基于核學(xué)習(xí)的圖像特征提取算法研究.pdf

1、特征提取是模式識別領(lǐng)域一個重要的研究分支，已被應(yīng)用于多個領(lǐng)域，圖像的特征提取是完成圖像識別和檢索等工作的首要任務(wù)，基于學(xué)習(xí)方法的圖像特征提取上取得了良好效果，然而線性學(xué)習(xí)方法在提取圖像特征仍然存在局限性，如人臉圖像，姿態(tài)、光照及表情變化使圖像表現(xiàn)出復(fù)雜的非線性特性，最近提出的核方法被認為是進行非線性特征提取的有效方法，已得到廣泛應(yīng)用。然而，基于核學(xué)習(xí)的圖像特征提取算法仍然存在一些不足和有待解決的問題，本文以圖像為研究對象，以核學(xué)習(xí)為方法

2、，以圖像的特征提取為任務(wù)，旨在解決核學(xué)習(xí)算法及其在圖像特征提取中所存在的問題，提高特征提取算法的性能。本文主要的創(chuàng)新性研究成果如下：
　　1．針對核學(xué)習(xí)算法普遍面臨的核函數(shù)參數(shù)選擇問題，提出了基于數(shù)據(jù)相關(guān)核函數(shù)的核優(yōu)化方法。首先擴展了數(shù)據(jù)相關(guān)核函數(shù)的定義，而后分別用Fisher準則和最大間隔準則建立最優(yōu)方程求解數(shù)據(jù)相關(guān)核的最優(yōu)參數(shù)，并從不同角度對兩種核優(yōu)化算法進行了分析和比較。
　　2．針對核學(xué)習(xí)方法進行圖像特征提取存在的計

3、算效率和存儲空間的問題，提出了直接處理矩陣數(shù)據(jù)的基于圖像矩陣的高斯核函數(shù)，該核函數(shù)在進行圖像特征提取時不需將圖像矩陣轉(zhuǎn)換為向量，可以節(jié)省大量的計算時間和存儲空間。此外，結(jié)合數(shù)據(jù)相關(guān)核函數(shù)和核優(yōu)化，提出了自適應(yīng)圖像矩陣的高斯核函數(shù)，該核函數(shù)不但直接處理圖像矩陣數(shù)據(jù)，而且可根據(jù)輸入圖像數(shù)據(jù)自適應(yīng)地調(diào)節(jié)相應(yīng)參數(shù)，可有效提高核學(xué)習(xí)的圖像特征提取算法性能。
　　3．針對傳統(tǒng)的核判別分析算法所面臨的核函數(shù)以及參數(shù)選擇問題，將數(shù)據(jù)相關(guān)核函數(shù)應(yīng)用

4、于核判別分析中，提出了基于FC+FC的自適應(yīng)核判別分析和基于MMC+FC的自適應(yīng)核判別分析的兩種算法，這兩種算法都是基于核優(yōu)化-線性映射的兩階段算法思想，根據(jù)樣本數(shù)據(jù)在輸入空間內(nèi)的分布自適應(yīng)調(diào)整核函數(shù)的結(jié)構(gòu)，優(yōu)化了樣本數(shù)據(jù)從輸入空間到特征空間的映射，這兩種算法提取的特征比傳統(tǒng)核判別分析算法提取的特征具有更大類區(qū)分能力。
　　4．針對最近提出的局部保持映射(LPP)算法存在的問題：1)算法本身無法利用訓(xùn)練樣本的類別信息；2)LPP是

5、基于線性變換的特征提取方法，無法提取非線性特征；3)LPP在構(gòu)造最鄰近圖時面臨著參數(shù)選擇問題。針對上述問題，本文提出了監(jiān)督核局部保持映射算法，該算法采用了基于監(jiān)督核學(xué)習(xí)的無參數(shù)的最鄰近圖構(gòu)造方法，提取的非線性特征具有最大類區(qū)分能力。改進算法有效解決了LPP面臨的上述問題，提升了其在特征提取上的能力。
　　5．針對人臉識別中的圖像特征提取面臨的PIE(姿態(tài)、光照和表情)問題，提出了三種基于核學(xué)習(xí)的人臉識別算法。1)充分利用信號處理和