基于圖嵌入與彈性網絡回歸的特征提取算法及其在人臉識別中的應用.pdf

1、在人臉識別過程中，特征提取的重點在于挖掘并提取人臉數據中的關鍵特征，這有利于提高算法的識別和分類能力。傳統(tǒng)基于子空間學習的特征提取算法如主成分分析(PCA)和線性判別分析(LDA)，以及基于流形學習的圖嵌入特征提取算法如局部線性嵌入(LLE)和局部保持投影(LPP)，因為具有簡單、直觀、高效等優(yōu)點被廣泛使用。但是上述算法仍然存在許多問題和局限性，例如不能同時得到數據的全局和局部結構、線性方法對于非線性數據處理不理想、“小樣本”問題以及特

2、征冗余等等。
　　基于稀疏特征提取的研究是人臉識別領域中的另一個熱點。原始人臉數據中往往包含眾多特征，稀疏特征提取可以從原始數據中找到某些最顯著的特征，然后使用它們組成最小特征子集對原始數據進行最優(yōu)表示，這一過程既可以簡化數據又能夠保留數據中的關鍵信息。彈性網絡回歸(Elastic Net)是目前常用的稀疏特征提取算法之一。
　　本文結合常用圖嵌入算法和彈性網絡回歸，針對上述特征提取算法中存在的問題進行研究，提出新的算法并應

3、用在人臉識別中，主要工作有：
　?。?）簡單介紹了人臉識別的研究背景及發(fā)展歷程、研究內容及應用、存在的問題等，并對幾種典型的人臉數據庫作了簡要說明；
　　（2）根據本文研究的內容，分別介紹了基于流形學習的圖嵌入以及稀疏特征提取的思想，并對經典特征提取算法（PCA、LDA、LLE和LPP）以及稀疏特征提取算法（嶺回歸(Ridge)、套索回歸(Lasso)和彈性網絡回歸）的實現(xiàn)步驟進行了細致的介紹，然后簡單分析了上述算法的優(yōu)缺點

4、；
　?。?）結合PCA、LLE以及彈性網絡回歸，提出了無監(jiān)督稀疏差分嵌入(USDE)特征提取算法。該算法的基本思想是：首先，構建出基于 LLE的“局部最小嵌入”以及基于PCA的“全局最大方差”；然后，使用“差分”形式解決多目標最優(yōu)化問題，并結合稀疏約束構建 USDE目標函數；最后，使用彈性網絡回歸進行稀疏性實現(xiàn)；
　?。?）在最大邊界準則(MMC)算法的基礎上，結合LLE和彈性網絡回歸提出了基于最大邊界準則的稀疏局部嵌入(

5、SLE/MMC)算法。首先，SLE/MMC在保持局部近鄰的基礎上構建類內散布矩陣以及類間散布矩陣；然后，SLE/MMC使用“MMC”的形式以及稀疏約束構造 SLE/MMC的目標函數；最后，SLE/MMC 使用彈性網絡回歸得到一個稀疏化的結果。
　?。?）結合二維判別局部保持投影(2DDLPP)和彈性網絡回歸，提出了基于稀疏二維判別局部保持投影(S2DDLPP)的特征提取方法。2DDLPP在LPP中引入類間離散度和類別信息