稀疏流形建模及其在人臉識別中的應用.pdf

1、近年來，流形學習用于人臉識別引起了廣泛關注，有研究表明，人臉很有可能是位于一個非線性的流形上，這提示我們可以將原始數(shù)據(jù)集對應的高維空間的流形映射至低維空間的流形，通過尋找人臉訓練集內(nèi)在的代表性變量，根據(jù)這些變量即可將不同人的圖像區(qū)別開來。很多基于流形學習方法已經(jīng)被提出來，本文的主要工作包括以下幾個部分：
　　 1.簡要綜述了當前流形學習的發(fā)展概況，介紹了幾種經(jīng)典的流形算法，包括等距流形映射（ISOMAP）、局部線性嵌入（LLE）

2、以及它的變換形式：海賽局部線性嵌入（HLLE）和局部切空間排列（LTSA）等；總結(jié)概括了當前流形算法的框架：流形學習方法可以分為全局（如ISOMAP）和局部方法（如LLE，HLLE，LTSA等），從另一方面也可分為線性和非線性；分析了現(xiàn)在主要的流形學習方法，主要從時間復雜度、對合適的數(shù)據(jù)集的要求以及對噪聲的魯棒性等方面總結(jié)和比較了它們的不足和優(yōu)點。
　　 2.在深入研究LLE的基礎上提出了稀疏局部線性嵌入算法（SLLE），同時提

3、出了SLLE相應的學習高維的新樣本的算法。LLE是流形學習方面的經(jīng)典算法，參數(shù)少、計算快、易求全局最優(yōu)解，但是LLE遇到的第一個問題便是鄰域的求取，這一步關系到最后嵌入結(jié)果的質(zhì)量，LLE對于噪聲亦非常敏感，缺乏對新樣本的學習能力，在人臉識別方面的識別率很低，SLL便是針對上述缺點提出來的。該算法能夠自適應選取樣本的鄰域，在野值存在的情況下有很強的魯棒性，通過在兩個標準人臉庫AR和ORL上的識別實驗表明SLLE在人臉識別方面遠遠優(yōu)于LLE