二維核主成分分析算法和應(yīng)用研究.pdf

1、人臉識別作為模式識別的重要方面,在安全檢測、圖像監(jiān)控方面發(fā)揮著越來越重要的作用。近年來隨著人工智能技術(shù)的發(fā)展，人臉識別技術(shù)越來越受到關(guān)注。各種理論、算法都在不斷完善?；谧涌臻g的算法因其方便、快速而倍受青睞，引起眾多研究者的興趣。它是以提取人臉圖像的有用鑒別特征為目的，按照提取的人臉特征，建立模式從而實現(xiàn)分類的一種模式識別方法。其中最關(guān)鍵的問題是特征提取，特征提取方法的優(yōu)劣決定著人臉識別率的高低。本文將矩陣分解思想融入特征提取算法中，降

2、低了非線性特征提取算法核矩陣的維數(shù)，克服了一般非線性特征提取算法，當(dāng)大規(guī)模訓(xùn)練集時，核矩陣特征向量求解困難的問題。所取得的主要研究成果為：
　　(1)介紹基于子空間的線性特征提取方法，包括對于向量的主成分分析(PCA)和線性判別分析(LDA)算法，以及對于矩陣的二維主成分分析(2DPCA)和二維判別分析(2DLDA)算法。
　　(2)研究基于子空間的非線性核主成分分析(KPCA)與二維核主成分分析(K2DPCA)等特征提取算

3、法。為了克服大規(guī)模訓(xùn)練數(shù)據(jù)庫，KPCA與K2DPCA算法核矩陣規(guī)模太大、計算代價高的缺點，采用選主元的Cholesky分解來得到核矩陣的低秩近似來解決這一問題，提出了一種K2DPCA與選主元的Cholesky相融合的非線性特征提取方法。在加噪的ORL人臉數(shù)據(jù)庫上的實驗結(jié)果表明，該選主元的過程可以一定程度克服噪聲的影響，其識別率相比 KPCA、K2DPCA的識別率有著明顯提高；而在大型人臉數(shù)據(jù)庫Extended YaleB上的實驗結(jié)果也說