線性降維算法研究及其在人臉識別中的應(yīng)用.pdf

1、隨著計算機技術(shù)的發(fā)展，在各種領(lǐng)域如計算機視覺、人臉識別、生物信息以及醫(yī)學(xué)上都面臨著高維數(shù)據(jù)的難題。高維數(shù)據(jù)中往往包含了冗余信息和噪聲。數(shù)據(jù)降維是將高維數(shù)據(jù)投影至低維空間并保持?jǐn)?shù)據(jù)本身固有的結(jié)構(gòu)，在過去幾十年里被眾多學(xué)者不斷地研究并取得了很大進展。在人臉識別中，人臉圖像往往由于受到光照，表情和姿勢的影響而難以識別，降維算法可以提取人臉圖像中有效特征，去除其中的冗余和干擾，提高識別率。
　　本文的主要研究內(nèi)容包括自適應(yīng)平均鄰域邊界最大

2、降維算法(AANMM)以及該算法在人臉識別中的應(yīng)用，具體內(nèi)容如下:
　　(1)針對模式識別應(yīng)用中原始樣本數(shù)據(jù)中含有冗余特征以及噪聲導(dǎo)致歐式距離不能準(zhǔn)確地度量樣本間相似度的問題，提出一種自適應(yīng)平均鄰域邊界最大化降維算法(AANMM)。該算法通過迭代學(xué)習(xí)得到一個最優(yōu)子空間，然后在這最優(yōu)子空間中自適應(yīng)地為每個樣本選取近鄰樣本點。由于原始數(shù)據(jù)被投影到最優(yōu)子空間中，那么當(dāng)中包含的冗余變量和噪聲已經(jīng)被去除。因此在最優(yōu)子空間中為每個樣本尋找的近

3、鄰點將會比在原始空間中尋找更加準(zhǔn)確，為后續(xù)計算同類以及異類樣本之間的距離打下基礎(chǔ)，從而提高模型的魯棒性。在6種UCI數(shù)據(jù)集上實驗，AANMM相比較于傳統(tǒng)算法均有較好的提高。在物體數(shù)據(jù)集Coil20上進行實驗，AANMM的平均識別率在不同維度的子空間中均有很好的提升。
　　(2)針對人臉識別中的特征提取算法，我們將AANMM算法應(yīng)用于人臉識別中，并在YALE和AT&T人臉數(shù)據(jù)集上與其他幾種傳統(tǒng)算法進行了對比試驗驗證，結(jié)果表明我們的算