基于多樣性的人臉圖像特征提取及識別.pdf

1、隨著科學與信息技術(shù)的飛速發(fā)展,現(xiàn)實中產(chǎn)生的數(shù)據(jù)量日益增多,特別是維數(shù)比較高的數(shù)據(jù),這雖然豐富了我們的生活但也帶來了前所未有的“維數(shù)災難”問題,因此怎樣有效地描述數(shù)據(jù),已經(jīng)成為一個刻不容緩的問題。特征提取被視為行之有效的方法之一,這不但可以發(fā)掘樣本的本質(zhì)特點,而且可以將計算量減小。
　　本文的重點是從樣本的局部和非局部幾何結(jié)構(gòu)著手來分析,認真從基于圖論的角度來研究人臉特征提取算法的精髓;從這個角度講,著重分析了集成局部和非局部幾何結(jié)

2、構(gòu)的辨別分析特征提取算法,本文的核心內(nèi)容以及研究如下:
　　一、首先對2DPCA、2DLPP、2DLIPP三種算法分別因不能夠很好地反映出非線性高維數(shù)據(jù)的內(nèi)在幾何結(jié)構(gòu)、沒有有效的利用訓練樣本的已知類別信息、忽略了不同類邊界的判別信息等而導致過學習、泛化能力不好,分類性能不好等問題。針對以上問題,提出了二維增強監(jiān)督的局部判別分析(Two-dimensional Enhanced Supervised Local Discrimina

3、nt Analysis,2DESLDA)算法。它借助于設計鄰接圖將鄰域內(nèi)不同類的數(shù)據(jù)拉向它的類心,并給出了度量局部判別信息的離散度,然后結(jié)合局部數(shù)據(jù)的差異性離散度,建立了很好的魯棒的特征提取準則。因此2DESLDA可以在低維空間保持不同類邊界處的判別能力的同時,較好地保持數(shù)據(jù)的內(nèi)在差異性幾何結(jié)構(gòu),從而有效保持數(shù)據(jù)的局部幾何結(jié)構(gòu),使算法的泛化能力得到提高,實驗數(shù)據(jù)證實了該算法的合理性。
　　二、針對2DESLDA算法不能有效地挖掘鄰

4、域外樣本的辨別分析性結(jié)構(gòu),也就是說忽略了非局部幾何結(jié)構(gòu),以致使算法的平穩(wěn)性能下降等,提出了二維集成局部和非局部幾何結(jié)構(gòu)的魯棒判別分析算法( Two-dimensional Joint Lobal and Unocal Structure Discriminant Analysis,2DJLUDA)。該算法采用三個鄰接圖分別描述鄰域內(nèi)數(shù)據(jù)的差異性結(jié)構(gòu)以及鄰域內(nèi)、外樣本之間的分類信息,進而保證鄰域內(nèi)樣本的差異性離散度矩陣以及判別性離散度矩陣