流形學習研究及其在人臉識別中的應(yīng)用.pdf

1、作為人臉識別的基礎(chǔ)，本文首先研究了線性子空間方法中的PCA、LDA、ICA算法，對其原理、算法進行了系統(tǒng)的研究，并在人臉庫上進行了試驗仿真；在Swiss-Roll的實驗表明線性子空間算法在處理非線性數(shù)據(jù)上存在局限。
　　 近年來，流形學習產(chǎn)生了大量的成果，這些算法包括等距映射(Isomap)、局部線性嵌入(LLE)和拉普拉斯特征映射(LE)等。本文詳細分析了三種流形學習算法目的、原理及求解過程，并在Swiss-Roll及有空洞的

2、Swiss-Hole上進行了實驗，比較它們對凸數(shù)據(jù)和非凸數(shù)據(jù)的嵌入效果，對三種算法的時間復(fù)雜度進行了估算。應(yīng)用流形學習算法對人臉圖像進行低維嵌入和規(guī)律挖掘，在2維空間實現(xiàn)可視化，找到了控制人臉圖像的低維變量，證實了高維數(shù)據(jù)中“人臉流形”的存在。
　　 本文將流形學習應(yīng)用到人臉識別中。首先是在“人臉流形”上的識別，隨后應(yīng)用LE的線性化算法LPP進行人臉識別，解決了流形學習對樣本外(Out-of-Sample)的學習問題。應(yīng)用UDP

3、算法進行人臉識別實驗，實驗結(jié)果表明UDP算法較好的解決了流形學習的分類問題。本文在Laplacianfaces的基礎(chǔ)上，提出了一種Laplacianfaces的改進算法，用兩點之間最短路徑上的點的函數(shù)來作為兩點之間的權(quán)系數(shù)，通過重新構(gòu)造權(quán)值矩陣，解決了原構(gòu)造方法在分配權(quán)重時的不足。在UDP、MFA的基礎(chǔ)上，本文提出了度量非局部散度新方法LMP(局部邊距投影映射)，選擇兩個局部之間的距離最近的點來構(gòu)造非局部散度，加強了對“局部”內(nèi)與“局部