基于稀疏流形學(xué)習(xí)的人臉識(shí)別研究.pdf

1、隨著計(jì)算機(jī)視覺技術(shù)和機(jī)器學(xué)習(xí)技術(shù)的飛快發(fā)展，人臉識(shí)別技術(shù)應(yīng)用在了生活的各個(gè)領(lǐng)域，例如身份識(shí)別和智能交互界面等。人臉識(shí)別是一種高維大數(shù)據(jù)集模式識(shí)別的典型應(yīng)用。但數(shù)據(jù)維數(shù)過(guò)高不利于數(shù)據(jù)的分析和處理，傳統(tǒng)的處理方法就是利用線性降維或者非線性降維的方法來(lái)解決維數(shù)災(zāi)難的問(wèn)題。傳統(tǒng)的并被廣泛應(yīng)用的線性降維的方法有主成分分析(PCA)，基于獨(dú)立分量分析(ICA)和基于線性判別方法(LDA)等。它們?cè)谔幚碓肼曒^小的人臉識(shí)別上取得了滿意的識(shí)別結(jié)果。但是人

2、臉總會(huì)受到諸如，光照，遮蓋，表情，姿勢(shì)等各種噪聲的影響。這樣在利用線性降維的方法獲取到的特征在識(shí)別上效果并不是很理想。流形學(xué)習(xí)作為近年來(lái)被提出的非線性維數(shù)約減算法，可以很好得解決人臉圖像特征中的高維問(wèn)題。目前基于流形學(xué)習(xí)方法的人臉識(shí)別算法已取得了廣泛的應(yīng)用。例如基于局部?jī)?yōu)化方法的局部保持投影(LPP)算法，拉普拉斯特征映射(LE)，和基于全局特性的測(cè)地距離的ISOMAP流形方法等。但是研究這些方法發(fā)現(xiàn)，流形方法都需要設(shè)置樣本的k近鄰來(lái)解

3、決構(gòu)造拉普拉斯矩陣的問(wèn)題。這樣會(huì)導(dǎo)致過(guò)大或過(guò)小的k近鄰的設(shè)置使得樣本失去了固有的流形特性。本論文研究的是利用稀疏方法來(lái)解決流形中k近鄰的自適應(yīng)學(xué)習(xí)。本文提出基于稀疏的局部與全局最優(yōu)的框架（SPAF）來(lái)解決。SPAF框架有兩個(gè)步驟。第一個(gè)利用稀疏學(xué)習(xí)方法構(gòu)造局部最優(yōu)塊。第二個(gè)將所有的局部最優(yōu)塊統(tǒng)一到同一個(gè)坐標(biāo)系下面構(gòu)成全局的最優(yōu)拉普拉斯矩陣。本文的主要?jiǎng)?chuàng)新點(diǎn)有如下兩個(gè):
　　(1)通過(guò)稀疏學(xué)習(xí)表示的方法，解決k近鄰的自適應(yīng)選擇問(wèn)題，