基于圖嵌入與彈性網(wǎng)絡(luò)回歸的特征提取算法及其在人臉識(shí)別中的應(yīng)用.pdf

1、在人臉識(shí)別過(guò)程中，特征提取的重點(diǎn)在于挖掘并提取人臉數(shù)據(jù)中的關(guān)鍵特征，這有利于提高算法的識(shí)別和分類(lèi)能力。傳統(tǒng)基于子空間學(xué)習(xí)的特征提取算法如主成分分析(PCA)和線性判別分析(LDA)，以及基于流形學(xué)習(xí)的圖嵌入特征提取算法如局部線性嵌入(LLE)和局部保持投影(LPP)，因?yàn)榫哂泻?jiǎn)單、直觀、高效等優(yōu)點(diǎn)被廣泛使用。但是上述算法仍然存在許多問(wèn)題和局限性，例如不能同時(shí)得到數(shù)據(jù)的全局和局部結(jié)構(gòu)、線性方法對(duì)于非線性數(shù)據(jù)處理不理想、“小樣本”問(wèn)題以及特

2、征冗余等等。
　　基于稀疏特征提取的研究是人臉識(shí)別領(lǐng)域中的另一個(gè)熱點(diǎn)。原始人臉數(shù)據(jù)中往往包含眾多特征，稀疏特征提取可以從原始數(shù)據(jù)中找到某些最顯著的特征，然后使用它們組成最小特征子集對(duì)原始數(shù)據(jù)進(jìn)行最優(yōu)表示，這一過(guò)程既可以簡(jiǎn)化數(shù)據(jù)又能夠保留數(shù)據(jù)中的關(guān)鍵信息。彈性網(wǎng)絡(luò)回歸(Elastic Net)是目前常用的稀疏特征提取算法之一。
　　本文結(jié)合常用圖嵌入算法和彈性網(wǎng)絡(luò)回歸，針對(duì)上述特征提取算法中存在的問(wèn)題進(jìn)行研究，提出新的算法并應(yīng)

3、用在人臉識(shí)別中，主要工作有：
　　（1）簡(jiǎn)單介紹了人臉識(shí)別的研究背景及發(fā)展歷程、研究?jī)?nèi)容及應(yīng)用、存在的問(wèn)題等，并對(duì)幾種典型的人臉數(shù)據(jù)庫(kù)作了簡(jiǎn)要說(shuō)明；
　?。?）根據(jù)本文研究的內(nèi)容，分別介紹了基于流形學(xué)習(xí)的圖嵌入以及稀疏特征提取的思想，并對(duì)經(jīng)典特征提取算法（PCA、LDA、LLE和LPP）以及稀疏特征提取算法（嶺回歸(Ridge)、套索回歸(Lasso)和彈性網(wǎng)絡(luò)回歸）的實(shí)現(xiàn)步驟進(jìn)行了細(xì)致的介紹，然后簡(jiǎn)單分析了上述算法的優(yōu)缺點(diǎn)

4、；
　　（3）結(jié)合PCA、LLE以及彈性網(wǎng)絡(luò)回歸，提出了無(wú)監(jiān)督稀疏差分嵌入(USDE)特征提取算法。該算法的基本思想是：首先，構(gòu)建出基于 LLE的“局部最小嵌入”以及基于PCA的“全局最大方差”；然后，使用“差分”形式解決多目標(biāo)最優(yōu)化問(wèn)題，并結(jié)合稀疏約束構(gòu)建 USDE目標(biāo)函數(shù)；最后，使用彈性網(wǎng)絡(luò)回歸進(jìn)行稀疏性實(shí)現(xiàn)；
　　（4）在最大邊界準(zhǔn)則(MMC)算法的基礎(chǔ)上，結(jié)合LLE和彈性網(wǎng)絡(luò)回歸提出了基于最大邊界準(zhǔn)則的稀疏局部嵌入(

5、SLE/MMC)算法。首先，SLE/MMC在保持局部近鄰的基礎(chǔ)上構(gòu)建類(lèi)內(nèi)散布矩陣以及類(lèi)間散布矩陣；然后，SLE/MMC使用“MMC”的形式以及稀疏約束構(gòu)造 SLE/MMC的目標(biāo)函數(shù)；最后，SLE/MMC 使用彈性網(wǎng)絡(luò)回歸得到一個(gè)稀疏化的結(jié)果。
　?。?）結(jié)合二維判別局部保持投影(2DDLPP)和彈性網(wǎng)絡(luò)回歸，提出了基于稀疏二維判別局部保持投影(S2DDLPP)的特征提取方法。2DDLPP在LPP中引入類(lèi)間離散度和類(lèi)別信息