一種基于葉分量分析的在線學(xué)習(xí)算法及其在人臉識別中的應(yīng)用.pdf

1、模式的特征表示及提取是模式識別中的一個重要問題,特征表示及提取的有效性對于分類等問題的解決具有決定性作用。在諸如計(jì)算機(jī)視覺等領(lǐng)域中,數(shù)據(jù)往往具有較高維數(shù),此時,出于計(jì)算可行性的考慮,需要能夠用具有較低維數(shù)的特征來表示原始數(shù)據(jù)的形態(tài)特征。子空間方法是一類為人們所關(guān)注并被廣泛應(yīng)用的特征學(xué)習(xí)方法,尤其是在解決高維模式識別問題方面被證明是十分有效的。傳統(tǒng)的子空間方法采用批處理的方式進(jìn)行特征學(xué)習(xí),最近幾年,增量式子空間方法的研究開始受到人們的關(guān)注

2、,這一類子空間方法可以使用最新得到的觀測數(shù)據(jù)對特征表示進(jìn)行動態(tài)更新,增量式子空間方法的這一特性使得該類子空間方法可以實(shí)現(xiàn)在線學(xué)習(xí),即在進(jìn)行模式分類的過程中使用待分類樣本進(jìn)行特征學(xué)習(xí)。在線學(xué)習(xí)的優(yōu)點(diǎn)在于它可以充分利用模式分類任務(wù)執(zhí)行過程中獲取到的大量輸入樣本。在很多應(yīng)多場合中,訓(xùn)練階段所能獲取到的樣本數(shù)量有限或者訓(xùn)練樣本的分布不具有很好的代表性,此時,單純依靠訓(xùn)練樣本所提取到的特征根本不能夠勝任構(gòu)建可用分類器的任務(wù)。在這種情況下,在線學(xué)習(xí)

3、算法則能夠通過在線學(xué)習(xí)的方式在一定程度上克服訓(xùn)練階段的訓(xùn)練不足問題。此外,在非靜態(tài)系統(tǒng)中,觀測樣本的概率分布情況是處于不斷的變化中的,此時,通過訓(xùn)練樣本所獲得的靜態(tài)特征模型往往不能適用于對觀測樣本的分類任務(wù),在這種場合下,在線學(xué)習(xí)算法可以憑借對特征模型的持續(xù)調(diào)整來跟蹤觀測樣本概率密度分布的變化。本文基于最近被提出的一種增量式子空間方法—葉分量分析方法(LCA),提出一種在線學(xué)習(xí)算法—LCA-BOLL。本文所提出的在線學(xué)習(xí)算法具有不同于以

4、往子空間在線學(xué)習(xí)算法的特征:
　　(1)LCA-BOLL的特征分量具有類標(biāo)號信息;
　　(2)LCA-BOLL結(jié)合了監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí);
　　(3)LCA-BOLL的在線特征學(xué)習(xí)過程與模式分類過程是緊密結(jié)合的。
　　本文將所提出的LCA-BOLL算法應(yīng)用于靜態(tài)圖像人臉識別及圖像序列中的人臉識別問題中。在靜態(tài)圖像人臉識別應(yīng)用中,LCA-BOLL方法被用于解決訓(xùn)練樣本數(shù)目較小情況下特征學(xué)習(xí)算法所遭遇的小樣本量問題。