-
题名图像集的离散度矩阵及其在人脸图像识别中的应用
被引量：3
- 1
-
-
作者
王耀明
王仲国
沈毅俊
-
机构
上海师范大学理工信息学院
上海市奉贤县电视大学
-
出处
《计算机应用与软件》
CSCD
北大核心
2001年第5期11-14,共4页
-
文摘
本文提出了图像集离散度矩阵的基本概念及用于人脸图像识别的方法。该方法把同一类图像集中的各幅图像的信息矩阵的奇异值向量作为矩阵中的一列构成图像集特征矩阵。把这些矩阵组成一图像库,并找出图像集离散度矩阵和图像库离散度矩阵,从而计算出它们的最佳投影系数。然后,把测试样本的图像集特征矩阵与图像集库中的训练样本图像集的特征矩阵按投影系数相比较找出它们的相似程度,从而进行人脸图像识别。
-
关键词
奇异值的向量
最小二乘距离
离散度矩阵
人脸图像识别
图像集
-
Keywords
Singular vector Characteristic matrix of image set Least - squares estimator Scatter matrix of image set
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名多阶矩阵组合LDA及其在人脸识别中的应用
被引量：3
- 2
-
-
作者
刘忠宝
王士同
-
机构
江南大学信息学院
山西大学商务学院信息工程系
-
出处
《计算机工程与应用》
CSCD
北大核心
2011年第12期152-155,共4页
-
基金
国家863资助项目(No.2007AA1Z158
No.2006AA10Z313)
+1 种基金
2006年江苏省6大人才高峰计划资助项目
2008江苏省研究生创新计划课题
-
文摘
线性判别分析(LDA)是一种普遍用于特征提取的线性分类方法。但将LDA直接用于人脸识别会遇到小样本问题和秩限制问题。为了解决以上问题,提出一种基于多阶矩阵组合的LDA算法——MLDA。该算法重新定义了传统LDA中的类内离散度矩阵Sw,使传统Fisher准则具有更好的健壮性和适应性。若干人脸数据库上的比较实验证明了MLDA的有效性。
-
关键词
线性判别分析(LDA)
类内离散度矩阵
多阶矩阵组合
人脸识别
-
Keywords
Linear Discriminant Analysis（LDA）
within-class scatter matrix
linear combination of k-order matrices
face recognitibn
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名用于人脸识别的两类主成分分析融合
被引量：6
- 3
-
-
作者
杨军
张秀琼
高志升
袁红照
-
机构
四川师范大学计算机科学学院
四川大学图形图像研究所
-
出处
《计算机工程与应用》
CSCD
北大核心
2010年第1期194-195,199,共3页
-
基金
国家自然科学基金No.60736046
四川师范大学校级科研基金(No.06lk021)~~
-
文摘
分析了基于总体离散度矩阵和总类间离散度矩阵的主成分分析的原理。利用两种方法分别提取人脸特征并进行识别。对两种方法获得的结果进行了特征层融合和决策层融合,基于ORL人脸数据库的实验表明该方法的识别性能优于单一的主成分分析方法。
-
关键词
人脸识别
主成分分析
总体离散度矩阵
类间离散度矩阵
数据融合
-
Keywords
face recognition
Principal Component Analysis（PCA）
global scatter matrix
between-class scatter matrix
data fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种改进的线性判别分析算法MLDA
被引量：3
- 4
-
-
作者
刘忠宝
王士同
-
机构
江南大学信息学院
山西大学商务学院信息工程系
-
出处
《计算机科学》
CSCD
北大核心
2010年第11期239-242,共4页
-
基金
国家863项目(2007AA1Z158
2006AA10Z313)
+3 种基金
国家自然科学基金项目(60773206/F020106
60704047/F030304)
2006年江苏省6大人才高峰计划项目
2008江苏省研究生创新计划课题资助
-
文摘
线性判别分析(LDA)是模式识别方法之一,已广泛应用于模式识别、数据分析等诸多领域。线性判别分析法寻找的是有效分类的方向。而当样本维数远大于样本个数(即小样本问题)时,LDA便束手无策。为有效解决线性判别分析法的小样本问题,提出了一种改进的LDA算法——MLDA。该算法将类内离散度矩阵进行标量化处理,有效地避免了对类内离散度矩阵求逆。通过实验证明MLDA在一定程度上解决了经典LDA的小样本问题。
-
关键词
特征提取
线性判别分析(LDA)
小样本问题
类间离散度矩阵
类内离散度矩阵
标量化
-
Keywords
Feature extraction
Linear Discriminant Analysis（LDA）
Small sample size problem
Between-class scatter matrix
Within-class scatter matrix
Scalarization
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名改进的LDA算法及秩限制问题研究
被引量：3
- 5
-
-
作者
刘忠宝
王士同
-
机构
江南大学信息学院
山西大学商务学院信息工程系
-
出处
《计算机工程与应用》
CSCD
北大核心
2010年第32期17-20,共4页
-
基金
国家高技术研究发展计划(863)(No.2007AA1Z158
No.2006AA10Z313)
+3 种基金
国家自然科学基金(No.60773206/F020106
No.60704047/F030304)
2006年江苏省六大人才高峰计划资助项目
2008江苏省研究生创新计划课题~~
-
文摘
针对经典线性判别分析中存在的秩限制和小样本问题,通过改进原有的Fisher准则,提出了一种改进的线性判别分析算法ILDA,以克服秩限制问题并同时解决了小样本问题。重点研究了ILDA在解决样本类间离散度矩阵秩限制方面的有效性。在多个国际标准数据集和人工数据集上实验的结果表明ILDA算法不仅有效地突破了秩限制,达到提取更多判别特征的目的,而且具有良好的识别效果。
-
关键词
线性判别分析
类间离散度矩阵
类内离散度矩阵
秩限制问题
-
Keywords
Linear Discriminant Analysis（LDA）； between-class scatter matrix； within-class scatter matrix； rank limitation；
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名一种改进的线性判别分析算法在人脸识别中的应用
被引量：6
- 6
-
-
作者
刘忠宝
-
机构
江南大学信息工程学院
山西大学商务学院信息学院
-
出处
《计算机工程与科学》
CSCD
北大核心
2011年第7期89-93,共5页
-
文摘
线性判别分析算法是一种经典的特征提取方法,但其仅在大样本情况下适用。本文针对传统线性判别分析算法面临的小样本问题和秩限制问题,提出了一种改进的线性判别分析算法ILDA。该方法在矩阵指数的基础上,重新定义了类内离散度矩阵和类间离散度矩阵,有效地同时提取类内离散度矩阵零空间和非零空间中的信息。若干人脸数据库上的比较实验表明了ILDA在人脸识别方面的有效性。
-
关键词
线性判别分析
类内离散度矩阵
类间离散度矩阵
人脸识别
-
Keywords
linear discriminant analysis（LDA）
within-class scatter matrix
between-class scatter matrix
face recognition
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于粒子群算法的LDA实现方法研究
被引量：8
- 7
-
-
作者
钟伟
黄元亮
郝真真
姜甜甜
-
机构
暨南大学理工学院
暨南大学电气自动化研究所
暨南大学信息科学与技术学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2017年第1期39-43,共5页
-
基金
广东省科技计划项目(No.2013B010401019)
珠海市公共平台项目(No.2013D0501990002)
-
文摘
针对传统线性判别分析方法存在的问题,在研究现有理论成果的基础上,提出一种新的LDA实现方法。该方法首先对原有的Fisher准则进行修正,然后通过迭代搜寻最佳鉴别矢量,最后对获取的鉴别矢量进行比较分析。在标准的JAFFE人脸库上的表情识别和地区综合消费水平的评价中的实验结果表明,此算法不仅具有良好的识别效果而且还可以突破样本维数的限制;与其他LDA算法相比,该算法更具灵活性且更易于实现。
-
关键词
线性判别式分析
投影矢量
离散度矩阵
粒子群算法
PSO-LDA算法
-
Keywords
Linear Discriminant Analysis(LDA)
projection vector
matrix of the discrete degree
Particle Swarm Optimization(PSO)
PSO-LDA algorithm
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于局部和全局信息的改进聚类算法
被引量：3
- 8
-
-
作者
许小龙
王士同
梅向东
-
机构
江南大学数字媒体学院
赞奇科技发展有限公司
-
出处
《计算机工程》
CAS
CSCD
北大核心
2015年第6期165-171,共7页
-
基金
江苏省自然科学基金资助项目(BK2011417)
-
文摘
传统K-means算法在随机选取初始聚类中心时,容易导致结果不稳定,谱聚类算法直接在相似矩阵上进行分割,对结果的准确性影响较大,而局部和全局正则化聚类算法未考虑数据空间分布对结果的影响。为此,引入离散度矩阵对局部和全局正则化聚类算法进行改进。改进算法考虑数据的分布信息,通过在局部信息目标函数中引入离散度矩阵,结合全局信息的目标函数,将目标函数最小化问题转换为分解稀疏矩阵特征的问题。在UCI机器学习数据集和公共数据挖掘数据集上的实验结果表明,与K-means及标准谱聚类算法相比,该算法的预测精度更高。
-
关键词
K-MEANS算法
谱聚类
离散度矩阵
特征分解
UCI数据集
-
Keywords
K-means algorithm
spectral clustering
dispersion matrix
characteristic decomposition
UCI data set
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
