特征提取方法及其應(yīng)用研究.pdf

1、本文對線性特征提取方法和非線性的特征提取方法做了更深入的研究，在特征提取過程之中融入了樣本的結(jié)構(gòu)信息以保留更多的鑒別信息，同時更關(guān)注已有算法的效率和性能。 小樣本問題是在利用Fisher 線性鑒別準(zhǔn)則做特征提取過程之中經(jīng)常會遇到的問題，本文針對直接線性鑒別分析這一處理小樣本的典型方法，提出了一種基于QR分解的新的DI．DA算法--DLDA/QR算法，該算法在保留DLDA 算法思想的基礎(chǔ)上，降低了算法的復(fù)雜度，并且提高了算法的有效

2、性和穩(wěn)定性。此外，對于小樣本問題，從圖像重構(gòu)的思想出發(fā)，重新定義了一種新的有效分類圖像空間，圖像的低維特征數(shù)據(jù)可以由此空間抽取得到。我們分別在ORL 和XM2VTS人臉數(shù)據(jù)庫上驗證了該算法的有效性。 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(biāo)準(zhǔn)，也就是說：對于給定的一個樣本，在特征提取過程之中的判別依據(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(biāo)準(zhǔn)。而在特征抽取的具體問題中，由于當(dāng)

3、前訓(xùn)練樣本的分布通常受外部因素的影響。如在人臉識別領(lǐng)域，人臉數(shù)據(jù)的采集往往受不同的表情，光照等條件的影響，因此原始樣本的分布通常是復(fù)雜的，此時簡單的將樣本劃入某一類的做法是不科學(xué)的。在特征提取過程之中融入了樣本的隸屬度信息，此時樣本根據(jù)相應(yīng)的分布信息可同時劃入幾個類別之中。同時，我們提出的新的特征提取方法將每一樣本對分類所作的貢獻(xiàn)通過隸屬度函數(shù)表示出來。 特征抽取過程之中的距離度量一般采用點-點之間的距離來定義兩者之間的差異性，

4、受最近鄰線思想的啟發(fā)，提出了一種新的基于點一線距離的最近鄰線非參數(shù)鑒別分析方法。同時在利用Fisher鑒別準(zhǔn)則做特征抽取時，相應(yīng)的樣本分布必須滿足2個前提條件，而這些條件在實際應(yīng)用中是非常苛刻的，因此本文采用非參數(shù)鑒別分析的方法，有效的避免了這些因素的影響。 核策略是基于支持向量機(jī)和統(tǒng)計學(xué)習(xí)理論發(fā)展起來的，是解決非線性問題的一個有效的手段。將模糊線性鑒別分析推廣到了模糊核線性鑒別分析方法之中，同時采用2步驟的核線性鑒別分析方法。

5、此外，傳統(tǒng)線性鑒別分析的特征提取方法需要將圖像矩陣轉(zhuǎn)換成相應(yīng)的圖像向量，采用2維線性鑒別分析方法有效的避免了這一轉(zhuǎn)換過程，同時引入模糊隸屬度函數(shù)，提高了樣本的識別性能。在人臉數(shù)據(jù)庫上的識別結(jié)果驗證了該算法的有效性。 獨(dú)立成分分析由于可以得到統(tǒng)計獨(dú)立的各個成分，因此在特征提取中發(fā)揮著重要的作用。但是獨(dú)立成分分析可以看作是主成分分析方法在高階上的推廣，因此由獨(dú)立成分分析得到的低維特征數(shù)據(jù)同樣缺少鑒別信息，并不是最有助于分類的數(shù)據(jù)。本