圖像特征抽取的若干新方法研究.pdf

1、隨著網(wǎng)絡(luò)與通訊技術(shù)的飛速發(fā)展和人類物理與虛擬活動空間的不斷擴展，人們對于信息安全性的要求日益提高，需要進行人的身份識別的場合也越來越多。生物特征識別技術(shù)是通過計算機利用人的生理特征或行為特征來判別一個人的身份。人臉識別技術(shù)是生物特征識別技術(shù)領(lǐng)域中重要的組成部分，它根據(jù)人面部影像中的有效信息進行個人身份識別。與其它生物特征識別技術(shù)相比，人臉識別具有方便快捷、非接觸無侵犯性采集、可交互性等諸多優(yōu)勢，已成為了生物特征識別技術(shù)中的一個研究熱點，

2、并且具有廣闊的應用前景。在過去幾十年中，很多學者在模式識別領(lǐng)域中提出了大量的特征抽取方法，比如用來處理線性問題的經(jīng)典算法線性鑒別分析，以及在支持向量機基礎(chǔ)上演變得來的一系列基于核技巧的特征抽取方法，它們被普遍的應用在非線性問題的處理過程中。本文對線性特征和非線性特征的抽取方法做了深入的分析和研究，在特征抽取過程中盡可能多的融入樣本的結(jié)構(gòu)信息以保留更多的鑒別信息，同時更關(guān)注提出算法的效率和性能。本文的主要工作及創(chuàng)新如下：
　　 核

3、策略是基于統(tǒng)計學習理論和支持向量機技術(shù)發(fā)展起來的，是解決非線性問題的一個有效的手段。本文提出了基于支持向量機(SVM)和決策樹(DT)的幾種新分類器算法。首先對傳統(tǒng)支持向量機和模糊支持向量機(FSVM)處理多類問題的算法缺陷進行分析，然后在DT-FSVM和最近鄰分類器的基礎(chǔ)上，提出基于樣本區(qū)域分析(SRA)的混合分類器算法(SRA-DT-FSVM)，該算法中樣本區(qū)域分析的概念被提出。在線性鑒別分析(LDA)的人臉特征空間中，分別對算法F

4、SVM，DT-FSVM，SRA-DT-FSVM以及Binary-DT-SVM進行了全面的性能比較。通過在ORL人臉庫上的實驗結(jié)果表明，提出的新方法是有效的，并且通過引入三叉決策樹，我們較大幅度的提高了傳統(tǒng)FSVM的分類速度。
　　 傳統(tǒng)的線性鑒別分析方法在特征提取過程中使用的是2值情況下的判別標準，也就是說：對于給定的一個樣本，在特征提取過程中的判別依據(jù)是要么這個樣本屬于某個類，要么不屬于某個類，每次執(zhí)行的均是一個硬分類標準。比

5、如在一些經(jīng)典的人臉識別算法中，人臉數(shù)據(jù)的采集往往會受到表情、光照、姿態(tài)等各種環(huán)境條件的影響?；趯@一思想的考慮，我們在傳統(tǒng)的代數(shù)特征提取方法之中引入模糊集理論，隱含的將樣本的幾何結(jié)構(gòu)信息融入到樣本的代數(shù)特征提取過程之中。在此基礎(chǔ)上，我們提出了一種松弛條件下的完全模糊線性鑒別分析策略，通過對隸屬度函數(shù)中的歸一化條件進行松弛化處理，重新設(shè)計模糊隸屬度矩陣的計算公式，從而得到更加有效的模糊樣本特征向量集。該方法步驟同傳統(tǒng)模糊線性鑒別分析方法

6、相比有效解決了離群樣本的模糊特征抽取問題，并且充分考慮了每個樣本所包含的隸屬度信息。與此同時，為了避免分類器出現(xiàn)不可分區(qū)域現(xiàn)象，我們同時采用提出的DT-FSVM算法作為模糊分類器，由此建立了一個完整的模糊線性鑒別分析策略，即分別提出一種模糊特征抽取方法和模糊分類器，并將兩者有效結(jié)合，形成一個完整的模糊線性鑒別分析算法。
　　 小樣本問題是在利用Fisher線性鑒別準則做特征提取過程中經(jīng)常會遇到的，本文為解決小樣本問題提出了一種基

7、于對稱零空間準則的LDA特征抽取算法(OSNS)，該算法通過重構(gòu)Fisher鑒別準則，在兩個具有對稱性質(zhì)的散布矩陣的零空間及其互補空間內(nèi)利用投影數(shù)據(jù)的最大可分性，同時獲得了更多的有助于分類的鑒別信息。OSNS算法解決了傳統(tǒng)Fisher鑒別分析方法只計算一個散布矩陣零特征空間的缺陷，加強了類內(nèi)和類間兩個散布矩陣在重構(gòu)鑒別準則下所對應的特征空間之間的內(nèi)在聯(lián)系，同時解決了傳統(tǒng)Fisher線性變換方法中的最終特征維數(shù)受類別數(shù)限制的問題。在選取的

8、幾個標準人臉數(shù)據(jù)庫上的實驗結(jié)果驗證了該算法的有效性。
　　 序貫最小優(yōu)化(SMO)算法是一種SVMs訓練算法，該算法將一個大型QP問題分解為一系列最小規(guī)模的QP子問題，從而避免了多樣本情形下的數(shù)值解不穩(wěn)定及耗時問題，同時也不需要大的矩陣存儲空間。本文在模糊支持向量機以及決策樹(DT-FSVM)的基礎(chǔ)上，提出模糊序貫最小優(yōu)化算法(DT-FSMO)并對它進行了分析和研究，在對人臉圖像進行獨立成分分析(ICA)后，用該算法進行多類人臉

9、識別，通過在ORL人臉庫上的實驗結(jié)果表明，SMO的分類性能與輸入樣本的稀疏程度有密切關(guān)系，表明DT-FSMO方法在低特征向量維數(shù)的前提F對提高圖像識別的性能是有效的。
　　 模式分類在面臨非線性高維數(shù)據(jù)下的小樣本問題時通常十分困難。本文提出一種核的四重子空間學習(KFS)方法。首先通過構(gòu)造基于類內(nèi)和類間散布矩陣的混合鑒別準則，獲得分布在各子空間中降維樣本的最優(yōu)鑒別信息。其次通過向量點積，利用核鑒別分析方法(KFD)對非線性鑒別信