论文部分内容阅读
近年来,流形学习作为一种新的维数约简方法开始受到极大关注。流形学习假设数据分布在一个低维流形上,算法试图通过保持数据的局部几何结构将原始的高维数据嵌入到低维子流形中,本文介绍了几种具有代表性的流形学习算法,如Isomap、LLE、LE、LTSA及LSDA等,并着重介绍流形学习在人脸识别中的应用。人脸识别是计算机模式识别研究的重要领域。虽然,人类能够很容易地识别人脸,但对机器来说,仍是一件困难的事。在人脸识别领域,Gabor小波由于其核函数同哺乳动物简单细胞的感受野剖面类似,且能达到测不准原理的最小值,具有最佳的时频分辨率,故其在图像的特征提取方面有着很大的优势。故本文研究了基于Gabor滤波和流形学习算法的人脸识别方法,主要工作如下:首先,由于Gabor滤波器组能够提取人脸图像的多分辨率特征,先利用Gabor滤波器组从不同方向和尺度下提取图像的特征,经过采样、排列得到一个特征组合向量,由于Gabor滤波后的特征向量维数是非常高的,不易于识别,故利用流形学习算法将高维特征向量进行降维,得到低维特征子空间,再利用分类器进行分类识别。依据这个思想,在本文中,我们介绍了一种新的将局部敏感判别算法运用于Gabor特征向量的GLSDA算法。在ORL和Yale数据库上进行了人脸识别实验,具体的实验结果表明:该算法的识别率高于其他常用的人脸识别算法。其次,考虑到局部敏感算法是监督的学习方法,对于样本类别未知的情况下,将不再实用。于是,我们提出将Gabor滤波与无监督流形学习方法结合的算法:GLLTSA。该算法能够在样本类别未知情况下,通过训练样本学习得到线性投影方向,进而可以对新的样本进行识别。在ORL人脸数据库上的实验结果表明:该算法较其他无监督学习算法具有更高的识别率。