基于圖嵌入的特征抽取與人臉識別研究.pdf

1、特征抽取是模式識別研究中最基本問題之一。對于人臉識別而言，抽取有效的人臉特征是提高識別(分類)效果的一個關(guān)鍵問題。
　　 近年來，流形學(xué)習(xí)成為機(jī)器學(xué)習(xí)及模式識別等領(lǐng)域的研究熱點(diǎn)之一，其主要目標(biāo)是發(fā)現(xiàn)高維空間數(shù)據(jù)的低維光滑流形。自從2000年Roweis和Saul提出局部線性嵌入(Locally Linear Embedding，LLE)算法、Tenenbaum等人提出等距離映射(IsometricMapping，ISOMAP)算

2、法、2003年Belkin等人在局部保持的思想上提出拉普拉斯算子特征映射(Laplacian eigenmaps，LE)后，基于流形學(xué)習(xí)的人臉識別研究引起了人們的廣泛關(guān)注。
　　 基于流形學(xué)習(xí)的圖嵌入是應(yīng)用比較廣泛的一種特征抽取方法。本文對圖嵌入及其在人臉識別中的應(yīng)用問題進(jìn)行研究，提出了幾種新的基于圖嵌入的人臉識別算法，通過標(biāo)準(zhǔn)人臉數(shù)據(jù)庫仿真實(shí)驗(yàn)驗(yàn)證了它們的有效性。
　　 本文的主要工作和創(chuàng)新成果點(diǎn)集中在以下幾個方面：<

3、br>　　 (1)在局部保持投影(LPP)算法和局部鑒別嵌入(LDE)算法基礎(chǔ)上，利用模糊集理論，分別提出了基于模糊局部保持投影(FLPP)和基于模糊局部鑒別嵌入(FLDE)的特征抽取方法。在這兩種方法中，首先根據(jù)模糊K近鄰算法得到數(shù)據(jù)樣本隸屬度信息，然后利用樣本隸屬度信息重新定義數(shù)據(jù)樣本的拉普拉斯散布矩陣分別構(gòu)造來FLPP和FLDE的目標(biāo)函數(shù)，最后通過求解廣義方程找到它們的最優(yōu)投影矩陣。
　　 (2)在主成分分析(PCA)算

4、法和局部線性嵌入(LLE)算法基礎(chǔ)上，考慮樣本分布全局性和局部性，提出了非監(jiān)督線性差分投影(ULDP)的特征抽取方法。在該方法中，首先通過樣本數(shù)據(jù)間的流形距離來構(gòu)建局部近鄰圖與全局方差圖來表征局部近鄰結(jié)構(gòu)與全局結(jié)構(gòu)信息。最后，當(dāng)局部最小嵌入和全局最大方差構(gòu)建好后，通過同時滿足最小局部散布和最大全局散布來找到一個最優(yōu)的投影軸。
　　 (3)在局部線性嵌入(LLE)算法基礎(chǔ)上，考慮樣本的潛在流形結(jié)構(gòu)，提出基于最大間距準(zhǔn)則的局部圖嵌入

5、(LGE/MMC)的特征抽取方法。該算法在保持近鄰的前提下，分別構(gòu)造類內(nèi)緊致圖和類間懲罰圖。旨先在類內(nèi)緊致圖中利用線性重構(gòu)的局部對稱性找出高維數(shù)據(jù)空間中的非線性結(jié)構(gòu)，使同類樣本盡可能地聚集在一起；然后在類間懲罰圖中使不同類別的樣本盡可能遠(yuǎn)離；為了避免“小樣本”問題，采用MMC準(zhǔn)則的形式構(gòu)造目標(biāo)函數(shù)。
　　 (4)在二維局部保持投影(2DLPP)算法基礎(chǔ)上，考慮樣本的類別信息，提出基于二維局部圖嵌入鑒別分析(2DLGEDA)的特征