進(jìn)化特征提取算法及其在人臉和表情識(shí)別中的應(yīng)用研究.pdf

1、特征提取是模式識(shí)別中的一個(gè)關(guān)鍵步驟。提取包含豐富判別信息的特征對(duì)于模式識(shí)別系統(tǒng)來說，具有非常重要的意義。而且，近年來，隨著生物特征識(shí)別技術(shù)和相關(guān)應(yīng)用的發(fā)展，對(duì)特征提取算法又提出了更高的要求。目前，廣泛使用的特征提取算法是基于統(tǒng)計(jì)理論的一類算法，比如主成分分析和線性判別分析。盡管這些方法在實(shí)際應(yīng)用中取得了不錯(cuò)的效果，但是仍然存在一些問題有待進(jìn)一步研究和解決。本文針對(duì)其中的（1）小樣本問題，（2）特征空間的維數(shù)確定問題，以及（3）適用于高維

2、數(shù)據(jù)的特征提取算法等進(jìn)行了研究?；谶z傳算法，本文提出了一系列新的特征提取算法。把這類算法統(tǒng)一稱為進(jìn)化特征提取算法。它們較好的解決了上述問題，并且做出了一些有益的探索。本文的主要貢獻(xiàn)包括以下幾個(gè)方面：（1）同時(shí)從降低原始數(shù)據(jù)維數(shù)和修改線性判別分析的求解過程兩個(gè)角度出發(fā)解決小樣本問題。利用核主成分分析作為數(shù)據(jù)預(yù)降維方法，并利用遺傳算法迭代搜索最優(yōu)判別矢量，本文給出了一種新的基于遺傳算法的KPCA+LDA 算法。（2）提出了通過線性組合原始

3、空間的基向量生成投影基向量的方法?；谶@種方法，結(jié)合線性判別分析準(zhǔn)則，本文給出了一種具體的基于向量線性組合的進(jìn)化特征提取算法（LDA-LCEFE）。（3）基于支持向量機(jī)的最大化分類空隙的思想，本文提出了一種新的評(píng)價(jià)特征空間的方法。據(jù)此，我們還給出了一種具體的計(jì)算方法，得到了一種新的進(jìn)化特征提取算法（SVM-LCEFE）。（4）通過在遺傳算法的適應(yīng)度函數(shù)中引入關(guān)于特征空間維數(shù)的懲罰因子項(xiàng)，本文提出了一種基于遺傳優(yōu)化機(jī)制確定特征空間維數(shù)的方

4、法。它能夠在分類性能和特征空間維數(shù)之間達(dá)成一個(gè)較好的平衡。（5）結(jié)合向量線性組合和正交補(bǔ)技術(shù)，本文提出了一種能大大降低現(xiàn)有進(jìn)化特征提取算法的空間復(fù)雜性的算法。該算法能夠直接適用于較高維的數(shù)據(jù)，而不需要使用PCA 或WPCA 等對(duì)數(shù)據(jù)進(jìn)行預(yù)降維。（6）本文研究了改進(jìn)進(jìn)化特征提取算法效率的問題，提出了包括基于邊界子集評(píng)價(jià)投影基向量的訓(xùn)練性能，利用線性判別分析解空間的理論分析結(jié)果來約束遺傳算法的搜索空間等方法，并從理論上分析或證明了這些方法。