基于核學習的人臉識別算法研究.pdf

1、隨著社會經(jīng)濟不斷發(fā)展、科學技術(shù)日新月異，人臉識別的研究在國防、安保、互聯(lián)網(wǎng)以及生活的多方面都有著非常重要的意義，人類迫切需要穩(wěn)定且高效的人臉識別系統(tǒng)來給我們提高便捷和高質(zhì)量的生活，人臉識別的主要任務是提取人臉圖像的有效特征，再充分利用這些特征信息來表示人臉圖像，達到去除冗余信息和降維的目的，最后再使用適當?shù)姆诸惼鱽韺崿F(xiàn)人臉圖像的分類。本文主要將研究基于核學習的人臉圖像的特征提取算法，主要將從如下三個方面進行算法研究：
　　(1)重

2、點論述了矩陣的奇異值分解定理、奇異值的穩(wěn)定性、奇異值的壓縮性、奇異值的比例不變性等定理，同時我闡述了最經(jīng)典的“特征臉”算法---主成分分析，還介紹了將輸入空間映射到高維特征空間中的核主成分分析分析以及矩陣的QR分解原理和存在唯一性。
　　(2)針對基于歐式距離的KPCA算法，識別率很難得到顯著提高且需要較高的計算復雜度的問題，本文將歐式距離推廣到p范數(shù)，首先采用基于選主元的喬列斯基分解得到核矩陣K的低秩近似分解，然后對維數(shù)較小的矩

3、陣進行QR分解方法，從而相當高效的獲取了人臉圖像的關(guān)鍵特征，在人臉數(shù)據(jù)庫ORL以及AR上不斷進行相關(guān)實驗，最終的實驗結(jié)果充分證明了新的基于p范數(shù)的QR-KPCA算法在計算復雜度上和傳統(tǒng)的KPCA基本持平，但是在識別率方面取得了良好的效果。
　　(3)隨著大數(shù)據(jù)時代的到來，海量數(shù)據(jù)的處理顯得尤為重要，但是如果人臉樣本的數(shù)量是相當大時，核矩陣的維數(shù)也是驚人的，從而處理識別問題就顯得力不從心，出現(xiàn)識別率不高并且計算規(guī)模大等問題，為解決這