论文部分内容阅读
特征提取在模式识别领域占有重要的地位,它是人脸识别系统中最关键的一个环节。目前,关于特征提取的方法涌现了大量的经典算法,有基于线性与非线性的特征提取方法。其中得到广泛应用研究的有子空间学习方法,具有代表性的算法有主成分分析方法(PCA)、线性鉴别分析方法(LDA)、局部保持投影(LPP)算法。LPP方法是拉普拉斯特征(LE)的线性逼近,其中基于LPP方法的改进涌现出了大量的有效方法。然而,这些方法都是线性特征提取,对人脸图像的线性不可分问题处理能力有限。因此,本文将在线性特征提取方法的基础上,引入了核技术、核化图嵌入算法等非线性特征提取方法展开深入研究。本文的主要工作将从以下三个方面展开:1.在核技术和LPP算法的基础上,提出了核的正交完备鉴别局部保持投影(KOCDLPP)算法。将核函数技术与正交性原理融合,在高维特征空间中求最优判别矢量时,将鉴别局部保持投影算法的目标函数由最初的商运算变换为差分运算。2.针对鉴别局部保持投影算法存在小样本问题进行了研究,提出了基于近邻间隔最大化的鉴别局部保持投影(NMMDLPP)算法。首先对训练样本构造权重K-近邻图,对近邻图中的每条边赋予权重参数来获取每个点的同类和异类近邻点的局部几何信息,减小同类近邻点之间间隔和加大异类近邻点之间的间隔来得到转换矩阵,将数据的邻域点最优重构系数用在目标函数中。为了避免计算高维矩阵的逆,该算法以局部类间散布和局部类内散布之差作为目标函数。3.在典型相关分析(CCA)和核化图嵌入(KGE)算法的基础上,提出基于典型相关分析的核化图嵌入(KGE/CCA)算法。该算法兼顾了区分样本类别信息和非线性特征的提取,并且将样本间最大相关化,两组特征融合成一个特征,这样融合后的特征信息量增加了,且具有统计不相关性。通过在UMIST、JAFFE、Yale等标准的人脸库上大量的实验验证了本文提出的3种算法的有效性。