基于圖嵌入與彈性網(wǎng)絡(luò)回歸的特征提取算法及其在人臉識別中的應(yīng)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(shù)據(jù)中的關(guān)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(xué)習(xí)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(xué)習(xí)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(shù)據(jù)的全局和局部結(jié)構(gòu)、線性方法對于非線性數(shù)據(jù)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(lǐng)域中的另一個熱點。原始人臉數(shù)據(jù)中往往包含眾多特征，稀疏特征提取可以從原始數(shù)據(jù)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(shù)據(jù)進行最優(yōu)表示，這一過程既可以簡化數(shù)據(jù)又能夠保留數(shù)據(jù)中的關(guān)鍵信息。彈性網(wǎng)絡(luò)回歸(Elastic Net)是目前常用的稀疏特征提取算法之一。
　　本文結(jié)合常用圖嵌入算法和彈性網(wǎng)絡(luò)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(yīng)

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(nèi)容及應(yīng)用、存在的問題等，并對幾種典型的人臉數(shù)據(jù)庫作了簡要說明；
　　（2）根據(jù)本文研究的內(nèi)容，分別介紹了基于流形學(xué)習(xí)的圖嵌入以及稀疏特征提取的思想，并對經(jīng)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(wǎng)絡(luò)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、；
　　（3）結(jié)合PCA、LLE以及彈性網(wǎng)絡(luò)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(gòu)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(jié)合稀疏約束構(gòu)建 USDE目標函數(shù)；最后，使用彈性網(wǎng)絡(luò)回歸進行稀疏性實現(xiàn)；
　　（4）在最大邊界準則(MMC)算法的基礎(chǔ)上，結(jié)合LLE和彈性網(wǎng)絡(luò)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(chǔ)上構(gòu)建類內(nèi)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(gòu)造 SLE/MMC的目標函數(shù)；最后，SLE/MMC 使用彈性網(wǎng)絡(luò)回歸得到一個稀疏化的結(jié)果。
　?。?）結(jié)合二維判別局部保持投影(2DDLPP)和彈性網(wǎng)絡(luò)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