二維核主成分分析算法和應(yīng)用研究.pdf

1、人臉識(shí)別作為模式識(shí)別的重要方面,在安全檢測(cè)、圖像監(jiān)控方面發(fā)揮著越來(lái)越重要的作用。近年來(lái)隨著人工智能技術(shù)的發(fā)展，人臉識(shí)別技術(shù)越來(lái)越受到關(guān)注。各種理論、算法都在不斷完善。基于子空間的算法因其方便、快速而倍受青睞，引起眾多研究者的興趣。它是以提取人臉圖像的有用鑒別特征為目的，按照提取的人臉特征，建立模式從而實(shí)現(xiàn)分類的一種模式識(shí)別方法。其中最關(guān)鍵的問(wèn)題是特征提取，特征提取方法的優(yōu)劣決定著人臉識(shí)別率的高低。本文將矩陣分解思想融入特征提取算法中，降

2、低了非線性特征提取算法核矩陣的維數(shù)，克服了一般非線性特征提取算法，當(dāng)大規(guī)模訓(xùn)練集時(shí)，核矩陣特征向量求解困難的問(wèn)題。所取得的主要研究成果為：
　　(1)介紹基于子空間的線性特征提取方法，包括對(duì)于向量的主成分分析(PCA)和線性判別分析(LDA)算法，以及對(duì)于矩陣的二維主成分分析(2DPCA)和二維判別分析(2DLDA)算法。
　　(2)研究基于子空間的非線性核主成分分析(KPCA)與二維核主成分分析(K2DPCA)等特征提取算

3、法。為了克服大規(guī)模訓(xùn)練數(shù)據(jù)庫(kù)，KPCA與K2DPCA算法核矩陣規(guī)模太大、計(jì)算代價(jià)高的缺點(diǎn)，采用選主元的Cholesky分解來(lái)得到核矩陣的低秩近似來(lái)解決這一問(wèn)題，提出了一種K2DPCA與選主元的Cholesky相融合的非線性特征提取方法。在加噪的ORL人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果表明，該選主元的過(guò)程可以一定程度克服噪聲的影響，其識(shí)別率相比 KPCA、K2DPCA的識(shí)別率有著明顯提高；而在大型人臉數(shù)據(jù)庫(kù)Extended YaleB上的實(shí)驗(yàn)結(jié)果也說(shuō)