人臉識別中子空間降維方法研究.pdf

1、近年來，人臉識別成為了生物特征識別領域中的一個熱門研究課題。當今社會，人臉識別已經廣泛應用與軍事、經濟、交通、公共安全等領域，并且取得了良好的作用，引起了國內外的廣泛關注。鑒于此，人臉識別有著巨大的理論研究意義和實用價值，未來的前景非常良好。一種人臉識別算法是否有效并且實用，關鍵取決于該算法是否能夠快速精確的提取有效的識別特征，在數(shù)據降維的過程中如何保持樣本的內在結構不變而把數(shù)據映射到低維空間中去。在人臉識別發(fā)展研究現(xiàn)狀的基礎上，通過對

2、數(shù)據降維和子空間分析方法的研究，本文提出了一些人臉識別算法并且在人臉數(shù)據庫上取得了良好的識別效果。
　　在經典的線性和流形特征抽取算法的基礎上，本文做了一些改進和創(chuàng)新，著重進行了如下幾方面的研究:
　　(1)基于局部排序PCA的線性鑒別算法(Modular Sorting Principal Component Analysis，MSPCA)
　　分塊排序PCA方法先對圖像矩陣進行分塊，對所有分塊得到的子圖像矩陣利用P

3、CA方法求出矩陣的所有特征值所對應的特征向量并加以標識，然后找出這些所有的特征值中尼個最大的特征值所對應的特征向量，用這些特征向量分別去抽取所屬的子圖像的特征。最后，在MSPCA的基礎上，將抽取子圖像所得到特征矩陣合并，然后把這個合并后的特征矩陣作為新的樣本進行PCA+LDA。由于使用子圖像矩陣，分塊排序PCA可以避免使用奇異值分解理論，更加簡便，加強了局部信息在識別算法中的作用，相比PCA方法在分類和識別性能上有了長足的進步。ORL人

4、臉數(shù)據庫上的實驗結果與分析表明，MSPCA算法快速有效的對樣本數(shù)據進行了特征抽取和分類識別，與PCA方法相比提高了識別效率，識別率也得到了較大的提升。
　　(2)基于加權最大間距準則的局部保持投影(Locality Preserving Projection Based OnWeighted Maximum Margin Criterion,WMMCLPP)
　　LPP算法本質上是一種無監(jiān)督的算法，沒有利用樣本的類別信息?；?/p>

5、于此，本章提出一種基于加權最大間距準則的局部保持投影。首先對原始樣本進行PCA降維，然后通過計算每個樣本點到該類樣本中心的距離定義每個樣本點的權重矩陣，通過定義的權重矩陣重新定義每類樣本的均值、類間散度矩陣和類內散度矩陣。然后將重新定義的加權最大間距準則的目標函數(shù)作為調節(jié)因子加入到LPP算法中去求解最優(yōu)化的問題。最后用求取出來的最終準則函數(shù)構建對稱矩陣以解決最優(yōu)投影向量非正交的問題。Yale和ORL人臉數(shù)據庫上實驗結果與分析表明，與傳統(tǒng)

6、的特征抽取方法相比，WMMCLPP算法的識別性能更加良好。
　　(3)基于近鄰局部保持投影的線性鑒別分析(Linear Discriminant Analysis Based OnNeighborhood Locality Preserving Projection, NLPPDA)
　　經典的流形學習方法無法如線性特征提取方法那樣獲得新樣本的低維投影。流形學習方法的線性化很好的解決了這個問題?；诖耍菊绿岢鲆环N基于近鄰局

7、部保持投影的線性鑒別分析。首先對原始樣本進行PCA降維，然后引入LPP算法的思想求取樣本的近鄰點，將樣本的近鄰點分為兩類:一類是和該樣本點屬于同類的所有樣本點組成的集合，一類是和該樣本點屬于不同類的所有樣本點組成的集合。然后用前者集合重新定義類內散布矩陣，用后者重新定義類間散布矩陣，然后改進NRLDA算法的目標函數(shù)，添加約束條件，將樣本到類內近鄰點之間的距離標準化。NLPPDA算法既保持了樣本的局部幾何結構信息又保留了樣本的有監(jiān)督信息。