局部線性嵌入算法的改進及其在人臉識別中的應用.pdf

1、人臉識別技術(shù)是一種生物特征識別技術(shù)，由于其數(shù)據(jù)采集的友好性、面部的客觀性以及應用場景的多樣性，使其已成為模式識別與深度學習方面的研究熱點。但人臉識別在具體應用過程中會遇到各種實際問題，尤其是對人臉圖像特征提取的影響。不同的特征提取方法對于最終的識別有著舉足輕重的作用。早期人們一般是從紋理、形態(tài)、色彩等主觀方面進行，難以提取人臉圖像中的本質(zhì)結(jié)構(gòu)信息。流形學習理論的發(fā)展為高維數(shù)據(jù)的特征提取提供了新的思路，而且相關的研究表明人臉數(shù)據(jù)更有可能分

2、布于高維的非線性流形結(jié)構(gòu)上，因此非線性降維和流形學習理論越來越多地被人們應用于圖像識別尤其是人臉識別中。
　　本文以流形學習為基礎，主要研究了局部線性嵌入(Locally Linear Embedding，LLE)算法和有監(jiān)督的局部線性嵌入（Supervised Locally Linear Embedding,SLLE）算法，針對偏離樣本整體分布的樣本點在低維重構(gòu)過程中可能映射在其它平面的不足，同時結(jié)合Kmeans++算法的優(yōu)點

3、，提出了基于聚類的Cluster-SLLE算法；同時針對CSLLE算法引入新的參數(shù)、以及類內(nèi)距與類間距線性關系對噪聲魯棒性較差的缺點，改進了算法中的距離相似性度量，與傳統(tǒng)算法相比，該算法在相關的人臉數(shù)據(jù)集檢驗中具有較高的識別率。
　　本文的主要研究工作如下：
　　1.對流形學習中基于全局保持以及局部保持的降維方法，如主成分分析、多維尺度分析、拉普拉斯特征映射等進行了較為詳細的理論闡述，并在相關的數(shù)據(jù)集上進行算法的對比分析，研

4、究了各算法存在的優(yōu)勢與不足之處。
　　2.在流形學習的基礎上，細致地分析了LLE算法、引用樣本類別信息的SLLE算法以及在具體應用過程中參數(shù)的取值問題。SLLE算法利用樣本的類別標簽進行數(shù)據(jù)點間的相似性度量，但忽略了數(shù)據(jù)集中類別差異性較大的個體對整體數(shù)據(jù)的影響，因而提出了基于聚類的Cluster-SLLE算法，通過引入Kmeans++聚類算法標識“奇異點”，對數(shù)據(jù)點間的距離矩陣作進一步地改進，在Yale和ORL人臉數(shù)據(jù)集中表明了算

5、法的可行性及泛化能力的提高。
　　3.在SLLE及CSLLE算法中，類間數(shù)據(jù)點間距離及類內(nèi)數(shù)據(jù)點間距離的相似性度量呈線性關系，使得嵌入數(shù)據(jù)的判別和泛化能力仍被限制在一定的范圍；而且樣本中存在的噪聲會破壞樣本間的鄰域關系；另外，CSLLE算法雖一定程度提高了識別率，但也引入了新的不確定因素：新參數(shù)的取值問題，增加了算法的主觀性。針對此種情形，在原有算法的啟發(fā)下，提出了優(yōu)化類內(nèi)樣本間距離的度量的改進算法，在減少參數(shù)個數(shù)的同時，也降低了