局部線性嵌入算法的改進(jìn)及其在人臉識(shí)別中的應(yīng)用.pdf

1、人臉識(shí)別技術(shù)是一種生物特征識(shí)別技術(shù)，由于其數(shù)據(jù)采集的友好性、面部的客觀性以及應(yīng)用場(chǎng)景的多樣性，使其已成為模式識(shí)別與深度學(xué)習(xí)方面的研究熱點(diǎn)。但人臉識(shí)別在具體應(yīng)用過程中會(huì)遇到各種實(shí)際問題，尤其是對(duì)人臉圖像特征提取的影響。不同的特征提取方法對(duì)于最終的識(shí)別有著舉足輕重的作用。早期人們一般是從紋理、形態(tài)、色彩等主觀方面進(jìn)行，難以提取人臉圖像中的本質(zhì)結(jié)構(gòu)信息。流形學(xué)習(xí)理論的發(fā)展為高維數(shù)據(jù)的特征提取提供了新的思路，而且相關(guān)的研究表明人臉數(shù)據(jù)更有可能分

2、布于高維的非線性流形結(jié)構(gòu)上，因此非線性降維和流形學(xué)習(xí)理論越來越多地被人們應(yīng)用于圖像識(shí)別尤其是人臉識(shí)別中。
　　本文以流形學(xué)習(xí)為基礎(chǔ)，主要研究了局部線性嵌入(Locally Linear Embedding，LLE)算法和有監(jiān)督的局部線性嵌入（Supervised Locally Linear Embedding,SLLE）算法，針對(duì)偏離樣本整體分布的樣本點(diǎn)在低維重構(gòu)過程中可能映射在其它平面的不足，同時(shí)結(jié)合Kmeans++算法的優(yōu)點(diǎn)

3、，提出了基于聚類的Cluster-SLLE算法；同時(shí)針對(duì)CSLLE算法引入新的參數(shù)、以及類內(nèi)距與類間距線性關(guān)系對(duì)噪聲魯棒性較差的缺點(diǎn)，改進(jìn)了算法中的距離相似性度量，與傳統(tǒng)算法相比，該算法在相關(guān)的人臉數(shù)據(jù)集檢驗(yàn)中具有較高的識(shí)別率。
　　本文的主要研究工作如下：
　　1.對(duì)流形學(xué)習(xí)中基于全局保持以及局部保持的降維方法，如主成分分析、多維尺度分析、拉普拉斯特征映射等進(jìn)行了較為詳細(xì)的理論闡述，并在相關(guān)的數(shù)據(jù)集上進(jìn)行算法的對(duì)比分析，研

4、究了各算法存在的優(yōu)勢(shì)與不足之處。
　　2.在流形學(xué)習(xí)的基礎(chǔ)上，細(xì)致地分析了LLE算法、引用樣本類別信息的SLLE算法以及在具體應(yīng)用過程中參數(shù)的取值問題。SLLE算法利用樣本的類別標(biāo)簽進(jìn)行數(shù)據(jù)點(diǎn)間的相似性度量，但忽略了數(shù)據(jù)集中類別差異性較大的個(gè)體對(duì)整體數(shù)據(jù)的影響，因而提出了基于聚類的Cluster-SLLE算法，通過引入Kmeans++聚類算法標(biāo)識(shí)“奇異點(diǎn)”，對(duì)數(shù)據(jù)點(diǎn)間的距離矩陣作進(jìn)一步地改進(jìn)，在Yale和ORL人臉數(shù)據(jù)集中表明了算

5、法的可行性及泛化能力的提高。
　　3.在SLLE及CSLLE算法中，類間數(shù)據(jù)點(diǎn)間距離及類內(nèi)數(shù)據(jù)點(diǎn)間距離的相似性度量呈線性關(guān)系，使得嵌入數(shù)據(jù)的判別和泛化能力仍被限制在一定的范圍；而且樣本中存在的噪聲會(huì)破壞樣本間的鄰域關(guān)系；另外，CSLLE算法雖一定程度提高了識(shí)別率，但也引入了新的不確定因素：新參數(shù)的取值問題，增加了算法的主觀性。針對(duì)此種情形，在原有算法的啟發(fā)下，提出了優(yōu)化類內(nèi)樣本間距離的度量的改進(jìn)算法，在減少參數(shù)個(gè)數(shù)的同時(shí)，也降低了