始训练样本集的模糊隶属度矩阵,定义了面向图像的行方向模糊离散度矩阵和行方向模糊最大间距准则,进一步求得行方向最优投影矩阵;然后,对原始训练样本集中的每一个样本,采用行方向最优投影矩阵进行投影变换,从而得到行方向特征训练样本集。同样地,通过引入行方向特征训练样本集的模糊隶属度矩阵,给出了面向图像的列方向模糊离散度矩阵和列方向模糊最大间距准则的定义,进一步求得列方向最优投影矩阵。FBMMC在得到行、列两个方向的最优投影矩阵后,就可以将原始数据空间的样本数据投影到一个相对低维的特征空间,从而完成对原始样本数据的特征提取。在ORL和Yale人脸数据库上的实验结果表明,文中提出的模糊双向最大间距准则特征提取方法用于人脸识别具有较高的识别率。
文摘针对二维最大间距准则(Two Dimensional Maximum Margin Criterion,2DMMC)算法进行特征提取时,无法提取局部的特征.同时,该算法也受不同的表情、光照以及姿态等条件的影响,识别的效果也大大降低.因此,提出一种基于分块二维MMC(Modular Two Dimensional Maximum Margin Criterion,M2DMMC)的人脸识别方法.首先,对图像矩阵进行分块,然后对分块后的矩阵进行2DMMC特征抽取,对每一子块抽取的特征进行整体融合,最后采用最近邻判决准则进行分类识别.在ORL,Yale人脸图像库进行实验的结果表明,新算法相对于MMC算法、二维MMC算法以及分块MMC算法均有较好的识别性能.
文摘局部保持投影(Locality preserving projections,LPP)算法只保持了目标在投影后的邻域局部信息,为了更好地刻画数据的流形结构,引入了类内和类间局部散度矩阵,给出了一种基于有效且稳定的大间距准则(Maximum margin criterion,MMC)的不相关保局投影分析方法,该方法在最大化散度矩阵迹差时,引入尺度因子α,对类内和类间局部散度矩阵进行加权,以便找到更适合分类的子空间并且可避免小样本问题;更重要的是,大间距准则下提取的判别特征集一般情况下是统计相关的,造成了特征信息的冗余,因此,通过增加一个不相关约束条件,利用推导出的公式提取不相关判别特征集,这样做,对正确识别更为有利.在Yale人脸库、PIE人脸库和MNIST手写数字库上的测试结果表明,本文方法有效且稳定,与LPP、LDA(Linear discriminant analysis)和LPMIP(Locality-preserved maximum information projection)方法等相比,具有更高的正确识别率。
