目標(biāo)識(shí)別中基于最小化訓(xùn)練誤差的特征提取算法研究.pdf

1、目標(biāo)識(shí)別是模式識(shí)別和計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)的重要研究方向。近年來(lái)提出的目標(biāo)識(shí)別算法主要是基于圖像統(tǒng)計(jì)特征的學(xué)習(xí)和分類(lèi)算法。由于圖像樣本的維數(shù)通常很高，且在高維空間的分布并不緊湊，導(dǎo)致其在樣本空間不利于分類(lèi)且計(jì)算復(fù)雜度太大。為了解決這些問(wèn)題，子空間方法應(yīng)運(yùn)而生。子空間方法通過(guò)特征提取和降維技術(shù)，將數(shù)據(jù)樣本由高維樣本空間降維至利于分類(lèi)的低維特征空間，達(dá)到更好的分類(lèi)效果和更加經(jīng)濟(jì)的計(jì)算代價(jià)。 傳統(tǒng)的特征提取算法，如主分量分析(PCA)，線性

2、判別分析(LDA)和獨(dú)立主元分析(ICA)等，通過(guò)分析訓(xùn)練樣本的統(tǒng)計(jì)信息，根據(jù)某些統(tǒng)計(jì)準(zhǔn)則訓(xùn)練分類(lèi)器。但是由于這些分類(lèi)算法并不直接以訓(xùn)練樣本分類(lèi)誤差最小化準(zhǔn)則作為訓(xùn)練依據(jù)，因此在樣本分布比較復(fù)雜的情況下，無(wú)法取得令人滿意的效果。而另一方面，Boosting算法的核心就是專(zhuān)注于某些困難分類(lèi)問(wèn)題，可以很好地解決上述難題。因此，如何結(jié)合子空間算法和Boosting算法，以訓(xùn)練誤差最小化為準(zhǔn)則進(jìn)行有效地特征提取和分類(lèi)器設(shè)計(jì)，在模式識(shí)別領(lǐng)域有著重

3、要的研究意義。 本文的主要工作集中于結(jié)合子空間方法和Boosting方法，以訓(xùn)練誤差最小化為準(zhǔn)則有效地進(jìn)行特征提取。主要研究成果概述如下： 1)以目標(biāo)識(shí)別中的人臉識(shí)別為代表，總結(jié)了人臉識(shí)別技術(shù)的研究背景及內(nèi)容，提出了目前人臉識(shí)別中特征提取的關(guān)鍵問(wèn)題。闡述了子空間分析方法的概念和原理，對(duì)AdaBoost系列集成學(xué)習(xí)算法進(jìn)行了深入地分析。 2)提出了子空間算法與集成學(xué)習(xí)算法相結(jié)合的基于提升自舉FLD投影的特征提取算法

4、，并給出了實(shí)驗(yàn)結(jié)果。在兩類(lèi)問(wèn)題中，算法以最小訓(xùn)練誤差為準(zhǔn)則，構(gòu)建易于分類(lèi)的特征子空閾，可以有效地克服傳統(tǒng)特征提取算法性能依賴于數(shù)據(jù)分布以及提取準(zhǔn)則不直接與訓(xùn)練誤差相關(guān)的弱點(diǎn)。 3)提出了多類(lèi)問(wèn)題中的基于提升自舉FLD投影子空間的特征提取算法，算法選取特征的過(guò)程與訓(xùn)練誤差直接相關(guān)，同時(shí)每一個(gè)弱分類(lèi)器儀代表了部分的數(shù)據(jù)分布，所以算法的有效性并不受制于特定的數(shù)據(jù)整體分布。在四個(gè)真實(shí)廣泛使用的手寫(xiě)字符數(shù)據(jù)集、車(chē)輛數(shù)據(jù)集、衛(wèi)星圖片數(shù)據(jù)集和