基于相關(guān)投影分析的特征提取研究及在圖像識(shí)別中的應(yīng)用.pdf

1、特征抽取是模式識(shí)別研究中的基本問(wèn)題之一。對(duì)于圖像識(shí)別而言，抽取有效的圖像特征是完成識(shí)別任務(wù)的關(guān)鍵。線性與非線性投影分析作為特征抽取最為經(jīng)典和廣泛使用的方法，在圖像識(shí)別中已得到了廣泛的研究，獲取了成功的應(yīng)用。然而線性與非線性投影分析方法主要針對(duì)模式的一組特征進(jìn)行處理，并不適用于多表示數(shù)據(jù)的特征融合與抽取。相關(guān)投影分析，包括典型相關(guān)分析與偏最小二乘，已廣泛應(yīng)用于多組特征間的融合與抽取，并在圖像識(shí)別中取得了良好的實(shí)驗(yàn)結(jié)果。本文以相關(guān)投影分析為

2、研究對(duì)象展開(kāi)深入的拓展研究，致力于增強(qiáng)相關(guān)投影分析抽取特征的鑒別能力。所做的主要工作和研究成果如下:
　　 (1)從模式分類(lèi)的角度出發(fā)，提出了一種監(jiān)督的局部保持典型相關(guān)分析(SLPCCA)，通過(guò)最大類(lèi)內(nèi)成對(duì)樣本與其近鄰間的權(quán)重相關(guān)性，在有效地利用樣本類(lèi)別信息的同時(shí)保持了數(shù)據(jù)的局部流形結(jié)構(gòu)，提高了算法的穩(wěn)定性與魯棒性，并且融合了判別型典型相關(guān)分析(DCCA)的鑒別信息，而不受其抽取的最大特征維數(shù)不超過(guò)總類(lèi)別數(shù)的限制。此外，面對(duì)圖像

3、識(shí)別問(wèn)題中存在的大量非線性問(wèn)題，在核技巧的基礎(chǔ)之上又提出了核化的SLPCCA(KSLPCCA)，以提取數(shù)據(jù)的非線性特征。
　　 (2)提出了一種正交正則化典型相關(guān)分析(ORCCA)。典型相關(guān)分析(CCA)獲取的投影向量滿足相互之間的共軛正交性，然而“共軛正交”需要考慮樣本的總體協(xié)方差矩陣，在面對(duì)小樣本問(wèn)題中可能會(huì)出現(xiàn)由于對(duì)協(xié)方差矩陣的估計(jì)不足而產(chǎn)生算法性能的下降。此外，共軛正交性更加關(guān)注特征的低維最優(yōu)表示而非鑒別能力的強(qiáng)弱，當(dāng)分

4、屬于不同類(lèi)別的樣本分布具有較為明顯的差異時(shí)，可能會(huì)出現(xiàn)分類(lèi)性能不佳的現(xiàn)象。為了解決這兩個(gè)問(wèn)題，本文提出的ORCCA以投影矢量之間的正交性約束與正則化參數(shù)的引入，能夠抽取出具有更強(qiáng)鑒別能力的特征。
　　 (3)提出了稀疏保持典型相關(guān)分析(SPCCA)與稀疏正則化的判別型典型相關(guān)分析(SrDCCA)。稀疏保持投影(SPP)實(shí)現(xiàn)了特征降維過(guò)程中對(duì)樣本間稀疏重構(gòu)能力的保持，因而能夠在無(wú)類(lèi)標(biāo)簽的情況下提取樣本的自然鑒別信息。受此啟發(fā)，本文

5、提出的SPCCA，不僅實(shí)現(xiàn)了兩組特征集鑒別信息的有效融合，同時(shí)對(duì)提取特征間的稀疏重構(gòu)性加以約束，增強(qiáng)了特征的表示和鑒別能力。在SPCCA的基礎(chǔ)上，通過(guò)對(duì)部分已標(biāo)記樣本的監(jiān)督學(xué)習(xí)，又提出了稀疏正則化的判別型典型相關(guān)分析。在手寫(xiě)體字符與人臉識(shí)別上的實(shí)驗(yàn)結(jié)果表明，本文提出的兩種方法均取得了良好的識(shí)別性能。
　　 (4)基于多表示數(shù)據(jù)的特征抽取問(wèn)題，提出了一種多成分分析方法(MCA)。典型相關(guān)分析與偏最小二乘，作為兩組特征融合與抽取的經(jīng)

6、典方法，如何將其推廣到多組特征，一直吸引著人們廣泛的關(guān)注。本文提出的MCA，通過(guò)高階張量的構(gòu)造，將多組特征之間的相關(guān)信息融入到協(xié)方差張量中，再利用高階奇異值分解，獲取各組特征對(duì)應(yīng)的投影矩陣，實(shí)現(xiàn)維數(shù)約減與特征融合的雙重任務(wù)。與基于子空間的特征融合方法(MFFSL)相比，MCA能夠利用較少維數(shù)的特征表示實(shí)現(xiàn)多組特征間的融合，保證了抽取的特征具有更強(qiáng)的鑒別性。另外，主成分分析與偏最小二乘可以分別視作本文方法在面對(duì)一組及兩組特征時(shí)的一種特例情

7、況。在手寫(xiě)體字符與人臉識(shí)別上的詳細(xì)實(shí)驗(yàn)，驗(yàn)證了MCA的有效性與魯棒性。
　　 (5)針對(duì)圖像集分類(lèi)需將圖像矩陣轉(zhuǎn)化為圖像矢量的問(wèn)題，提出了二維互子空間方法與二維多主角嵌入方法。首先，借鑒二維主成分分析(2DPCA)的基本思想，提出了一種二維互子空間方法，避免圖像集分類(lèi)中二維圖像矩陣的矢量化表示對(duì)圖像結(jié)構(gòu)信息的破壞。此外，在綜合考慮多組圖像集合間的“全局”與“局部”典型相關(guān)基礎(chǔ)上，提出了二維多主角嵌入方法，以迭代優(yōu)化方式尋找一組全