摘要:

提出了一种基于向量组的Fisher线性鉴别分析方法.该方法先将原始的高维向量分割为低维的子向量组,再对向量组运用Fisher线性鉴别分析.这种处理方法,不但能够解决任意高维下的小样本问题,而且通过选择恰当的子向量维数,可以从向量中抽取出最有效的特征值.此外,基于向量组的Fisher线性鉴别分析是Fisher线性鉴别分析和二维Fisher线性鉴别分析的进一步推广.

摘要:

为了改善Fisherface方法中判别特征子空间正交性并提高识别率,提出了矩阵对称性的Fisherface算法.该方法利用PCA进行降维来消除小样本问题,对传统的Fisher准则进行修改使矩阵具有对称性,用构造的对称矩阵进行分类识别.在ORL标准人脸库上进行的实验表明,矩阵对称性方法的识别率明显地高于传统的方法,而且识别结果比较稳定受训练集影响较小,具有很好的实用性.

摘要:

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.该结果大大优于经典的特征脸和Fisherfaces方法的识别结果.