基于局部和全局加權(quán)的統(tǒng)計(jì)不相關(guān)鑒別變換人臉識(shí)別算法研究.pdf

1、特征提取是圖像識(shí)別問題中最重要的任務(wù)之一，在人臉識(shí)別應(yīng)用中，如何去除鑒別特征的冗余顯得非常有意義。為了更好的去除鑒別特征的冗余，本文重新設(shè)計(jì)一種總體散布矩陣，提出了一種基于Fisher線性鑒別分析的統(tǒng)計(jì)不相關(guān)約束人臉識(shí)別方法。該方法在改良的統(tǒng)計(jì)不相關(guān)約束的基礎(chǔ)上通過最大化Fisher準(zhǔn)則，迭代的求解出最優(yōu)的鑒別向量集?；谶@個(gè)理論，我們又進(jìn)行了核拓展，最后利用二維鑒別的思想，進(jìn)一步的改進(jìn)了我們的算法。
　　我們首先提出了一種基于局

2、部的統(tǒng)計(jì)不相關(guān)鑒別變換(LUDT)。LUDT通過重新定義每個(gè)樣本的期望來構(gòu)建總體散布矩陣，即用樣本的近鄰中心來替代全局中心,同時(shí)構(gòu)建出改良的統(tǒng)計(jì)不相關(guān)約束。然后提出了一種基于全局加權(quán)的統(tǒng)計(jì)不相關(guān)鑒別變換(WGUDT)，WGUDT重新定義每個(gè)樣本的期望來構(gòu)建總體散布矩陣，即用樣本間的歐幾里得距離加權(quán)來構(gòu)建期望，在新的散布矩陣基礎(chǔ)上構(gòu)建出另外一種改良的不相關(guān)約束。我們提出的這兩種基本方法都有效地去除了鑒別特征的冗余。
　　在改進(jìn)的總體

3、散布矩陣的基礎(chǔ)上，我們提出了一種基于局部和全局加權(quán)的核統(tǒng)計(jì)不相關(guān)鑒別變換，該方法在核統(tǒng)計(jì)不相關(guān)約束的基礎(chǔ)上迭代求解鑒別向量集。利用二維鑒別的想法，提出了一種基于局部和全局加權(quán)的二維統(tǒng)計(jì)不相關(guān)二維鑒別變換，該方法在二維統(tǒng)計(jì)不相關(guān)約束的基礎(chǔ)上迭代地求解出鑒別向量集。因?yàn)橹苯佑?jì)算散布矩陣而不需要對(duì)圖像矩陣列向量，不僅避免了散布矩陣奇異問題，同時(shí)也提高了識(shí)別的速度。
　　在改進(jìn)的總體散布矩陣的基礎(chǔ)上，我們提出了一種基于局部和全局加權(quán)統(tǒng)計(jì)不