人臉識別中基于流形學習的子空間特征提取方法研究.pdf

1、特征提取是模式識別中最基本的問題之一。在人臉識別中，提取有效的鑒別特征是實現(xiàn)人臉準確識別的一個關鍵因素。由于人臉空間被認為是嵌入高維的外圍空間中的低維流形，與人臉類別有關的特征信息就存在這個流形中，所以許多子空間特征提取方法采用流形學習來發(fā)現(xiàn)人臉模式的內蘊結構。本文對基于流形學習的子空間特征提取方法進行了研究，論文的主要工作和貢獻體現(xiàn)在以下幾個方面： 1.針對線性局部切空間排列沒有利用人臉樣本的類別信息，提取的特征有冗余，而且不

2、能保持高維數據空間測度的問題，利用類別信息，同時根據譜回歸理論，提出了使用嶺回歸技術的判別的線性局部切空間排列。在此基礎上，引入正交變換，提出了正交判別的線性局部切空間排列，降低了算法復雜度，解決了測度保持問題。 2.當人臉特征維數遠遠大于樣本數目時，一般線性子空間方法學習得到的嵌入子空間非光滑且不能獲得稀疏解。針對這種情況，使用空間光滑正則化和稀疏化技術，將正單純形的頂點作為映射目標，采用彈性網絡建立映射關系，提出了稀疏光滑的

3、臨界費舍爾分析算法，解決了反映最強信息的最小特征子集的選擇問題。 3.針對局部敏感判別分析只能處理向量類型的數據，不能保持圖像像素間的空間信息，并且容易造成奇異性問題，提出了張量局部判別投影。提出的算法歸結為迭代求解廣義特征向量問題來求取張量子空間的兩個變換矩陣，從而在水平和垂直方向消除圖像行和列的相關性，而且壓縮了特征維數，保持了圖像空間信息的完整性。 4.當人臉特征呈現(xiàn)高度非線性分布時，線性子空間方法很難提取出有效的