• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    多流形的非監(jiān)督線性差分投影算法*

    2016-11-22 02:07:16楊章靜萬鳴華王巧麗張凡龍楊國為
    計算機與生活 2016年11期
    關(guān)鍵詞:流形訓(xùn)練樣本識別率

    楊章靜,萬鳴華,2,3+,王巧麗,張凡龍,楊國為

    1.南京審計大學 工學院,南京 211815

    2.南京理工大學 高維信息智能感知與系統(tǒng)教育部重點實驗室,南京 210094

    3.南京曉莊學院 可信云計算與大數(shù)據(jù)分析重點實驗室,南京 211171

    4.南昌航空大學 江西省圖像處理與模式識別重點實驗室,南昌 330063

    多流形的非監(jiān)督線性差分投影算法*

    楊章靜1,萬鳴華1,2,3+,王巧麗4,張凡龍1,楊國為1

    1.南京審計大學 工學院,南京 211815

    2.南京理工大學 高維信息智能感知與系統(tǒng)教育部重點實驗室,南京 210094

    3.南京曉莊學院 可信云計算與大數(shù)據(jù)分析重點實驗室,南京 211171

    4.南昌航空大學 江西省圖像處理與模式識別重點實驗室,南昌 330063

    YANG Zhangjing,WAN Minghua,WANG Qiaoli,et al.Multi-manifold unsupervised linear differential projection algorithm.Journal of Frontiers of Computer Science and Technology,2016,10(11):1577-1586.

    針對非監(jiān)督線性差分投影(unsupervised linear differential projection,ULDP)在特征提取過程中存在的不足,提出了基于多流形的非監(jiān)督線性差分投影(multi-manifold unsupervised linear differential projection,MULDP)算法,并將其應(yīng)用于人臉識別中。MULDP首先構(gòu)造出多流形局部近鄰圖和多流形最大全局方差,然后通過多目標最優(yōu)化問題求解出嵌入在高維空間的低維流形。這種映射不僅能表示全局結(jié)構(gòu),還能表示局部結(jié)構(gòu)。該算法可以得到嵌入在高維空間的低維流形,更好地實現(xiàn)了局部與全局結(jié)構(gòu)信息的有效保持。在ORL、Yale及AR人臉庫上的實驗結(jié)果驗證了所提算法的優(yōu)越性。

    人臉識別;特征提取;多流形;非監(jiān)督線性差分投影(ULDP)

    1 引言

    特征提取是人臉識別處理過程的核心,提取有效人臉特征是人臉識別的關(guān)鍵步驟,人臉特征的有效性直接影響人臉識別的結(jié)果[1-2]。對于人臉識別來說,尋找快速、有效的特征提取方法是人臉識別技術(shù)取得突破的關(guān)鍵,也是當前研究的熱點[3-4]。

    目前,關(guān)于特征提取技術(shù)[5]的研究正如火如荼,方法也有多種,但概括起來主要有兩大類型:一類是基于全局特征的特征提取,另一類是基于局部特征的特征提取。全局特征是指其特征向量的每一維都包含了人臉圖像所有部分(甚至所有像素)的信息,它反映的是人臉的整體屬性?;谌值奶卣鞣椒ㄖ饕≒CA(principal component analysis)[6]、LDA(linear discriminant analysis)[7]、2DPCA(two-dimensional PCA)[8]等。與全局特征不同的是,局部特征信息的每一維都只對應(yīng)人臉圖像的一個局部區(qū)域,側(cè)重于提取人臉的細節(jié)特征。基于局部特征的提取方法主要包括LPP(locality preserving projection)[9]、LLE(locally linear embedding)[10]、LBP(local binary pattern)[11-13]等。局部特征對人臉的光照、表情和遮擋等變化不敏感,因此相對于基于全局特征的提取方法,基于局部特征的提取方法具有更好的魯棒性,在近些年來受到越來越多研究者的關(guān)注[14-15]。也有很多研究者提出同時利用全局和局部特征來表示人臉[16-17]。Wan等人在PCA和LLE基礎(chǔ)上,同時考慮樣本分布全局性和局部性,結(jié)合PCA和LLE的特點,提出了非監(jiān)督線性差分投影(unsupervised linear differential projection,ULDP)[16]的特征提取方法;Yang等人在同時考慮局部散度和非局部散度的基礎(chǔ)上,提出了非監(jiān)督鑒別投影(unsupervised discriminant projection,UDP)[17]的特征提取方法。這些方法在加強數(shù)據(jù)樣本點之間的關(guān)聯(lián)性時,能有效地對局部與全局流形結(jié)構(gòu)進行同時保持,也就是說在高維空間保持近鄰的數(shù)據(jù)點映射到內(nèi)在低維空間后仍保持近鄰,反之,在高維空間不能保持近鄰的數(shù)據(jù)點映射到內(nèi)在低維空間繼續(xù)保持其非近鄰的關(guān)系,因此應(yīng)該同時對局部與全局流形結(jié)構(gòu)進行保持,進而發(fā)現(xiàn)隱藏于高維空間樣本點間的流形,以提高人臉識別的精度。但這些方法也存在兩個缺陷:一是在學習過程中過分依賴訓(xùn)練樣本的數(shù)目,當遇到小樣本問題時,就嚴重限制了此方法的應(yīng)用;二是在提取的眾多特征中,無法揭示哪些特征對分類與預(yù)測起主導(dǎo)作用。

    針對以上問題,本文借鑒ULDP的思想,提出了一種結(jié)合多流形的兼顧樣本全局結(jié)構(gòu)與局部結(jié)構(gòu)的特征提取算法,即基于多流形的非監(jiān)督線性差分投影(multi-manifold unsupervised linear differential projection,MULDP)。MULDP首先將一個樣本分成的局部小塊都構(gòu)造在同一個流形上,使得每個樣本都有屬于自己的流形,即位于同一個特征子空間;然后分別給出PCA和LLE的多流形表示,優(yōu)化目標是最大化各個流形的全局方差,最小化流形內(nèi)的局部嵌入。MULDP相對于ULDP,不僅解決了小樣本問題,而且進一步提高了識別率。在人臉數(shù)據(jù)庫上的實驗表明,MULDP較其他算法能獲得較好的識別效果。

    2 相關(guān)知識

    2.1 非監(jiān)督的線性差分投影

    基于局部特征的流形學習方法往往只考慮流形上距離相近的數(shù)據(jù)點,這樣就會導(dǎo)致本來距離很遠的點映射后反而變成距離相近點的情形,因此應(yīng)該有效地保持局部流形結(jié)構(gòu)同時又保持全局流形結(jié)構(gòu),尋找出潛藏在高維數(shù)據(jù)空間中的低維流形結(jié)構(gòu),以此來提高算法的識別率。

    ULDP是一種非監(jiān)督的算法,該算法首先用流形距離構(gòu)建全局方差圖和局部近鄰圖,然后用其表征全局結(jié)構(gòu)和局部結(jié)構(gòu)信息,最后求解在約束條件下的優(yōu)化問題得到的特征向量,以此來表征嵌入在高維空間中的低維子流形。

    ULDP算法不僅保持了局部近鄰數(shù)據(jù)點之間的內(nèi)在聯(lián)系,還保證了相距較遠的數(shù)據(jù)點之間的非局部散度達到最大,因此該算法有效地實現(xiàn)了既保持數(shù)據(jù)的局部結(jié)構(gòu),又保持全局結(jié)構(gòu)。

    2.2 ULDP算法描述

    其中,λi是上述特征方程的特征值;ωi是對應(yīng)的特征向量。為了使目標函數(shù)最小,只需求解d個最小特征值對應(yīng)的特征向量組成投影矩陣W=[ω1,ω2,…,ωd]。

    3 多流形非監(jiān)督線性差分投影

    根據(jù)以上分析,ULDP算法在特征提取時能保持局部近鄰數(shù)據(jù)點之間的內(nèi)在聯(lián)系,使得相距較遠的數(shù)據(jù)點之間的非局部散度達到最大。然而針對人臉識別中訓(xùn)練樣本少的情況,ULDP算法的識別率會顯著下降,識別因此會變得無能為力。

    3.1MULDP算法基本思想

    將一幅人臉圖像分成t個小塊,此時就變成了很多幅小圖片xit,一張人臉圖像的t張小圖像分布在同一個流形上,就構(gòu)成一個流形Mi=[xi1,xi2,…,xit]。很多個人的流形,那就是多流形(multi-manifold),用M=[M1,M2,…,MN]表示?,F(xiàn)在要對一個由很多個小圖像塊組成的流形Mi=[xi1,xi2,…,xit]進行降維。其中每個圖像塊xir∈Rd,1≤i≤N,1≤r≤t是d維的,多流形判別分析算法的目標就是尋找一個降維矩陣Wi,i=1,2,…,N,將原始訓(xùn)練樣本的維數(shù)降為di維,多流形算法簡化模型如圖1所示。

    MULDP算法兼顧樣本全局結(jié)構(gòu)與局部結(jié)構(gòu),結(jié)合了多流形,首先將樣本的局部嵌入和全局方差用多流形形式表示出來,然后在低維子空間最大化各個流形的全局方差,最小化流形內(nèi)的局部嵌入。

    3.2MULDP算法描述

    根據(jù)前文所述,可得MULDP算法描述如下。

    MULDP算法不僅保持局部近鄰數(shù)據(jù)點之間的內(nèi)在聯(lián)系,還保證了相距較遠的數(shù)據(jù)點之間的非局部散度達到最大,實現(xiàn)既保持了數(shù)據(jù)的局部結(jié)構(gòu)又保持了全局結(jié)構(gòu)。為了避免小樣本問題,引入一個平衡參數(shù)α(0≤α<1)。

    Fig.1 Simplified model of multi-manifold algorithm圖1 多流形算法簡化模型

    其中,λi是上述特征方程的特征值;ωi是對應(yīng)的特征向量。為了使目標函數(shù)最小,取前d個最小特征值對應(yīng)的特征向量組成投影矩陣W=[ω1,ω2,…,ωd]。

    3.3 分類

    經(jīng)過以上特征提取后,每一幅原始圖像都得到MULDP的投影矩陣Wi,i=1,2,…,N后,下面就需要對測試樣本進行處理,進而完成識別分類的目標,其具體步驟如下。

    (1)求測試樣本的低維子空間表示

    給出一個新的測試樣本T,首先將其分成t塊不重復(fù)并且不疊加的局部小塊,隨后把這些小塊建模為新的流形Mi=[xi1,xi2,…,xit],很多個人的流形,那就是多流形,用M=[M1,M2,…,MN]表示?,F(xiàn)在要對一個由很多個小圖像塊組成的流形Mi=[xi1,xi2,…,xit]進行降維,那么它到任意一個訓(xùn)練樣本的距離為d(MT,Mi)。 yi=WiTMi=[yi1,yi2,…,yit]及 yT=WiTMT=[yT1, yT2,…,yTt]分別為流形Mi和MT通過Wi投影后的低維子空間表示。

    (2)求測試樣本與訓(xùn)練樣本之間的距離

    對每個yT中的yTj,從yi中找出它的k個近鄰Gk(yTj),用Gk(yTj)的加權(quán)平均去重組yTj,那么yTj到流形Mi的距離為:

    其中,cs為近鄰對 yTj的重構(gòu)系數(shù),。所有的yTj的距離加起來求解平均就是MT到Mi的流形距離,即:

    (3)分類

    根據(jù)求出的N個測試樣本與訓(xùn)練樣本之間的距離進行對比,找出其中最小的那個距離,這個最小距離如果是測試樣本與第i個訓(xùn)練樣本之間的距離,那么就可以判定這個測試樣本是第i類樣本,即:

    4 實驗及結(jié)果分析

    為評估所提算法的性能,在ORL、Yale及AR數(shù)據(jù)庫上進行人臉識別實驗來驗證所提算法的有效性,主要采用識別率作為驗證指標。作為對比,同時還采用了其他典型算法如PCA、LDA、LLE、NPE、LPP、ULDP等進行實驗。在實驗中,由于人臉圖像維數(shù)較高,在運行以上算法時,首先采用PCA算法對人臉圖像進行降維預(yù)處理,接著采用各算法進行特征提取,最后采用最近鄰分類器進行識別。

    4.1 參數(shù)α的選取和測試

    MULDP算法的目的是求解出嵌入在高維空間的低維子流形,使得投影后不僅保持局部近鄰數(shù)據(jù)點之間的內(nèi)在聯(lián)系,還保證相距較遠的數(shù)據(jù)點之間的距離達到最大。為避免出現(xiàn)小樣本問題,加入一個平衡參數(shù)α(0<α<1),參數(shù)α的不同取值會產(chǎn)生不同的分類識別率,尤其當α取值不合適時,計算所得的分類無法正確反映樣本的分布信息,從而降低算法的識別性能。因此在原有分類概率計算式中引入?yún)?shù)α,不僅使得計算式更加靈活,而且可以通過調(diào)節(jié)α使得識別率在某種程度上得到進一步提高。設(shè)置α的值從0.1到0.9,間隔為0.1,在ORL、Yale和AR人臉數(shù)據(jù)庫上選取6個訓(xùn)練樣本,MULDP的最大平均識別率隨α變化的情況如表1所示。

    從表1中實驗結(jié)果可以看出,在ORL、Yale和AR庫上,α分別取0.5、0.4和0.6時,MULDP識別率分別為98.57、96.79和97.08,此時識別效果最好。鑒于該實驗結(jié)果,后續(xù)的3個實驗中,α分別取0.5、0.4和0.6進行實驗。

    4.2 ORL人臉庫實驗

    ORL人臉庫(http://www.cl.cam.ac.uk/research/dtg/ attarchive/facedatabase.html)包含40個人,其中每個人各擁有10幅分辨率為112×92的圖像。ORL庫中某人的10幅圖像如圖2所示。

    Table 1 Recognition rates and corresponding dimensions of MULDP with differentαwhen training number is 6 on ORL,Yale andAR databases表1 ORL、Yale和AR庫上訓(xùn)練樣本數(shù)為6時MULDP在α取不同值時的識別率及投影維數(shù)

    Fig.2 10 images of one person on ORL database圖2 ORL庫中某人的10幅圖像

    實驗中用于訓(xùn)練的樣本是從ORL庫中隨機抽取的每人3、4、5、6幅圖像,其余的作為測試樣本。對于每一個不同的訓(xùn)練樣本大小的實驗,為綜合對比,獨立運行50次。為便于比較,表2給出了在ORL人臉庫上不同算法的最大識別率以及對應(yīng)的特征維數(shù)。不同算法的平均最大識別率隨訓(xùn)練樣本的變化情況如圖3所示。

    Fig.3 Recognition rates of MULDP and other algorithms with differentlon ORL database圖3 ORL庫上MULDP與其他算法在l取不同樣本數(shù)時的最大識別率對比

    Table 2 Optimal recognition rates and corresponding dimensions of MULDP compared with other algorithms on ORL database表2 ORL庫上MULDP與其他算法最佳識別率及特征維數(shù)比較

    4.3 Yale人臉庫實驗

    Yale人臉庫(http://cvc.yale.edu/projects/yalefaces/ yalefaces.html)中包括15人,其中每個人各擁有11幅分辨率為100×80的圖像。Yale庫中某人的11幅圖像如圖4所示。

    Fig.4 11 images of one person on Yale database圖4 Yale庫中某人的11幅圖像

    實驗中用于訓(xùn)練的樣本是從Yale庫中隨機抽取的每人2、3、4、5、6幅圖像,其余的作為測試樣本。對于每一個不同的訓(xùn)練樣本大小的實驗,也獨立運行50次。表3給出了在Yale人臉庫上不同算法的最大識別率以及對應(yīng)的特征維數(shù)。不同算法的平均最大識別率隨訓(xùn)練樣本的變化情況如圖5所示。

    Fig.5 Recognition rates of MULDP and other algorithms with differentlon Yale database圖5 Yale庫上MULDP與其他算法在l取不同樣本數(shù)時的最大識別率對比

    4.4 AR人臉庫實驗

    AR人臉庫(http://rvl1.ecn.purdue.edu/~aleix/aleix_ face_DB.html)中包括120人,其中每個人各擁有不同光照、表情、遮擋的26幅圖像,每人前后13幅圖像分別拍攝2個時期,時間間隔1個月。圖6是AR人臉庫中一個子類的20幅圖像,兩行圖像分別拍攝于不同的時期,前后相差兩個星期。

    Table 3 Optimal recognition rates and corresponding dimensions of MULDP compared with other algorithms on Yale database表3 Yale庫上MULDP與其他算法最佳識別率及特征維數(shù)比較

    Fig.6 20 images of one person from a subclass onAR database圖6 AR人臉庫中一個子類的20幅圖像

    在實驗中,選擇AR數(shù)據(jù)庫的一個子集,包括前40個人,每個人10幅圖像。實驗中用于訓(xùn)練的樣本是從AR庫中隨機抽取的每人2、3、4、5、6幅圖像,其余的作為測試樣本。表4給出了在AR人臉庫上不同算法的最大識別率以及對應(yīng)的特征維數(shù)。不同算法的平均最大識別率隨訓(xùn)練樣本的變化情況示意圖如圖7所示。

    Table 4 Optimal recognition rates and corresponding dimensions of MULDP compared with other algorithms onAR database表4 AR庫上MULDP與其他算法最佳識別率及特征維數(shù)比較

    Fig.7 Recognition rates of MULDP and other algorithms with differentlonAR database圖7 AR庫上MULDP與其他算法在l取不同樣本數(shù)時的最大識別率對比

    4.5 實驗結(jié)果與分析

    根據(jù)實驗結(jié)果,可得結(jié)論如下:

    (1)表1顯示的是ORL、Yale和AR人臉庫上,當訓(xùn)練樣本為6時,MULDP算法的最大平均識別率隨α的變化情況。從表1可以看出,參數(shù)α的選擇對MULDP算法的識別性能有一定影響,不同的α取值會產(chǎn)生不同的識別率。其中Yale數(shù)據(jù)庫測試樣本數(shù)最少,參數(shù)α為0.4時識別效果最好;AR數(shù)據(jù)庫測試樣本數(shù)最大,參數(shù)α為0.6時識別效果最好。究其原因,主要是由于樣本數(shù)少時,多流形最小局部散度JL(Wi)要大于多流形最大全局方差JG(Wi),反之多流形最小局部散度JL(Wi)則小于多流形最大全局方差JG(Wi)。

    (2)MULDP算法是在ULDP基礎(chǔ)上提出的,從表2、表3和表4中的實驗數(shù)據(jù)及結(jié)果可以看出,MULDP算法無論在ORL、Yale還是在AR人臉庫上,其識別率都比ULDP好,MULDP算法性能均要優(yōu)于ULDP。這主要是由于MULDP算法將每幅圖像分成多幅小圖像,這些小圖像就構(gòu)成一個流行,多幅圖像就構(gòu)成了多流行,這就解決了ULDP算法存在的小樣本問題。

    (3)從圖3、圖5和圖7中可以看出,隨著訓(xùn)練樣本個數(shù)的增加,所有實驗算法的識別率均得到了進一步的提升。從整體上看,訓(xùn)練樣本數(shù)由2增加到6的過程中,本文所提算法MULDP的識別率在所有算法中都是最高的,體現(xiàn)了該算法的鑒別性能優(yōu)于其他算法。

    (4)MULDP算法是在低維子空間最大化各個流形的全局方差,最小化流形內(nèi)的局部嵌入,此算法結(jié)合多流形,并且兼顧樣本全局結(jié)構(gòu)與局部結(jié)構(gòu),從而取得了較好的識別效果。

    由上述實驗圖表可知,相較于其他算法,MULDP算法整體均取得了最好效果,這進一步驗證了算法的優(yōu)越性。

    5 結(jié)束語

    針對ULDP算法在處理人臉識別問題時存在的缺陷,提出了多流形的非監(jiān)督線性差分投影算法MULDP。MULDP結(jié)合了PCA與LLE兩種算法的優(yōu)點,特征提取時同時保留了數(shù)據(jù)中的全局結(jié)構(gòu)和局部結(jié)構(gòu),可以更好地提取人臉圖像數(shù)據(jù)間的鑒別信息,以此來提高算法的分類性能,使得本文算法更加魯棒。通過在ORL、Yale和AR人臉庫上的實驗驗證了本文算法的有效性及優(yōu)越性。

    從實驗結(jié)果可知,α的取值與MULDP算法的識別效果有一定聯(lián)系,目前如何選擇參數(shù)仍然是一個難題。因此在后續(xù)工作中,如何對α進行取值,使得算法具有穩(wěn)定的性能并達到最優(yōu)識別效果是今后需要重點研究的問題。

    [1]Ma Xiaohu,Tan Yanqi.Face recognition based on discriminant sparsity preserving embedding[J].Acta Automatica Sinica,2014,40(1):73-82.

    [2]Wan Minghua,Li Ming,Yang Guowei,et al.Feature extraction using two-dimensional maximum embedding difference [J].Information Sciences,2014,274:55-69.

    [3]Nixon M,Aguado A S.Feature extraction and image processing[M].2nd ed.Orlando,USA:Academic Press,2008.

    [4]Yang Xiaomin,Wu Wei,Qing Linbo,et al.Image feature extraction and matching technology[J].Optics and Precision Engineering,2009,17(9):2276-2282.

    [5]Bartlett M S,Lades H M,Sejnowski T J.Face recognition by independent component analysis[J].IEEE Transactions on Neural Networks,2002,13(6):1450-1464.

    [6]Turk M,Pentland A.Eigenfaces for recognition[J].Journal of Cognitive Neuroscience,1991,3(1):71-86.

    [7]Yu Hua,Yang Jie.A direct LDA algorithm for high-dimensional data-with application to face recognition[J].Pattern Recognition,2001,34(10):2067-2070.

    [8]Yang Jian,Zhang D,Frangi A F,et al.Two-dimensional PCA: a new approach to appearance-based face representation and recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,26(1):131-137.

    [9]He Xiaofei,Yan Shuicheng,Hu Yuxiao,et al.Face recognition using Laplacianfaces[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(3):328-340.

    [10]Roweis S T,Saul L K.Nonlinear dimensional reduction by locally linear embedding[J].Science,2000,290(550):2323-2326.

    [11]Ahonen T,HadidA,Pietikainen M.Face description with local binary patterns:application to face recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006,28(12):2037-2041.

    [12]Zhang Baochang,Gao Yongsheng,Zhao Sanqiang,et al.Local derivative pattern versus local binary pattern:face recognition with high-order local pattern descriptor[J].IEEE Transactions on Image Processing,2010,19(2):533-544.

    [13]Wolf L,Hassner T,Taigman Y.Effective unconstrained face recognition by combining multiple descriptors and learned background statistics[J].IEEE Transactions on PatternAnalysis and Machine Intelligence,2011,33(10):1978-1990.

    [14]Lai Zhihui,Xu Yong,Chen Qingcai,et al.Multilinear sparse principal component analysis[J].IEEE Transactions on Neural Networks and Learning Systems,2014,25(10):1942-1950.

    [15]Lai Zhihui,Xu Yong,Jin Zhong,et al.Human gait recognition via sparse discriminant projection learning[J].IEEE Transactions on Circuits and Systems for Video Technology, 2014,24(10):1651-1662.

    [16]Wan Minghua,Lai Zhihui,Jin Zhong.Locally minimizing embedding and globally maximizing variance:unsupervised linear difference projection for dimensionality reduction[J].Neural Processing Letters,2011,33(3):267-282.

    [17]Yang Jian,Zhang D,Yang Jingyu,et al.Globally maximizing, locally minimizing:unsupervised discriminant projection with applications to face and palm biometrics[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007,29(4):650-664.

    附中文參考文獻:

    [1]馬小虎,譚延琪.基于鑒別稀疏保持嵌入的人臉識別算法[J].自動化學報,2014,40(1):73-82.

    YANG Zhangjing was born in 1979.He is a lecturer at School of Technology,Nanjing Audit University.His research interests include computer vision and pattern recognition,etc.

    楊章靜(1979—),男,江蘇南京人,南京審計大學工學院講師,主要研究領(lǐng)域為計算機視覺,模式識別等。

    WAN Minghua was born in 1978.He is an associate professor at School of Technology,Nanjing Audit University. His research interests include pattern recognition and intelligent computation,etc.

    萬鳴華(1978—),男,江西南昌人,南京審計大學工學院副教授,主要研究領(lǐng)域為模式識別,智能計算等。

    WANG Qiaoli was born in 1990.She is an M.S.candidate at School of Information Engineering,Nanchang Hangkong University.Her research interests include artificial intelligence and intelligent computation,etc.

    王巧麗(1990—),女,山東菏澤人,南昌航空大學信息工程學院碩士研究生,主要研究領(lǐng)域為人工智能,智能計算等。

    ZHANG Fanlong was born in 1985.He is a lecturer at School of Technology,Nanjing Audit University.His research interests include computer vision and pattern recognition,etc.

    張凡龍(1985—),男,山東泰安人,南京審計大學工學院講師,主要研究領(lǐng)域為計算機視覺,模式識別等。

    YANG Guowei was born in 1964.He is a professor at School of Technology,Nanjing Audit University.His research interests include pattern recognition and artificial intelligence,etc.

    楊國為(1964—),男,江西南昌人,南京審計大學工學院教授,主要研究領(lǐng)域為模式識別,人工智能等。

    Multi-Manifold Unsupervised Linear Differential ProjectionAlgorithm?

    YANG Zhangjing1,WAN Minghua1,2,3+,WANG Qiaoli4,ZHANG Fanlong1,YANG Guowei1
    1.School of Technology,NanjingAudit University,Nanjing 211815,China
    2.Key Laboratory of Intelligent Perception and Systems for High-Dimensional Information of Ministry of Education,Nanjing University of Science and Technology,Nanjing 210094,China
    3.Key Laboratory of Trusted Cloud Computing and Big Data Analysis,Nanjing Xiaozhuang University,Nanjing 211171,China
    4.Key Laboratory of Jiangxi Province for Image Processing and Pattern Recognition,Nanchang Hangkong University,Nanchang 330063,China
    +Corresponding author:E-mail:wmh36@nau.edu.cn

    To overcome the drawbacks of existing unsupervised linear differential projection(ULDP),this paper proposes a novel algorithm called multi-manifold unsupervised linear differential projection(MULDP)for face recogni-tion.Firstly,multi-manifold local neighborhood graph and the largest global variance are constructed.Nextly,a lowdimensional manifold embedded in high-dimensional space is calculated through the multi-objective optimization.This mapping can represent not only the global structure but also the local structure.MULDP can get the low-dimensional manifolds embedded in a high-dimensional space and maintain the local and global structural information effectively. The experimental results on the ORL,Yale andAR face databases demonstrate the superiority of the proposed algorithm.

    face recognition;feature extraction;multi-manifold;unsupervised linear differential projection(ULDP)

    10.3778/j.issn.1673-9418.1604045

    A

    TP391.4

    *The Natural Science Foundation of Jiangsu Higher Education Institutions under Grant Nos.15KJB520018,12KJA63001(江蘇省屬高校自然科學基金);the National Natural Science Foundation of China under Grant Nos.61503195,61462064,61203243,61272077 (國家自然科學基金);the Key Laboratory of Intelligent Perception and Systems for High-Dimensional Information of Ministry of Education(Nanjing University of Science and Technology)under Grant No.30920140122006(高維信息智能感知與系統(tǒng)教育部重點實驗室(南京理工大學)基金).

    Received 2016-04,Accepted 2016-06.

    CNKI網(wǎng)絡(luò)優(yōu)先出版:2016-06-02,http://www.cnki.net/kcms/detail/11.5602.TP.20160602.1144.012.html

    猜你喜歡
    流形訓(xùn)練樣本識別率
    緊流形上的Schr?dinger算子的譜間隙估計
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測
    計算機工程(2020年3期)2020-03-19 12:24:50
    人工智能
    迷向表示分為6個不可約直和的旗流形上不變愛因斯坦度量
    基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識別率的關(guān)系
    Nearly Kaehler流形S3×S3上的切觸拉格朗日子流形
    提升高速公路MTC二次抓拍車牌識別率方案研究
    寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
    融合原始樣本和虛擬樣本的人臉識別算法
    基于稀疏重構(gòu)的機載雷達訓(xùn)練樣本挑選方法
    亚洲精品成人av观看孕妇| 国产精品欧美亚洲77777| 精品久久久久久电影网| 国产国语露脸激情在线看| 国产av精品麻豆| 久久中文看片网| 亚洲欧洲精品一区二区精品久久久| 国产黄色免费在线视频| 久久久久国内视频| 久久性视频一级片| 精品国产乱码久久久久久男人| 中文字幕人妻丝袜一区二区| 国产精品影院久久| 亚洲专区国产一区二区| 亚洲中文字幕日韩| 国产精品1区2区在线观看. | 天天添夜夜摸| 深夜精品福利| 高清视频免费观看一区二区| 啦啦啦 在线观看视频| 国产一区二区激情短视频| 亚洲成人国产一区在线观看| 国产一区二区三区综合在线观看| 91精品三级在线观看| 国产一区二区三区综合在线观看| 这个男人来自地球电影免费观看| 高清av免费在线| 91九色精品人成在线观看| 在线观看www视频免费| avwww免费| 亚洲人成77777在线视频| 亚洲天堂av无毛| 制服人妻中文乱码| 一区二区三区激情视频| 亚洲第一青青草原| 免费人妻精品一区二区三区视频| 9色porny在线观看| 不卡一级毛片| 啦啦啦 在线观看视频| 青草久久国产| 一级毛片精品| 国产精品熟女久久久久浪| 极品少妇高潮喷水抽搐| 日韩欧美免费精品| 操美女的视频在线观看| 久久精品亚洲熟妇少妇任你| 精品视频人人做人人爽| 视频在线观看一区二区三区| 黑人欧美特级aaaaaa片| 妹子高潮喷水视频| 国产精品.久久久| 欧美日韩福利视频一区二区| 一级毛片精品| 91成人精品电影| 国产精品一区二区在线观看99| 视频区图区小说| 国产免费视频播放在线视频| 日本五十路高清| 色94色欧美一区二区| 18禁黄网站禁片午夜丰满| 啦啦啦在线免费观看视频4| 12—13女人毛片做爰片一| 国产一区二区三区综合在线观看| 国产一区二区在线观看av| 午夜福利视频精品| tube8黄色片| 中文字幕人妻丝袜制服| 国产精品久久电影中文字幕 | 国产精品98久久久久久宅男小说| 黄片小视频在线播放| 国产成人影院久久av| 国产精品一区二区在线不卡| 少妇粗大呻吟视频| 成年人免费黄色播放视频| 免费观看a级毛片全部| 人人澡人人妻人| 999久久久精品免费观看国产| 深夜精品福利| 黄色片一级片一级黄色片| 热re99久久国产66热| 亚洲专区中文字幕在线| 亚洲人成77777在线视频| 免费不卡黄色视频| 亚洲专区字幕在线| 欧美黑人精品巨大| 久9热在线精品视频| 脱女人内裤的视频| 精品亚洲成a人片在线观看| 久久中文字幕人妻熟女| 国产激情久久老熟女| 亚洲欧美精品综合一区二区三区| 人妻一区二区av| 中文欧美无线码| 我的亚洲天堂| 91字幕亚洲| 亚洲av电影在线进入| 免费不卡黄色视频| 黄色成人免费大全| 亚洲精品粉嫩美女一区| 精品熟女少妇八av免费久了| 9191精品国产免费久久| 精品国产一区二区三区四区第35| 国产免费福利视频在线观看| 精品久久久久久电影网| 国产免费视频播放在线视频| 国产精品免费视频内射| 他把我摸到了高潮在线观看 | 亚洲中文字幕日韩| av欧美777| 日韩大码丰满熟妇| 午夜久久久在线观看| 在线观看66精品国产| 一边摸一边抽搐一进一出视频| 老汉色∧v一级毛片| 久久久欧美国产精品| 在线观看免费日韩欧美大片| 老司机福利观看| 午夜激情av网站| 极品少妇高潮喷水抽搐| 久久天躁狠狠躁夜夜2o2o| 免费观看a级毛片全部| 热re99久久国产66热| 少妇 在线观看| 亚洲av美国av| 亚洲人成电影观看| 精品少妇内射三级| 中文亚洲av片在线观看爽 | 免费黄频网站在线观看国产| 亚洲精品在线观看二区| 欧美精品一区二区大全| 亚洲免费av在线视频| 国产精品熟女久久久久浪| 久久人人97超碰香蕉20202| 黑丝袜美女国产一区| 日本av免费视频播放| 亚洲色图综合在线观看| 欧美日韩亚洲高清精品| 满18在线观看网站| 91麻豆av在线| 妹子高潮喷水视频| 80岁老熟妇乱子伦牲交| 欧美在线一区亚洲| 99久久国产精品久久久| 91九色精品人成在线观看| av国产精品久久久久影院| 久久国产精品影院| 亚洲av电影在线进入| 久久免费观看电影| xxxhd国产人妻xxx| 丰满饥渴人妻一区二区三| 久久久水蜜桃国产精品网| 亚洲精华国产精华精| 国产日韩一区二区三区精品不卡| 一级a爱视频在线免费观看| 中文字幕人妻丝袜一区二区| 亚洲精品自拍成人| 91大片在线观看| 一区二区三区激情视频| 国产av精品麻豆| 久久午夜亚洲精品久久| 一本大道久久a久久精品| 一本久久精品| 国产精品久久久久久精品古装| 国产成人精品在线电影| 亚洲一区二区三区欧美精品| 王馨瑶露胸无遮挡在线观看| 女同久久另类99精品国产91| 一二三四社区在线视频社区8| 国产福利在线免费观看视频| 国产欧美日韩精品亚洲av| 久久久精品国产亚洲av高清涩受| 欧美大码av| 麻豆成人av在线观看| 亚洲国产看品久久| 黄色片一级片一级黄色片| 久久青草综合色| 精品人妻1区二区| 精品久久久久久久毛片微露脸| 99精品久久久久人妻精品| 高清欧美精品videossex| 好男人电影高清在线观看| 男女之事视频高清在线观看| 国产精品美女特级片免费视频播放器 | 女人精品久久久久毛片| 又紧又爽又黄一区二区| 亚洲专区中文字幕在线| a在线观看视频网站| 2018国产大陆天天弄谢| 国产欧美日韩一区二区三区在线| 欧美激情 高清一区二区三区| 亚洲人成伊人成综合网2020| 久久热在线av| 日韩成人在线观看一区二区三区| 国产伦人伦偷精品视频| 国产99久久九九免费精品| 亚洲精品在线美女| 久久亚洲真实| 国产人伦9x9x在线观看| 搡老岳熟女国产| 久久久水蜜桃国产精品网| 精品欧美一区二区三区在线| 国产成+人综合+亚洲专区| 国产精品久久久人人做人人爽| 一夜夜www| 精品一区二区三区av网在线观看 | 成在线人永久免费视频| 一进一出抽搐动态| 亚洲欧美精品综合一区二区三区| 久久精品国产亚洲av香蕉五月 | 国产有黄有色有爽视频| 人妻久久中文字幕网| 亚洲va日本ⅴa欧美va伊人久久| videos熟女内射| 天天添夜夜摸| 女人精品久久久久毛片| 伦理电影免费视频| 夜夜骑夜夜射夜夜干| 少妇精品久久久久久久| 国产亚洲精品久久久久5区| 制服人妻中文乱码| 少妇粗大呻吟视频| 欧美精品人与动牲交sv欧美| 亚洲色图综合在线观看| 久久久国产欧美日韩av| 嫁个100分男人电影在线观看| 狂野欧美激情性xxxx| 久久国产亚洲av麻豆专区| 午夜视频精品福利| 免费高清在线观看日韩| 高清在线国产一区| 国产精品免费视频内射| 在线看a的网站| 91麻豆av在线| 涩涩av久久男人的天堂| 免费观看a级毛片全部| 国产av国产精品国产| 久久精品成人免费网站| 又黄又粗又硬又大视频| 国产一区二区激情短视频| 国产精品 欧美亚洲| 亚洲 国产 在线| 欧美黑人欧美精品刺激| 国产av又大| 黄片播放在线免费| 激情在线观看视频在线高清 | 免费少妇av软件| 青草久久国产| 久久精品国产综合久久久| 日韩欧美三级三区| 久久精品国产亚洲av高清一级| 午夜成年电影在线免费观看| 国产成+人综合+亚洲专区| 亚洲少妇的诱惑av| 国产免费av片在线观看野外av| 超色免费av| 久久ye,这里只有精品| 精品国产超薄肉色丝袜足j| 另类亚洲欧美激情| 欧美成人免费av一区二区三区 | 亚洲av欧美aⅴ国产| www.精华液| 少妇猛男粗大的猛烈进出视频| 热99久久久久精品小说推荐| 两性夫妻黄色片| 国产精品久久久久久精品电影小说| 欧美黑人精品巨大| 18禁裸乳无遮挡动漫免费视频| 热99国产精品久久久久久7| 黄色视频不卡| 91麻豆av在线| 欧美精品高潮呻吟av久久| 黄频高清免费视频| 丝袜美足系列| 国产不卡一卡二| 三级毛片av免费| 老司机深夜福利视频在线观看| 美女高潮到喷水免费观看| 精品久久久久久电影网| 伊人久久大香线蕉亚洲五| 99riav亚洲国产免费| 日日爽夜夜爽网站| 欧美午夜高清在线| 在线观看免费午夜福利视频| 侵犯人妻中文字幕一二三四区| 一二三四社区在线视频社区8| 国产成人啪精品午夜网站| 亚洲自偷自拍图片 自拍| 欧美激情极品国产一区二区三区| 在线看a的网站| 精品国产国语对白av| 丁香六月天网| 99re6热这里在线精品视频| 免费久久久久久久精品成人欧美视频| 免费不卡黄色视频| 精品熟女少妇八av免费久了| netflix在线观看网站| 在线天堂中文资源库| 国产精品久久电影中文字幕 | 汤姆久久久久久久影院中文字幕| 国产老妇伦熟女老妇高清| 精品福利观看| 俄罗斯特黄特色一大片| 成人三级做爰电影| 欧美日韩亚洲高清精品| 国产一区二区激情短视频| 久久人人爽av亚洲精品天堂| 好男人电影高清在线观看| 一个人免费在线观看的高清视频| 亚洲欧洲日产国产| 91字幕亚洲| 成人黄色视频免费在线看| 日本av手机在线免费观看| av视频免费观看在线观看| 亚洲欧美一区二区三区黑人| 高清欧美精品videossex| 丁香六月天网| 制服诱惑二区| av国产精品久久久久影院| 黄片小视频在线播放| 久久精品国产亚洲av高清一级| 国产av又大| 国产精品美女特级片免费视频播放器 | 1024视频免费在线观看| 99精国产麻豆久久婷婷| 午夜老司机福利片| 女性被躁到高潮视频| 亚洲欧美日韩另类电影网站| 在线观看66精品国产| 国产成人啪精品午夜网站| 国精品久久久久久国模美| 成人av一区二区三区在线看| 精品人妻熟女毛片av久久网站| av福利片在线| 国产高清videossex| 999精品在线视频| 在线天堂中文资源库| 两人在一起打扑克的视频| 黄色怎么调成土黄色| 欧美国产精品va在线观看不卡| 日本五十路高清| 日本a在线网址| 国产成人免费观看mmmm| 人人澡人人妻人| 乱人伦中国视频| 国产欧美亚洲国产| 日韩中文字幕视频在线看片| 大片免费播放器 马上看| 免费在线观看影片大全网站| 国产一区二区三区在线臀色熟女 | 亚洲国产av新网站| 色综合婷婷激情| 美女高潮到喷水免费观看| 成人三级做爰电影| 亚洲国产看品久久| 一区二区av电影网| 黑人巨大精品欧美一区二区蜜桃| 国产精品 国内视频| 色婷婷久久久亚洲欧美| 黄色视频不卡| 色综合婷婷激情| 成人亚洲精品一区在线观看| 高清在线国产一区| 91麻豆精品激情在线观看国产 | 99在线人妻在线中文字幕 | 久久ye,这里只有精品| 丝袜在线中文字幕| 69精品国产乱码久久久| 我的亚洲天堂| 19禁男女啪啪无遮挡网站| 久久青草综合色| 国产在线观看jvid| 国产精品美女特级片免费视频播放器 | 深夜精品福利| 精品午夜福利视频在线观看一区 | 中文字幕人妻丝袜制服| 50天的宝宝边吃奶边哭怎么回事| 亚洲精品一二三| 亚洲国产av新网站| 国产男靠女视频免费网站| 成人亚洲精品一区在线观看| 丰满少妇做爰视频| 极品教师在线免费播放| 啦啦啦视频在线资源免费观看| 中文字幕人妻丝袜一区二区| 国产亚洲欧美精品永久| 另类亚洲欧美激情| 成年女人毛片免费观看观看9 | 久久精品国产综合久久久| 午夜福利免费观看在线| 久久久精品94久久精品| 日韩视频在线欧美| 国产一区二区在线观看av| 午夜免费成人在线视频| 51午夜福利影视在线观看| 中文字幕精品免费在线观看视频| 国产av一区二区精品久久| 国产亚洲午夜精品一区二区久久| avwww免费| 国产麻豆69| 丁香六月天网| 免费在线观看黄色视频的| 好男人电影高清在线观看| 国产黄色免费在线视频| 999精品在线视频| 国产免费福利视频在线观看| 一级a爱视频在线免费观看| 这个男人来自地球电影免费观看| 在线十欧美十亚洲十日本专区| 99国产精品一区二区蜜桃av | 大码成人一级视频| 日韩视频在线欧美| 国产激情久久老熟女| 丝瓜视频免费看黄片| 亚洲成a人片在线一区二区| 亚洲中文字幕日韩| 别揉我奶头~嗯~啊~动态视频| 精品福利观看| 久久九九热精品免费| 婷婷成人精品国产| 国产精品 国内视频| 日韩一区二区三区影片| 亚洲七黄色美女视频| 色婷婷久久久亚洲欧美| 国产精品国产av在线观看| 国产人伦9x9x在线观看| 大型黄色视频在线免费观看| 国产单亲对白刺激| 国产又爽黄色视频| 性少妇av在线| 欧美在线黄色| 首页视频小说图片口味搜索| 久热这里只有精品99| 人成视频在线观看免费观看| 国产亚洲av高清不卡| 在线观看免费日韩欧美大片| 777久久人妻少妇嫩草av网站| 一边摸一边抽搐一进一小说 | 免费在线观看黄色视频的| 欧美+亚洲+日韩+国产| 日本wwww免费看| 国产一区二区三区视频了| 一进一出抽搐动态| 99九九在线精品视频| 大香蕉久久网| 国产高清videossex| 国产精品麻豆人妻色哟哟久久| 欧美日韩亚洲国产一区二区在线观看 | 日韩制服丝袜自拍偷拍| 后天国语完整版免费观看| 大型黄色视频在线免费观看| 波多野结衣一区麻豆| 999久久久国产精品视频| 啪啪无遮挡十八禁网站| 午夜两性在线视频| 国产欧美日韩一区二区精品| 一本大道久久a久久精品| 老鸭窝网址在线观看| 亚洲成a人片在线一区二区| 热re99久久精品国产66热6| cao死你这个sao货| 国产一区二区三区视频了| 久久久国产成人免费| 激情视频va一区二区三区| 日本av免费视频播放| 亚洲精品一卡2卡三卡4卡5卡| 如日韩欧美国产精品一区二区三区| 成年人午夜在线观看视频| 超色免费av| 亚洲欧美日韩高清在线视频 | 国产欧美日韩精品亚洲av| 久久影院123| 久久久久久久大尺度免费视频| 亚洲成a人片在线一区二区| 美女午夜性视频免费| aaaaa片日本免费| 精品视频人人做人人爽| 成年女人毛片免费观看观看9 | 亚洲情色 制服丝袜| 岛国毛片在线播放| 国产精品一区二区在线不卡| 他把我摸到了高潮在线观看 | 国产一区二区 视频在线| 欧美日韩中文字幕国产精品一区二区三区 | 热99re8久久精品国产| 无遮挡黄片免费观看| 久久香蕉激情| 亚洲欧美色中文字幕在线| 久久午夜综合久久蜜桃| 久久毛片免费看一区二区三区| 窝窝影院91人妻| 久久久欧美国产精品| 免费一级毛片在线播放高清视频 | 日韩有码中文字幕| 午夜免费成人在线视频| 国产欧美日韩综合在线一区二区| 国产精品久久久av美女十八| 91麻豆av在线| 精品国产一区二区三区四区第35| 黄片播放在线免费| 午夜福利欧美成人| 国产在线精品亚洲第一网站| 一本一本久久a久久精品综合妖精| 精品亚洲乱码少妇综合久久| www.精华液| 国产一区二区三区综合在线观看| 超碰成人久久| 亚洲精品国产精品久久久不卡| 91九色精品人成在线观看| 中国美女看黄片| 国产成人免费无遮挡视频| 高清黄色对白视频在线免费看| 精品一区二区三区av网在线观看 | 老鸭窝网址在线观看| 亚洲成人免费电影在线观看| 久久99一区二区三区| 欧美日韩黄片免| 精品国产一区二区久久| 另类精品久久| 日韩中文字幕视频在线看片| 久久人人97超碰香蕉20202| 欧美另类亚洲清纯唯美| 亚洲欧美色中文字幕在线| 久久人人爽av亚洲精品天堂| 国产有黄有色有爽视频| 又黄又粗又硬又大视频| 成年人黄色毛片网站| 新久久久久国产一级毛片| 日韩大片免费观看网站| 国产伦理片在线播放av一区| 日韩一卡2卡3卡4卡2021年| 国产高清激情床上av| 国产精品电影一区二区三区 | 天天躁夜夜躁狠狠躁躁| 欧美一级毛片孕妇| 亚洲精品在线美女| av又黄又爽大尺度在线免费看| 另类亚洲欧美激情| 多毛熟女@视频| 国产亚洲欧美在线一区二区| 可以免费在线观看a视频的电影网站| 亚洲第一av免费看| 亚洲综合色网址| 免费在线观看完整版高清| 国产在线精品亚洲第一网站| videos熟女内射| 亚洲第一欧美日韩一区二区三区 | 欧美在线黄色| 高潮久久久久久久久久久不卡| 午夜福利,免费看| 欧美人与性动交α欧美软件| 99国产精品免费福利视频| 欧美乱码精品一区二区三区| 日韩大码丰满熟妇| 亚洲精品在线美女| 91麻豆av在线| 高清视频免费观看一区二区| 久久久久国产一级毛片高清牌| 日本黄色日本黄色录像| 亚洲精品久久午夜乱码| 国产亚洲精品久久久久5区| 色婷婷久久久亚洲欧美| 精品国产乱码久久久久久小说| 午夜福利乱码中文字幕| www.熟女人妻精品国产| 亚洲av电影在线进入| 成人18禁高潮啪啪吃奶动态图| 日韩精品免费视频一区二区三区| 在线观看免费高清a一片| 老司机影院毛片| 久久久精品区二区三区| 亚洲精品乱久久久久久| 搡老岳熟女国产| 中文字幕av电影在线播放| 亚洲久久久国产精品| a级毛片黄视频| 精品国产一区二区久久| 日韩制服丝袜自拍偷拍| 最近最新中文字幕大全电影3 | 久久亚洲精品不卡| 国产精品 欧美亚洲| 91成年电影在线观看| 久久国产精品影院| 成人手机av| 亚洲第一av免费看| 大片电影免费在线观看免费| 国产三级黄色录像| 黑人巨大精品欧美一区二区mp4| 大香蕉久久成人网| 国产真人三级小视频在线观看| 久久国产亚洲av麻豆专区| 欧美日韩中文字幕国产精品一区二区三区 | 中文字幕最新亚洲高清| 久久中文字幕人妻熟女| 欧美乱码精品一区二区三区| 日韩欧美三级三区| 人人澡人人妻人| tube8黄色片| 国产区一区二久久| 国产日韩欧美在线精品| 国产av国产精品国产| 1024视频免费在线观看| 国产精品国产高清国产av | 视频区图区小说| 他把我摸到了高潮在线观看 | 午夜免费成人在线视频| 50天的宝宝边吃奶边哭怎么回事| 欧美日本中文国产一区发布| 午夜日韩欧美国产| 男女下面插进去视频免费观看| 国产精品熟女久久久久浪| 中亚洲国语对白在线视频| 日本黄色视频三级网站网址 | 国产精品自产拍在线观看55亚洲 | √禁漫天堂资源中文www| 国产淫语在线视频|