基于判別型典型相關分析的多流形識別.pdf

1、在傳統(tǒng)的識別問題中，通常以物體的單個或者很少量的樣本為單位進行訓練和識別。隨著視頻采集設備的更新?lián)Q代以及網(wǎng)絡資源的觸手可及，人們獲取到的圖像涵蓋了物體的各種表觀變化，比如拍攝角度的變化、光照方向的變化等等，從而為分類問題提供了大量的樣本。因此，如今基于圖像集的識別問題受到了越來越廣泛的關注，得到了越來越普遍的應用。但是采集到的圖像數(shù)據(jù)往往是高維數(shù)、非線性的，這導致了“維數(shù)災難”現(xiàn)象的出現(xiàn)，并給直接理解及分析圖像集蘊含的內(nèi)在結構帶來了很大

2、的困難。因此，利用降維技術對高維數(shù)據(jù)進行處理是識別問題中的重要步驟。其中，基于流形學習的數(shù)據(jù)降維由于其發(fā)現(xiàn)和保持圖像數(shù)據(jù)的高度非線性內(nèi)在幾何結構的有效性，而成為最熱門最普遍的識別研究方法。經(jīng)典的流形學習方法如ISOMAP，LLE等，以單幅圖像為單位進行輸入，從流形學習的角度將訓練集的圖像構建成單流形。
　　本文針對基于圖像集的識別問題，其輸入單位為圖像集，將每個圖像集構建成流形，基于圖像集的識別問題就轉化成多流形識別問題。本文在結

3、合流形學習和圖像集識別的研究中做的主要工作包括:
　　1.在流形-流形距離計算的理論框架下，本文從理論上和實驗上闡述了構建局部線性模塊的方法、局部子空間之間的距離度量、多流形識別的方法。
　　2.本文提出的基于判別型典型相關分析的多流形識別(Multi-manifold RecognitionBased on Discriminative-analysis of Canonical Correlations，MRDCC)方法

4、在基于圖像集的人臉識別數(shù)據(jù)庫和物體識別圖像庫上進行系統(tǒng)的實驗驗證。實驗結果表明，MRDCC方法作為一種圖像集匹配方法，在本文實驗采用的數(shù)據(jù)庫上具有優(yōu)于其他對比方法的性能。
　　3.本文提出以局部子空間為單位進行訓練和匹配，將流形-流形的匹配問題轉化成子空間-子空間的匹配問題。綜上所述，本文提出一種有效的多流形識別算法，算法的有效性在Honda/UCSD人臉視頻庫和ETH-80物體識別庫上進行驗證，并在子空間-子空間匹配問題上進行有