作者单位
摘要
北京联合大学 信息学院, 北京 100101
三维点云配准是三维重建过程中的重要环节, PCA算法应用于点云配准时无法保留点云局部特征, 影响了配准效果, 故提出一种基于保局PCA的三维点云配准算法。为了保留点云局部特征, 采用保局投影LPP的思想, 通过K近邻准则构造点云的邻接图及其补图; 对邻近点和非邻近点采取不同的处理方式进行特征提取, 通过特征矩阵求得转换参数, 进行坐标归一化完成配准; 为了减少光照噪声影响, 对特征向量矩阵前三个主分量加权后求转换参数。实验结果表明, 改进算法在对局部特征结构明显的点云进行配准时有较好的效果, 改善了对光照噪声的鲁棒性。
点云配准 主成分分析 保局投影 point cloud registration PCA locality preserving projection 
光学技术
2018, 44(5): 562
作者单位
摘要
1 重庆科技学院 电气与信息工程学院, 重庆 401331
2 重庆大学 光电技术及系统教育部重点实验室, 重庆 400044
提出一种基于监督保局投影(SLPP)与虚假最近邻(FNN)准则的原始特征选择方法。该方法首先将非线性原始数据映射到监督保局子空间, 消除样本数据输入变量之间的相关性; 然后, 利用虚假近邻点方法计算剔除每个原始特征前后输入样本在监督保局子空间里的相似性测度, 获得每个原始特征对类别变量不同程度的解释力; 最后, 从全特征开始逐步剔除解释能力弱的特征进而获得多组特征子集, 并建立最近邻分类器, 识别率最高且含特征数最少的特征子集即为最优特征子集。采用合成数据对该方法进行了仿真验证, 结果表明, 该方法可获得与数据集本质分类特征吻合的最佳特征子集。将该方法应用于选择真实的低阻油气层特征, 获得的最佳特征子集比全特征集合的特征数量减少了50%以上, 分类识别率高出8%。结果显示该方法具有优秀的原始特征选择能力, 是一种有效的非线性特征选择方法。
监督保局投影 虚假近邻点 特征选择 模式分类 低阻油气层识别 Supervised Locality Preserving Projection(SLPP) False Nearest Neighbor(FNN) feature selection pattern classification low resistivity hydrocarbon reservoir recognition 
光学 精密工程
2014, 22(7): 1921
作者单位
摘要
重庆大学 光电技术及系统教育部重点实验室,重庆 400044
针对高维数据分类中鉴别特征降维方法的小样本问题和有效维度丢失问题,结合最新提出的片对齐框架和保局投影提出了样本保局鉴别分析方法。该方法通过分别构造每个样本的类内近邻图和类外近邻图,并将所有样本的类内近邻图和类外近邻图结合起来,形成了所有样本的类内近邻和类外近邻关系。然后,在使所有样本的类内近邻尽可能地聚集在一起的同时使类外近邻尽可能地分开,得到从高维输入空间到低维特征空间的最优映射关系。该方法有效避免了高维数据分类的小样本问题且扩展了鉴别分析的低维特征空间的有效维度。在ORL、FERET和PIE等人脸库上的高维数据分类实验证实,样本保局鉴别分析方法显著优于经典的鉴别特征降维方法。与基于片对齐框架提出的鉴别局部对齐方法相比,样本保局鉴别分析方法在FERET库上的分类识别精度提高了4.5%以上。
保局投影 鉴别分析 降维 模式分类 locality preserving projection discriminant analysis dimension reduction pattern classification 
光学 精密工程
2011, 19(9): 2205
作者单位
摘要
重庆大学 光电技术及系统教育部重点实验室,重庆 400044
研究了保局投影中近邻图的构造及更新问题,提出了一种有监督图优化保局投影(SGoLPP)特征提取方法,并应用于人脸识别。不同于传统的保局投影(LPP)算法预先设定权值矩阵并通过一次优化求解投影矩阵,SGoLPP将权值矩阵作为学习项引入到目标函数,通过交替迭代更新逐步获得最优权值矩阵和最优投影矩阵。同时,通过引入类别信息,始终对同类样本点对的权值进行更新,有效地抑制了异类样本的干扰。在UCI模拟数据集上,SGoLPP在较少的迭代次数下获得了更好的聚类和分类效果。在Yale,UMIST和CMU PIE人脸库上,SGoLPP的平均识别率比LPP、有监督保局投影(SLPP)和图优化保局投影(GoLPP)分别高出26.6%、4.8%和8.8%。实验显示本文提出的SGoLPP算法在样本可分性与鲁棒性方面具有优势,可有效地提取人脸特征。
图优化 有监督学习 保局投影 特征提取 人脸识别 graph optimization supervised learning locality preserving projections feature extraction face recognition 
光学 精密工程
2011, 19(3): 672
作者单位
摘要
杭州电子科技大学 自动化学院 生物医学工程及仪器研究所,杭州 310018
针对人脸识别中的特征提取问题,本文提出了一种结合Gabor小波特征和判别保局投影的人脸识别算法—GDLPP。该算法首先对人脸图像进行多分辨率的Gabor小波变换,提取样本的高阶统计信息;然后更改保局投影(LPP)的目标函数,增加样本类间散布约束,从而提取更具判别性的特征。本文采用最小近邻分类器估算识别率。在USPS数据库、Yale人脸库以及AR人脸库的测试结果表明,在姿态、光照、表情、训练样本数目变化的情况下,GDLPP都具有较好的识别率。
Gabor小波 保局投影 人脸识别 特征提取 Gabor wavelet LPP face recognition feature extraction 
光电工程
2008, 35(6): 108
作者单位
摘要
重庆大学 光电技术及系统教育部重点实验室,重庆 400030
针对单一保局投影(LPP)算法分类识别能力弱的问题,提出了一种随机采样子空间保局投影算法(RSSLPP)。该算法在对训练样本的主元子空间进行随机采样的基础上,利用保局投影得到了多个既有差异且又互补的保局投影子空间,测试样本被分别投影到这些保局投影子空间上,然后利用最近邻分类器进行分类识别。最后,根据多数投票原则融合多个子空间上的分类结果来确定样本所属类别。在FERET人脸图像子库上的实验表明:随机采样子空间保局投影算法的性能明显优于Eigenface、Fisherface、保局投影和鉴别保局投影等算法;和保局投影算法相比,本文所提出的方法人脸识别精度提高了10%以上。结果表明,随机采样子空间保局投影算法有效地融合了各LPP投影空间的互补信息,可以显著地提高人脸识别精度。
随机采样子空间保局投影 保局投影 子空间 人脸识别 Random Sampling Subspaces Locality Preserving Proj LPP subspace face recognition 
光学 精密工程
2008, 16(8): 1465
作者单位
摘要
浙江大学,电气工程学院,浙江,杭州,310027
针对人脸识别中判别特征的提取问题,本文提出了一种新的人脸识别算法-扩展保局投影(ELPP).普通保局投影(LPP)在构建权图时侧重保持样本的局部结构,属于无监督学习算法.扩展保局投影在保局投影的基础上进行扩展,通过引入可调因子,在保持人脸图像局部流形结构的同时考虑样本的类别信息,从而充分提取样本的判别特征.本文采用最小近邻分类器估算识别率.在Yale人脸库以及AT&T人脸库的测试结果表明,在姿态、光照、表情、训练样本数目变化的情况下,ELPP都具有较好的识别率.
保局投影 人脸识别 特征提取 
光电工程
2007, 34(6): 122

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!