人臉識別中子空間降維方法研究.pdf

1、近年來，人臉識別成為了生物特征識別領(lǐng)域中的一個熱門研究課題。當(dāng)今社會，人臉識別已經(jīng)廣泛應(yīng)用與軍事、經(jīng)濟(jì)、交通、公共安全等領(lǐng)域，并且取得了良好的作用，引起了國內(nèi)外的廣泛關(guān)注。鑒于此，人臉識別有著巨大的理論研究意義和實用價值，未來的前景非常良好。一種人臉識別算法是否有效并且實用，關(guān)鍵取決于該算法是否能夠快速精確的提取有效的識別特征，在數(shù)據(jù)降維的過程中如何保持樣本的內(nèi)在結(jié)構(gòu)不變而把數(shù)據(jù)映射到低維空間中去。在人臉識別發(fā)展研究現(xiàn)狀的基礎(chǔ)上，通過對

2、數(shù)據(jù)降維和子空間分析方法的研究，本文提出了一些人臉識別算法并且在人臉數(shù)據(jù)庫上取得了良好的識別效果。
　　在經(jīng)典的線性和流形特征抽取算法的基礎(chǔ)上，本文做了一些改進(jìn)和創(chuàng)新，著重進(jìn)行了如下幾方面的研究:
　　(1)基于局部排序PCA的線性鑒別算法(Modular Sorting Principal Component Analysis，MSPCA)
　　分塊排序PCA方法先對圖像矩陣進(jìn)行分塊，對所有分塊得到的子圖像矩陣?yán)肞

3、CA方法求出矩陣的所有特征值所對應(yīng)的特征向量并加以標(biāo)識，然后找出這些所有的特征值中尼個最大的特征值所對應(yīng)的特征向量，用這些特征向量分別去抽取所屬的子圖像的特征。最后，在MSPCA的基礎(chǔ)上，將抽取子圖像所得到特征矩陣合并，然后把這個合并后的特征矩陣作為新的樣本進(jìn)行PCA+LDA。由于使用子圖像矩陣，分塊排序PCA可以避免使用奇異值分解理論，更加簡便，加強了局部信息在識別算法中的作用，相比PCA方法在分類和識別性能上有了長足的進(jìn)步。ORL人

4、臉數(shù)據(jù)庫上的實驗結(jié)果與分析表明，MSPCA算法快速有效的對樣本數(shù)據(jù)進(jìn)行了特征抽取和分類識別，與PCA方法相比提高了識別效率，識別率也得到了較大的提升。
　　(2)基于加權(quán)最大間距準(zhǔn)則的局部保持投影(Locality Preserving Projection Based OnWeighted Maximum Margin Criterion,WMMCLPP)
　　LPP算法本質(zhì)上是一種無監(jiān)督的算法，沒有利用樣本的類別信息?；?/p>

5、于此，本章提出一種基于加權(quán)最大間距準(zhǔn)則的局部保持投影。首先對原始樣本進(jìn)行PCA降維，然后通過計算每個樣本點到該類樣本中心的距離定義每個樣本點的權(quán)重矩陣，通過定義的權(quán)重矩陣重新定義每類樣本的均值、類間散度矩陣和類內(nèi)散度矩陣。然后將重新定義的加權(quán)最大間距準(zhǔn)則的目標(biāo)函數(shù)作為調(diào)節(jié)因子加入到LPP算法中去求解最優(yōu)化的問題。最后用求取出來的最終準(zhǔn)則函數(shù)構(gòu)建對稱矩陣以解決最優(yōu)投影向量非正交的問題。Yale和ORL人臉數(shù)據(jù)庫上實驗結(jié)果與分析表明，與傳統(tǒng)

6、的特征抽取方法相比，WMMCLPP算法的識別性能更加良好。
　　(3)基于近鄰局部保持投影的線性鑒別分析(Linear Discriminant Analysis Based OnNeighborhood Locality Preserving Projection, NLPPDA)
　　經(jīng)典的流形學(xué)習(xí)方法無法如線性特征提取方法那樣獲得新樣本的低維投影。流形學(xué)習(xí)方法的線性化很好的解決了這個問題?；诖?，本章提出一種基于近鄰局

7、部保持投影的線性鑒別分析。首先對原始樣本進(jìn)行PCA降維，然后引入LPP算法的思想求取樣本的近鄰點，將樣本的近鄰點分為兩類:一類是和該樣本點屬于同類的所有樣本點組成的集合，一類是和該樣本點屬于不同類的所有樣本點組成的集合。然后用前者集合重新定義類內(nèi)散布矩陣，用后者重新定義類間散布矩陣，然后改進(jìn)NRLDA算法的目標(biāo)函數(shù)，添加約束條件，將樣本到類內(nèi)近鄰點之間的距離標(biāo)準(zhǔn)化。NLPPDA算法既保持了樣本的局部幾何結(jié)構(gòu)信息又保留了樣本的有監(jiān)督信息。