圖像特征提取方法及其在人臉識(shí)別中的應(yīng)用.pdf

1、特征抽取是模式識(shí)別中最基本的問題之一。無論是人臉識(shí)別還是字符識(shí)別，提取有效的鑒別特征是解決問題的關(guān)鍵。本文就有關(guān)幾種線性和非線性特征提取方法的理論與算法進(jìn)行了研究，并且所提出的一些特征提取的新算法在人臉識(shí)別方面得到了較成功的應(yīng)用。 首先，本文針對(duì)非矩陣分解的理論，提出了具有正交性的投影軸的計(jì)算方法和具有統(tǒng)計(jì)不相關(guān)性的投影軸的計(jì)算方法。這種處理方法的目的為了減少低維空間中投影軸之間的統(tǒng)計(jì)相關(guān)性，提高識(shí)別率。實(shí)驗(yàn)結(jié)果表明提出的兩種特

2、征提取方法在識(shí)別率方面整體上好于原非負(fù)矩陣分解特征提取（NMF）方法。針對(duì)非負(fù)矩陣分解方法在特征提取過程中沒有充分利用訓(xùn)練樣本的類別標(biāo)簽信息，本文提出一種新的有監(jiān)督的非負(fù)矩陣分解方法，這種方法的特點(diǎn)：一是它充分直接利用訓(xùn)練樣本的類別信息，二是在計(jì)算上仍然采用與非負(fù)矩陣分解方法相同數(shù)學(xué)公式，這種新特征提取方法被稱為組合類別信息的非負(fù)矩陣分解（CINMF）方法。 其次，針對(duì)非線性特征提取問題，基于核技術(shù)的理論，本文給出一種監(jiān)督化的K

3、PCA方法，即組合類別信息的核主成分分析（CIKPCA）。由于核主成分分析（KPCA）是無監(jiān)督學(xué)習(xí)方法，在特征提取過程，KPCA中不能充分利用訓(xùn)練樣本的類別信息，而CIKPCA則是克服這一弱點(diǎn)。在分類時(shí)本文采用基于兩種特征融合的分類策略進(jìn)一步改進(jìn)CIKPCA方法的識(shí)別率。實(shí)驗(yàn)結(jié)果表明提出的新方法在識(shí)別率方面整體上超過常用的核主成分分析（KPCA）方法，在某些人臉數(shù)據(jù)庫上，CIKPCA甚至超過了KLDA。另外，基于（核）最大間距準(zhǔn)則，本文

4、提出了一組具有統(tǒng)計(jì)不相關(guān)性的最優(yōu)（核）鑒別矢量集的計(jì)算方法。新的方法的目的是消除了特征空間上最優(yōu)（核）鑒別矢量間的統(tǒng)計(jì)相關(guān)性，提高了特征提取的有效性。 最后，基于流形學(xué)習(xí)的理論，本文提出一種新的無監(jiān)督的鑒別投影方法，這種新的方法是基于樣本的局部和非局部統(tǒng)計(jì)量而建立的映射，它的鑒別準(zhǔn)則是通過特征矢量的非局部散度與局部散度之間差的最大化來刻畫的，準(zhǔn)則目的是使得投影后特征矢量的非局部散度最大化，同時(shí)也使局部散度最小化。這種方法被稱為最

5、大間距鑒別投影（Marginal Discriminant Projection，MDP）。通過在ORL人臉庫和AR人臉庫上進(jìn)行實(shí)驗(yàn)，比較了MDA、LDA、局部保持投影（LPP）和無監(jiān)督鑒別投影（UDP）四種方法的識(shí)別率。另外，基于流形學(xué)習(xí)理論，本文提出一種新的針對(duì)圖像矩陣的維數(shù)壓縮方法。這種方法是基于樣本圖像矩陣來構(gòu)建非局部散度矩陣和局部散度矩陣的，并且通過引入鄰接矩陣來刻畫高維數(shù)據(jù)的局部幾何結(jié)構(gòu)。準(zhǔn)則函數(shù)是投影樣本的非局部散度與局部