人臉識(shí)別中子空間降維方法研究.pdf

1、近年來(lái)，人臉識(shí)別成為了生物特征識(shí)別領(lǐng)域中的一個(gè)熱門研究課題。當(dāng)今社會(huì)，人臉識(shí)別已經(jīng)廣泛應(yīng)用與軍事、經(jīng)濟(jì)、交通、公共安全等領(lǐng)域，并且取得了良好的作用，引起了國(guó)內(nèi)外的廣泛關(guān)注。鑒于此，人臉識(shí)別有著巨大的理論研究意義和實(shí)用價(jià)值，未來(lái)的前景非常良好。一種人臉識(shí)別算法是否有效并且實(shí)用，關(guān)鍵取決于該算法是否能夠快速精確的提取有效的識(shí)別特征，在數(shù)據(jù)降維的過(guò)程中如何保持樣本的內(nèi)在結(jié)構(gòu)不變而把數(shù)據(jù)映射到低維空間中去。在人臉識(shí)別發(fā)展研究現(xiàn)狀的基礎(chǔ)上，通過(guò)對(duì)

2、數(shù)據(jù)降維和子空間分析方法的研究，本文提出了一些人臉識(shí)別算法并且在人臉數(shù)據(jù)庫(kù)上取得了良好的識(shí)別效果。
　　在經(jīng)典的線性和流形特征抽取算法的基礎(chǔ)上，本文做了一些改進(jìn)和創(chuàng)新，著重進(jìn)行了如下幾方面的研究:
　　(1)基于局部排序PCA的線性鑒別算法(Modular Sorting Principal Component Analysis，MSPCA)
　　分塊排序PCA方法先對(duì)圖像矩陣進(jìn)行分塊，對(duì)所有分塊得到的子圖像矩陣?yán)肞

3、CA方法求出矩陣的所有特征值所對(duì)應(yīng)的特征向量并加以標(biāo)識(shí)，然后找出這些所有的特征值中尼個(gè)最大的特征值所對(duì)應(yīng)的特征向量，用這些特征向量分別去抽取所屬的子圖像的特征。最后，在MSPCA的基礎(chǔ)上，將抽取子圖像所得到特征矩陣合并，然后把這個(gè)合并后的特征矩陣作為新的樣本進(jìn)行PCA+LDA。由于使用子圖像矩陣，分塊排序PCA可以避免使用奇異值分解理論，更加簡(jiǎn)便，加強(qiáng)了局部信息在識(shí)別算法中的作用，相比PCA方法在分類和識(shí)別性能上有了長(zhǎng)足的進(jìn)步。ORL人

4、臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果與分析表明，MSPCA算法快速有效的對(duì)樣本數(shù)據(jù)進(jìn)行了特征抽取和分類識(shí)別，與PCA方法相比提高了識(shí)別效率，識(shí)別率也得到了較大的提升。
　　(2)基于加權(quán)最大間距準(zhǔn)則的局部保持投影(Locality Preserving Projection Based OnWeighted Maximum Margin Criterion,WMMCLPP)
　　LPP算法本質(zhì)上是一種無(wú)監(jiān)督的算法，沒(méi)有利用樣本的類別信息?；?/p>

5、于此，本章提出一種基于加權(quán)最大間距準(zhǔn)則的局部保持投影。首先對(duì)原始樣本進(jìn)行PCA降維，然后通過(guò)計(jì)算每個(gè)樣本點(diǎn)到該類樣本中心的距離定義每個(gè)樣本點(diǎn)的權(quán)重矩陣，通過(guò)定義的權(quán)重矩陣重新定義每類樣本的均值、類間散度矩陣和類內(nèi)散度矩陣。然后將重新定義的加權(quán)最大間距準(zhǔn)則的目標(biāo)函數(shù)作為調(diào)節(jié)因子加入到LPP算法中去求解最優(yōu)化的問(wèn)題。最后用求取出來(lái)的最終準(zhǔn)則函數(shù)構(gòu)建對(duì)稱矩陣以解決最優(yōu)投影向量非正交的問(wèn)題。Yale和ORL人臉數(shù)據(jù)庫(kù)上實(shí)驗(yàn)結(jié)果與分析表明，與傳統(tǒng)

6、的特征抽取方法相比，WMMCLPP算法的識(shí)別性能更加良好。
　　(3)基于近鄰局部保持投影的線性鑒別分析(Linear Discriminant Analysis Based OnNeighborhood Locality Preserving Projection, NLPPDA)
　　經(jīng)典的流形學(xué)習(xí)方法無(wú)法如線性特征提取方法那樣獲得新樣本的低維投影。流形學(xué)習(xí)方法的線性化很好的解決了這個(gè)問(wèn)題?；诖?，本章提出一種基于近鄰局

7、部保持投影的線性鑒別分析。首先對(duì)原始樣本進(jìn)行PCA降維，然后引入LPP算法的思想求取樣本的近鄰點(diǎn)，將樣本的近鄰點(diǎn)分為兩類:一類是和該樣本點(diǎn)屬于同類的所有樣本點(diǎn)組成的集合，一類是和該樣本點(diǎn)屬于不同類的所有樣本點(diǎn)組成的集合。然后用前者集合重新定義類內(nèi)散布矩陣，用后者重新定義類間散布矩陣，然后改進(jìn)NRLDA算法的目標(biāo)函數(shù)，添加約束條件，將樣本到類內(nèi)近鄰點(diǎn)之間的距離標(biāo)準(zhǔn)化。NLPPDA算法既保持了樣本的局部幾何結(jié)構(gòu)信息又保留了樣本的有監(jiān)督信息。