论文部分内容阅读
特征提取是统计模式识别中的关键问题。至今已经提出了许多方法用来提取特征。其中，子空间分析方法是最有效的方法之一。子空间分析方法的本质就是把原始的高维样本投影到一个更有利于分类的低维特征子空间。本文讨论并提出了几个新的的子空间分析方法。论文的主要贡献归纳如下：
(1)作为主成份分析方法(PCA)的一种推广，独立成份分析(ICA)方法已经被证明是一种有效的特征提取方法。本文详细地回顾了独立成份分析方法和介绍了几种常用的算法，并且给出了这些算法的优缺点评价。
(2)当ICA被应用到一些高维模式识别问题，如人脸识别，常常会遇到两个问题：小样本问题和基函数(独立成份)的选择问题。这两个问题使ICA分类器变得不稳定和发生偏差。本文采用集成学习的途径，提出了一个增强型的ICA算法：随机独立子空间(RIS)方法。人脸识别实验表明该方法能有效地改善ICA的性能。
(3)ICA本质上是一种线性的方法，因此不能描述数据中复杂的非线性关系，比如由光照、扭曲等原因产生的非线性变量。核技巧是一种能有效描述数据间非线性关系的方法。在本文中，把核技巧引入到ICA方法中，从而得到一种能有效描述非线性变量的非线性ICA方法：核独立成份分析，简称KICA。
(4)近年来，因为能够得到高维数据的近似本质子空间而使流形学习方法倍受关注。基于局部保留的思想，本文提出了一种新的子空间分析方法：监督的核局部保留投影(SKLPP)方法。由于采用了非线性核映射，因此该方法能较好地描述非线性变量。同时，由于采用监督的形式使得数据在子空间中能够更好地保留类内的几何结构。
(5)传统的直方图只能表示全局的颜色统计信息。本文提出一个新的加权直方图方法：空间加权颜色直方图(SWCH)。首先，把HSV颜色空间量化成9个子空间，用一个有9级(bin)的直方图表示；然后，根据这些子空间的一阶中心矩赋予每个级一个权值；最后，任意一个彩色图像都用一个这样的9级加权直方图表示。这种新的直方图不仅能够表示颜色统计信息，而且包含颜色的分布信息。