基于流形的特征抽取及人臉識別研究.pdf

1、人臉識別技術是近二十年逐步發(fā)展成熟起來的一門嶄新的信息技術，是模式識別領域的重要研究課題，90年代更成為科研熱點，在計算機視覺、客戶身份鑒別、多媒體數(shù)據(jù)檢索等領域有著十分廣泛的應用前景。特征抽取是人臉識別的基本問題，其主要任務是數(shù)據(jù)維數(shù)約簡。近年來研究表明，人臉數(shù)據(jù)是一種非線性結構，而流形學習作為一種非線性維數(shù)約簡方法，受到了廣泛的關注，但是其經(jīng)典算法在模式識別中的應用十分困難，因此學者通過研究提出了諸多改進算法，在人臉識別問題中也有了

2、較好的運用。本文將流形學習思想與其它維數(shù)約簡方法相結合，進行深入研究，提出了一些改進算法，在多個人臉圖像數(shù)據(jù)庫上的實驗結果驗證了本文改進算法的有效性。本文主要工作包括： 1、無監(jiān)督鑒別投影技術(unsupervised discriminant projection，UDP)用于對高維數(shù)據(jù)進行維數(shù)縮簡，在人臉識別問題中有了較好的應用，它同時考慮到樣本的局部特征和非局部特征，但是在人臉等高維圖像識別的應用中，不可避免的會出現(xiàn)“小樣

3、本問題”。聯(lián)想到線性維數(shù)約簡中，運用最大散度差準則對Fisher準則進行改進，從理論上消除了“小樣本問題”。本文提出一種基于散度差的無監(jiān)督鑒別特征抽取，由于避免了局部散度矩陣奇異所產(chǎn)生的問題，提高了識別率，增強了算法的穩(wěn)定性。在ORL人臉庫和AR人臉庫上的實驗結果驗證了該算法的有效性。 2、核局部保留投影(kernel locality preserving projection，KLPP)是一種非線性的維數(shù)約簡方法，它將核方法

4、和流形學習思想有效地結合起來。但是該算法只考慮到樣本的局部特性，忽視了對分類有效的重要信息。無監(jiān)督鑒別投影技術(UDP)將樣本的整體特征和局部特征有效地結合起來，但它本質上是一種線性的特征抽取算法，無法抽取樣本的非線性特征。本文提出一種基于核方法的無監(jiān)督鑒別投影，它將樣本的局部特性和非局部特性相結合，并能夠有效地描述人臉圖像的非線性變化。在Yale庫上的實驗表明，該方法的識別率明顯高于UDP和PCA(PrincipalComponent

5、 Analysis)，且有較好的分類效果。 3、線性鑒別分析作為一種線性維數(shù)約簡方法，不能夠抽取樣本的非線性信息，但是由于其運用到了樣本的類別信息，因此有較好的分類效果。無監(jiān)督鑒別投影技術(UDP)與大多數(shù)流形學習方法一樣沒有運用到樣本的類別信息，本文將該方法與線性鑒別分析相結合，提出了一種基于流形的有監(jiān)督特征抽取方法，在最大化非局部散度的同時最小化局部散度和類內散度。該方法不僅能夠發(fā)現(xiàn)樣本的低維非線性結構，而且能夠進行有效分類