基于最小平方誤差的人臉特征抽取與分類算法研究.pdf

1、隨著計(jì)算機(jī)和網(wǎng)絡(luò)的飛速發(fā)展，模式識(shí)別技術(shù)需要面對(duì)越來(lái)越復(fù)雜的數(shù)據(jù)。研究出有效的特征抽取和分類方法一直是模式識(shí)別的核心任務(wù)?；谧钚∑椒秸`差分析的特征抽取和分類方法在模式識(shí)別領(lǐng)域中起著至關(guān)重要的作用，例如目前流行的基于稀疏表示的分類方法和二維主成分分析方法均為最小平方誤差方法的特殊形式。本文在現(xiàn)有研究工作的基礎(chǔ)上，提出了一系列新穎的基于最小平方誤差的特征抽取和分類方法，并應(yīng)用于人臉識(shí)別問(wèn)題中。本文的主要研究工作和創(chuàng)新包括：
　　提出

2、了一種局部最小平方誤差分類方法。傳統(tǒng)的最小平方誤差分類方法對(duì)所有測(cè)試樣本共用同一個(gè)類標(biāo)預(yù)測(cè)模型，在某些復(fù)雜分類問(wèn)題上，難以獲得較好的識(shí)別效果。本文提出的局部最小平方誤差分類方法對(duì)每個(gè)測(cè)試樣本都確定其某個(gè)鄰域，然后在此鄰域內(nèi)建立最小平方誤差分類模型，該方法能使測(cè)試樣本參與到其分類模型的學(xué)習(xí)過(guò)程中，有利于提升模型對(duì)測(cè)試樣本的分類精度。
　　提出了多子空間和多方向的二維主成分分析方法。多子空間的二維主成分分析能夠直接在矩陣上進(jìn)行特征抽取

3、，無(wú)需預(yù)先將矩陣轉(zhuǎn)換為向量，避免了矩陣中結(jié)構(gòu)信息的丟失，在數(shù)據(jù)表示和恢復(fù)能力上該方法比傳統(tǒng)二維主成分分析方法有明顯優(yōu)勢(shì)，將該方法用于 Gabor臉矩陣的特征抽取，得到了比以往方法更高的識(shí)別精度。多方向的二維主成分分析方法能夠在任意方向上對(duì)圖像矩陣進(jìn)行二維特征抽取，而傳統(tǒng)方法只能在圖像矩陣的水平或垂直方向上進(jìn)行二維特征抽取，因而該方法更具有一般性。并設(shè)計(jì)了融合多個(gè)方向上的二維特征抽取結(jié)果進(jìn)行識(shí)別的算法，充分利用了不同方向上二維特征抽取結(jié)果

4、的鑒別性。
　　對(duì)線性表示分類模型進(jìn)行了改進(jìn)，提出了非線性稀疏表示分類模型。以往的線性表示分類方法均假設(shè)測(cè)試樣本能被訓(xùn)練樣本線性表示，但在實(shí)際人臉識(shí)別應(yīng)用中，這一假設(shè)并不總能成立。非線性稀疏表示分類模型依據(jù)測(cè)試樣本能被訓(xùn)練樣本非線性表示這一假設(shè)，在計(jì)算上引入核函數(shù)，在高維特征空間中解決了樣本間的稀疏表示和分類問(wèn)題。
　　分析了基于ι1范數(shù)優(yōu)化和ι2范數(shù)優(yōu)化的兩種線性表示分類方法各自的優(yōu)缺點(diǎn)，并發(fā)現(xiàn)這兩種表示模型得到的表示系數(shù)

5、具有較強(qiáng)的不相關(guān)性，在此基礎(chǔ)上提出了融合這兩種范數(shù)優(yōu)化的線性表示分類模型，通過(guò)實(shí)驗(yàn)證實(shí)了該融合方法在人臉識(shí)別問(wèn)題上能夠獲得較高的識(shí)別精度。
　　對(duì)線性表示分類方法的特征抽取問(wèn)題進(jìn)行了研究，提出了類別殘差鑒別分析方法和快速稀疏表示分類方法。類別殘差鑒別分析方法的目的在于將樣本變換到新的空間中，該變換能使樣本的類間表示誤差和類內(nèi)表示誤差的比值達(dá)到最大，從而提升樣本在線性表示分類方法中的可分度。通過(guò)人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)證實(shí)了經(jīng)過(guò)該變換后，

6、使用基于線性表示的分類方法進(jìn)行識(shí)別的精度獲得了較大提升?？焖傧∈璞硎痉诸惙椒ǖ睦碚撘罁?jù)是在PCA空間與原始空間中的稀疏表示模型具有較強(qiáng)的相似性。該方法在PCA變換后的低維空間中學(xué)習(xí)稀疏表示模型，并在原始空間中進(jìn)行類別表示誤差的計(jì)算，以較小的計(jì)算代價(jià)獲得了與原始稀疏表示方法近似的類別表示誤差。通過(guò)人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明，該快速稀疏表示分類方法能夠在不降低識(shí)別精度的前提下明顯提升分類效率。
　　總體而言，出于提高分類精度和分類效率的目