基于線性回歸分析的特征抽取及分類應(yīng)用研究.pdf

1、隨著信息產(chǎn)業(yè)的飛速發(fā)展，人類生物特征識別技術(shù)成為一種熱門研究領(lǐng)域。在眾多生物特征識別技術(shù)中，人臉識別技術(shù)因其特有的主動性、非侵犯性以及用戶友好性等優(yōu)點，一直受到學(xué)術(shù)界和商業(yè)界的廣泛關(guān)注。人臉識別系統(tǒng)分為四個部分:人臉圖像采集、人臉圖像預(yù)處理、人臉圖像特征提取以及分類識別，其中最重要的環(huán)節(jié)是特征抽取環(huán)節(jié)。特征抽取目的主要在于降維，其基本思想是將原樣本投影到一個低維特征空間，得到原樣本的最本質(zhì)信息。在國內(nèi)外眾多專家學(xué)者的不懈努力下，已涌現(xiàn)出

2、諸多經(jīng)典算法，例如主成份分析和線性鑒別分析是最為著名的算法，此后出現(xiàn)的稀疏表示方法也逐漸被人們熟知并廣泛應(yīng)用于模式識別領(lǐng)域，稀疏表示算法的基本思想就是用一系列已知樣本來線性表示出一個未知樣本的大部分信息。但是這些算法具有一定的弊端，即在實際工作中，圖像采集時較易受到外部環(huán)境（如光照、遮擋陰影等）的干擾，所以如何在圖像采集的同時能盡可能減少噪聲干擾變得尤為重要。本文基于線性回歸分析的特征抽取及分類應(yīng)用進行了深入的研究。
　　全文主要

3、工作概括如下:
　　1、遷移線性表示分類(Transfer Linear Representation Classification)
　　傳統(tǒng)的稀疏表示方法一般是用訓(xùn)練樣本的線性組合去表示測試樣本，忽略了訓(xùn)練集和測試集之間的分布差異，而且僅考慮了訓(xùn)練樣本所包含的信息，測試樣本內(nèi)也有對分類識別較為有效的信息。為解決這一問題，本文提出一種遷移線性表示分類方法，有效的考慮了測試樣本所包含的信息，減小了訓(xùn)練集和測試集之間的分布差，

4、增強了訓(xùn)練集和測試集之間的“兼容”性，提高了算法的識別性能，且該方法可作為一個圖像預(yù)處理方法。在GT、AR、Extended Yale B和CMU PIE數(shù)據(jù)庫上的實驗證明了該方法的有效性和實用性。
　　2、基于鏡像圖像的魯棒最小平方誤差算法(Mirror Image based Robust Minimum SquaredError Algorithm)
　　最小平方誤差方法在計算機視覺領(lǐng)域應(yīng)用廣泛，該方法目的在于尋求一種

5、能預(yù)測樣本類別標(biāo)簽的映射，從而利用該映射預(yù)測出測試樣本的類別。但是該方法缺乏一定的魯棒性能，即對于那些帶有姿態(tài)表情變化的樣本，最小平方誤差方法無法取得良好的識別效果。此外，缺乏足夠的訓(xùn)練樣本是模式識別中一個經(jīng)典問題，所以有學(xué)者提出鏡像圖像的思想，可有效擴大訓(xùn)練樣本集。本文結(jié)合鏡像圖像思想和最小平方誤差的缺點提出了一個基于鏡像圖像的魯棒最小平方誤差算法。在FERET、Extended Yale B、ORL和AR人臉庫上的實驗表明，相對于原

6、最小平方誤差方法，本文所提算法具有更強的魯棒性和識別性能。
　　3、基于非負(fù)表示系數(shù)的兩階段人臉識別(Two Stages Face Recognition Based OnNonnegative Representation Coefficient)
　　衡量人臉識別算法的優(yōu)劣通常需要綜合考慮算法識別性能和算法復(fù)雜度，傳統(tǒng)的稀疏表示方法確實能取得一定的識別效果，但是時間復(fù)雜度較高，而且對于任意測試樣本，通常需要逐一考察每類

7、訓(xùn)練樣本與測試樣本的距離，較為繁瑣。事實上有些訓(xùn)練樣本對線性表示測試樣本的貢獻較小，完全可以不用考慮。根據(jù)這一思想，本文提出了基于非負(fù)表示系數(shù)的兩階段入臉識別算法，其主要思想是:第一階段用所有訓(xùn)練樣本線性表示測試樣本，且約束表示系數(shù)非負(fù)，從而剔除表示系數(shù)較小的訓(xùn)練樣本;第二階段將剩余的訓(xùn)練樣本分類，用每類訓(xùn)練樣本重構(gòu)測試樣本。針對測試樣本的分類問題，本文提出兩種識別方案，方案一通過衡量測試樣本與每類重構(gòu)樣本之間的殘差對測試樣本進行分類識

8、別，方案二用每類重構(gòu)樣本表示測試樣本且系數(shù)非負(fù)，根據(jù)得到的表示系數(shù)計算殘差，將測試樣本分類到殘差最小的類別。在ORL、FERET和GT人臉數(shù)據(jù)庫上的實驗驗證了該方法的有效性和實用性。
　　4、基于遷移線性表示的如范數(shù)重構(gòu)鑒別投影(l2-norm Reconstruction DiscriminantProjection Based On Transfer Linear Representation)
　　在人臉識別中，由于傳

9、統(tǒng)的稀疏表示方法沒有給出一種能夠處理噪聲的機制等問題，且當(dāng)提取的特征數(shù)量非常少時，不同的特征提取方法的識別性能也存在著顯著的差異，所以Yang等人提出了稀疏表示鑒別投影方法，目的是在做稀疏表示分類算法時，用少量的特征取得較高的識別率;針對該方法的時間復(fù)雜度較高等問題，Cui等人提出了協(xié)同表達鑒別投影。但是這些方法通常都是用訓(xùn)練樣本“單向”表示測試樣本，忽略了測試樣本中的信息，而且當(dāng)訓(xùn)練集和測試集之間存在較大的分布差異時，識別效果往往不佳