基于子空間特征提取的人臉識別.pdf

1、特征提取是人臉識別的核心問題，通過對人臉圖像數(shù)據(jù)進行特征降維是提高人臉識別效果的有效途徑。目前，特征降維主要有主成分分析、線性判別分析、局部保持投影、基于稀疏表示等方法。本文主要對線性判別分析和基于稀疏表示的子空間特征提取方法進行了研究，從樣本的局部結(jié)構(gòu)出發(fā)，研究新的子空間特征提取方法，并將其應(yīng)用到人臉識別中。主要工作內(nèi)容如下:
　　 (1)提出了局部非負稀疏保持投影子空間特征提取算法LNSPP(Local Nonnegativ

2、eSparse Preserving Projection)。研究發(fā)現(xiàn)，對給定樣本進行稀疏表示時，大部分非零系數(shù)來自目標(biāo)樣本的近鄰樣本。為了使稀疏保持投影算法能獲得更加稀疏的稀疏表示系數(shù)，更好地表達數(shù)據(jù)之間的關(guān)系，該算法采用徑向基核函數(shù)測度公式來計算目標(biāo)樣本的近鄰樣本，然后利用樣本的近鄰來進行非負稀疏表示，并尋求一個投影空間來保持所有訓(xùn)練樣本的局部非負稀疏重構(gòu)關(guān)系。實驗結(jié)果表明該算法比稀疏保持投影能獲得更好的識別率。
　　 (2

3、)提出了局部協(xié)同保持投影算法LCPP(Local Collaborative Preserving Projection)。該算法將協(xié)同表示引入稀疏保持投影算法中，利用目標(biāo)樣本的近鄰樣本來協(xié)同表示該樣本，大大降低了算法的運行時間，同時在一定程度上提高了算法的識別率。
　　 (3)提出了基于模糊隸屬度的局部線性判別方法FLLDA(Fuzzy Local LinearDiscriminant Analysis)。通過研究局部線性判別

4、方法LLDA(Local Linear DiscriminantAnalysis)，針對LLDA利用歐式距離來尋求近鄰樣本，而且沒有考慮近鄰樣本的分布信息這一問題，F(xiàn)LLDA利用核函數(shù)測度公式來求解測試樣本的近鄰樣本，并利用近鄰樣本的模糊隸屬度重新定義了類內(nèi)離散矩陣和類間離散矩陣，充分利用了近鄰樣本的分布信息。該算法在ORL、AR和FFRET上都能夠提升識別效果。
　　 (4)提出了基于協(xié)同的局部線性判別分析算法CLLDA(Co