基于稀疏流形學(xué)習(xí)的人臉識別研究.pdf

1、隨著計(jì)算機(jī)視覺技術(shù)和機(jī)器學(xué)習(xí)技術(shù)的飛快發(fā)展，人臉識別技術(shù)應(yīng)用在了生活的各個領(lǐng)域，例如身份識別和智能交互界面等。人臉識別是一種高維大數(shù)據(jù)集模式識別的典型應(yīng)用。但數(shù)據(jù)維數(shù)過高不利于數(shù)據(jù)的分析和處理，傳統(tǒng)的處理方法就是利用線性降維或者非線性降維的方法來解決維數(shù)災(zāi)難的問題。傳統(tǒng)的并被廣泛應(yīng)用的線性降維的方法有主成分分析(PCA)，基于獨(dú)立分量分析(ICA)和基于線性判別方法(LDA)等。它們在處理噪聲較小的人臉識別上取得了滿意的識別結(jié)果。但是人

2、臉總會受到諸如，光照，遮蓋，表情，姿勢等各種噪聲的影響。這樣在利用線性降維的方法獲取到的特征在識別上效果并不是很理想。流形學(xué)習(xí)作為近年來被提出的非線性維數(shù)約減算法，可以很好得解決人臉圖像特征中的高維問題。目前基于流形學(xué)習(xí)方法的人臉識別算法已取得了廣泛的應(yīng)用。例如基于局部優(yōu)化方法的局部保持投影(LPP)算法，拉普拉斯特征映射(LE)，和基于全局特性的測地距離的ISOMAP流形方法等。但是研究這些方法發(fā)現(xiàn)，流形方法都需要設(shè)置樣本的k近鄰來解

3、決構(gòu)造拉普拉斯矩陣的問題。這樣會導(dǎo)致過大或過小的k近鄰的設(shè)置使得樣本失去了固有的流形特性。本論文研究的是利用稀疏方法來解決流形中k近鄰的自適應(yīng)學(xué)習(xí)。本文提出基于稀疏的局部與全局最優(yōu)的框架（SPAF）來解決。SPAF框架有兩個步驟。第一個利用稀疏學(xué)習(xí)方法構(gòu)造局部最優(yōu)塊。第二個將所有的局部最優(yōu)塊統(tǒng)一到同一個坐標(biāo)系下面構(gòu)成全局的最優(yōu)拉普拉斯矩陣。本文的主要創(chuàng)新點(diǎn)有如下兩個:
　　(1)通過稀疏學(xué)習(xí)表示的方法，解決k近鄰的自適應(yīng)選擇問題，