基于核投影分析的特征抽取及應用研究.pdf

1、特征抽取是模式識別研究的最基本的問題之一.無論是人臉識別還是字符識別,抽取有效的鑒別特征是解決問題的關鍵.核投影分析,包括核主分量分析(KPCA)和核Fisher鑒別分析(KFDA),是最近剛剛提出的非常有效的非線性特征抽取方法.該文一方面對核投影分析的內涵從理論上進行了補充,另一方面對核投影分析的有關算法進行了較為深入的研究,所提出的算法在人臉識別和字符識別方面得到了較成功的應用.Foley-Sammon線性鑒別分析(FSDA)是抽取

2、線性特征的有效方法之一.在此基礎上,該文借鑒核Fisher鑒別分析的實現思想,提出了一種核Foley-Sammon鑒別分析(核F-S鑒別分析,KFSDA)方法,首先建立KFSDA的兩個等價模型,并分析這兩個等價模型的解之間的關系,然后從理論上給出KFSDA模型的具體求解方法.該文利用核技術把廣義最佳鑒別矢量集進行非線性推廣,提出一個全新的概念一廣義最佳核鑒別矢量集,建立廣義最佳核鑒別矢量集的求解模型,從理論上給出廣義最佳核鑒別矢量集的具

3、體求解方法.核Fisher鑒別分析(KFDA)已成為抽取非線性特征的最有效方法之一.但是,無論訓練樣本的數目多少、維數高低,總面臨一個奇異性問題,對此在現有的KFDA算法中還沒有得到很好的解決.在該文中我們提出了一種最優(yōu)的核Fisher鑒別分析(OKFDA)方法,從理論上巧妙地解決了奇異情況下最優(yōu)核鑒別矢量集的求解問題.OKFDA基本思路為把最優(yōu)核鑒別矢量分為兩類,首先優(yōu)先在核類內散布矩陣的零空間內選擇使核類間散布量最大的一組標準正交的

4、特征矢量,即為第一類最優(yōu)核鑒別矢量,然后在核類內散布矩陣的非零空間內選擇使核Fisher鑒別準則達到最大的一組標準的特征矢量,即為第二類最優(yōu)核鑒別矢量,這樣我們就得到了最優(yōu)核鑒別矢量集,從而相應地抽取出原始樣本的非線性最優(yōu)鑒別特征(共兩類).在FERET人臉庫的子庫上的實驗結果驗證了OKFDA方法的有效性.獨立分量分析以其獨特的性質在人臉識別中發(fā)揮著重要的作用.但是我們知道即便使用快速的ICA算法(FastICA)來抽取人臉圖象特征都存

5、在著運算量大、耗時多等問題,為此該文提出了一種新的人臉自動識別方法,首先采用核主分量分析(KPCA)對原始的人臉圖象進行降維,這樣不僅突出了人臉圖象的主分量特征,而且考慮了包含圖象象素間的非線性關系的高階統(tǒng)計信息.然后利用FastICA算法進一步抽取出更加有利于分類的面部特征的主要獨立成分,以用來后面的識別分類.在FERET人臉庫的子庫上實驗結果表明,所提出的方法與基于FastICA的方法相比識別性能略有提高,更為特出的是在識別速度上顯