基于多樣性的人臉圖像特征提取及識別.pdf

1、隨著科學與信息技術的飛速發(fā)展,現實中產生的數據量日益增多,特別是維數比較高的數據,這雖然豐富了我們的生活但也帶來了前所未有的“維數災難”問題,因此怎樣有效地描述數據,已經成為一個刻不容緩的問題。特征提取被視為行之有效的方法之一,這不但可以發(fā)掘樣本的本質特點,而且可以將計算量減小。
　　本文的重點是從樣本的局部和非局部幾何結構著手來分析,認真從基于圖論的角度來研究人臉特征提取算法的精髓;從這個角度講,著重分析了集成局部和非局部幾何結

2、構的辨別分析特征提取算法,本文的核心內容以及研究如下:
　　一、首先對2DPCA、2DLPP、2DLIPP三種算法分別因不能夠很好地反映出非線性高維數據的內在幾何結構、沒有有效的利用訓練樣本的已知類別信息、忽略了不同類邊界的判別信息等而導致過學習、泛化能力不好,分類性能不好等問題。針對以上問題,提出了二維增強監(jiān)督的局部判別分析(Two-dimensional Enhanced Supervised Local Discrimina

3、nt Analysis,2DESLDA)算法。它借助于設計鄰接圖將鄰域內不同類的數據拉向它的類心,并給出了度量局部判別信息的離散度,然后結合局部數據的差異性離散度,建立了很好的魯棒的特征提取準則。因此2DESLDA可以在低維空間保持不同類邊界處的判別能力的同時,較好地保持數據的內在差異性幾何結構,從而有效保持數據的局部幾何結構,使算法的泛化能力得到提高,實驗數據證實了該算法的合理性。
　　二、針對2DESLDA算法不能有效地挖掘鄰

4、域外樣本的辨別分析性結構,也就是說忽略了非局部幾何結構,以致使算法的平穩(wěn)性能下降等,提出了二維集成局部和非局部幾何結構的魯棒判別分析算法( Two-dimensional Joint Lobal and Unocal Structure Discriminant Analysis,2DJLUDA)。該算法采用三個鄰接圖分別描述鄰域內數據的差異性結構以及鄰域內、外樣本之間的分類信息,進而保證鄰域內樣本的差異性離散度矩陣以及判別性離散度矩陣