基于集成學(xué)習(xí)的人臉識別算法研究及應(yīng)用.pdf

1、人臉識別研究作為模式識別研究中的重要部分，它有著其他識別技術(shù)所無法超越的優(yōu)勢，它具有安全性、直接性、隱蔽性等優(yōu)點(diǎn)。目前對人臉識別的研究主要集中在人臉圖像的特征提取和人臉的正確分類兩方面。
　　 本文先對人臉識別當(dāng)前的研究現(xiàn)狀和主要的方法進(jìn)行了闡述，然后對人臉識別中的關(guān)鍵技術(shù)進(jìn)行了相應(yīng)的研究，在此基礎(chǔ)上提出了組合核規(guī)范化線性判別分析方法，并結(jié)合集成學(xué)習(xí)的方法形成基于集成學(xué)習(xí)的規(guī)范化線性判別和基于集成學(xué)習(xí)的組合核規(guī)范化線性判別分析人

2、臉識別算法。
　　 首先，利用規(guī)范化的線性判別準(zhǔn)則來解決小樣本問題。通過調(diào)整規(guī)范化系數(shù)，降低特征值大的特征向量的影響同時增大特征值小的特征向量的影響，利用偏差的降低來解決小樣本問題。
　　 其次，在線性判別分析(LDA)的基礎(chǔ)上，給出了一種基于組合函數(shù)的方法.通過核函數(shù)實(shí)現(xiàn)低維非線性空間到高維線性空間的非線性映射，在高維空間中利用改進(jìn)的線性判別分析規(guī)則找到最具有鑒別能力的特征向量從而構(gòu)成最優(yōu)的非線性樣本表示特征。

3、　　 最后，利用集成學(xué)習(xí)的算法，通過訓(xùn)練多個弱分類器并對其結(jié)果進(jìn)行決策，從而顯著提高學(xué)習(xí)系統(tǒng)的泛化能力。本文主要使用的是Adaboost算法，它有兩種變形的算法，分別是Adaboost.M1和Adaboost.M2。其中Adaboost.M1具有很好的泛化能力，但是當(dāng)弱分類器的分類錯誤率達(dá)到50％以上時，該算法將會提前停止執(zhí)行。為了避免這種情況的產(chǎn)生，Adaboost.M2算法引入了偽損失變量，利用偽損失變量，只要分類器的性能稍好于隨