基于保局子空間分析的人臉特征提取算法研究.pdf

1、特征提取是模式識別的一個基本問題,提取有效特征對人臉識別起著關鍵的作用。在眾多的特征提取算法中,基于子空間算法由于計算量小、識別性能較好而成為人臉識別中的主流算法。主成分分析和線性判別分析算法開創(chuàng)了子空間算法的研究,并且取得了很大的成功。但是有研究表明人臉圖像其實是存在于一個非線性流形結構中,因此基于歐氏空間的主成分分析和線性判別分析無法揭示人臉圖像的非線性流形結構,即所提取的特征對分類并不是最優(yōu)的。局部保持投影算法是流形學習算法拉普拉

2、斯特征映射的線性逼近,因此它能挖掘人臉圖像的流形結構。本文基于局部保持投影算法,從統(tǒng)計學、非線性特征提取、二維圖像特征提取和小樣本問題等角度出發(fā),對保局算法進行了深入研究。具體的研究內(nèi)容包括:
　　 1、針對保局算法是一種非監(jiān)督學習算法,即未充分利用樣本的類別信息,并且提取的特征存在冗余等問題,提出了無關性判別保局算法。原始的保局算法只考慮了數(shù)據(jù)的局部性,沒有考慮樣本的類別信息,也沒有考慮所提特征之間是否存在相關性?，F(xiàn)有的改進算

3、法雖然考慮了類別信息,但是大部分沒有考慮樣本的類間信息。無關性判別保局算法在繼承保局算法的保持局部性的同時,考慮了樣本的類別信息,并且外加無關性條件,使得所提特征之間相互無關,這樣降低了數(shù)據(jù)冗余,這兩方面保證了所提取的特征具有更強的判別能力。
　　 2、針對保局算法本質(zhì)上是一種線性算法,提出了核正交判別保局差異最大分析。保局算法只考慮了樣本的局部性,未考慮樣本之間的差異性,并且算法在本質(zhì)上是一種線性算法,所得到的特征也未正交。為

4、了解決這些問題,所提出的算法先通過核函數(shù)將原始樣本映射到高維空間中,使得樣本在高維空間中線性可分,然后在該空間中分別考慮樣本的局部性和差異性,外加正交性條件的限制,使得所提取的特征能處理非線性樣本,而正交性條件更有利于樣本重構,因此提高了算法的識別性能。
　　 3、針對保局算法是基于一維向量的,即需要先把二維圖像矩陣轉換為一維向量,然后進行特征提取,提出了基于酉子空間的二維判別保局算法。保局算法在把圖像矩陣轉換為一維向量的過程中

5、,破壞了圖像的像素結構,并且會產(chǎn)生小樣本問題,不利于模式分類。所提算法在保局算法的基礎上,增加了類別信息,并且直接利用圖像矩陣分別在水平方向和垂直方向上求解轉換矩陣,然后在酉空間內(nèi)構建一個復矩陣,最后運用線性判別分析得到最優(yōu)特征。該過程一方面避免小樣本問題,另一方面保留了圖像像素之間的結構,因此更有利于分類。
　　 4、由于在人臉識別中,樣本的維數(shù)遠遠大于樣本數(shù),因此小樣本問題是子空間算法中普遍存在的問題。為了更好地挖掘人臉的低

6、維流形和解決小樣本問題,提出了零空間保局判別本征臉和適合于小樣本情況下的監(jiān)督化拉普拉斯判別分析。前者充分考慮了個體類內(nèi)差別和個體類間差別,結合流形學習思想并借助于判別準則使得投影后個體類內(nèi)之間保持一定的相似性而個體類間之間的區(qū)分度有所增加。通過在個體類內(nèi)保局差異散度矩陣的零空間中求解最優(yōu)特征向量,避免了矩陣的奇異性問題,解決了小樣本問題。而監(jiān)督化拉普拉斯判別分析的目標是最小化類內(nèi)拉普拉斯散度的同時最大化類間拉普拉斯散度,為處理小樣本問題