小樣本情況下特征抽取算法與人臉識(shí)別研究.pdf

1、在人臉識(shí)別中，可得到的訓(xùn)練樣本數(shù)往往遠(yuǎn)小于人臉圖像樣本的維數(shù)，此問(wèn)題稱為人臉識(shí)別中的小樣本問(wèn)題。小樣本問(wèn)題導(dǎo)致各種基于Rayleigh商的特征抽取算法存在病態(tài)問(wèn)題，并且使得使用較少的訓(xùn)練樣本難以獲得推廣性較好的識(shí)別性能。本文針對(duì)小樣本條件下的人臉圖像特征抽取和識(shí)別存在的困難，做了一定的探索和研究。本文的主要工作和創(chuàng)新成果點(diǎn)集中在以下幾個(gè)方面:
　　 (1)為了克服鑒別保局投影算法所面臨的小樣本問(wèn)題，通過(guò)引入最大間距準(zhǔn)則，把鑒別保

2、局投影目標(biāo)函數(shù)變換成為基于差值的目標(biāo)函數(shù)，提出了基于最大間距準(zhǔn)則的鑒別保局投影(DLPP/MMC)算法，同時(shí)也提出了一種高效的求解DLPP/MMC特征向量的算法。DLPP/MMC從理論上避免了對(duì)保局類內(nèi)散布求逆的問(wèn)題，使得DLPP/MMC能克服小樣本問(wèn)題。對(duì)DLPP/MMC算法的理論分析表明:DLPP/MMC算法求得的鑒別信息位于保局類間散布和保局類內(nèi)散布的值域空間中，而當(dāng)權(quán)重參數(shù)趨向于正無(wú)窮大時(shí)，DLPP/MMC算法求得的鑒別矢量也位

3、于保局類內(nèi)散布的零空間中。
　　 (2)提出了鑒別保局投影的三個(gè)改進(jìn)算法:正交的完備鑒別保局投影算法(OCDLPP)，正則化廣義鑒別保局投影算法(RGDLPP)和快速的完備鑒別保局投影算法(FCDLPP)。
　　 OCDLPP首先用保局總體散布代替保局類內(nèi)散布;然后通過(guò)去除保局總體散布矩陣零空間的方式對(duì)樣本進(jìn)行降維;為了進(jìn)一步提高鑒別能力，OCDLPP算法對(duì)求得的鑒別矢量進(jìn)行正交化。本文也討論了各種對(duì)鑒別矢量進(jìn)行正交化的

4、算法之間的關(guān)系。
　　 RGDLPP算法也用通過(guò)去除保局總體散布矩陣零空間的方式對(duì)樣本進(jìn)行降維，然后對(duì)保局類內(nèi)散布的特征值進(jìn)行正則化，最后通過(guò)廣義特征值分解以求得最優(yōu)鑒別矢量。
　　 針對(duì)完備鑒別保局投影(CDLPP)算法存在的缺點(diǎn)，即CDLPP算法的復(fù)雜度較高且沒(méi)有考慮如何有效地融合規(guī)則鑒別特征和不規(guī)則鑒別特征的問(wèn)題，提出了快速的完備鑒別保局投影算法(FCDLPP)。FCDLPP算法只需使用一次瘦QR分解就可以求得保局

5、類內(nèi)散布的零空間的鑒別矢量，然后再進(jìn)行一次廣義特征值分解求得保局類內(nèi)散布的主元空間的鑒別矢量，與CDLPP算法相比，F(xiàn)CDLPP算法的算法復(fù)雜度較低，計(jì)算效率要高得多，另外，F(xiàn)CDLPP對(duì)獲得的零空間的規(guī)則鑒別特征和非零空間的不規(guī)則鑒別特征進(jìn)行了融合，使得FCDLPP算法比CDLPP算法有更高的識(shí)別率。
　　 (3)從理論上分析了核化圖嵌入(KGE)框架內(nèi)的各種算法，證明了其實(shí)質(zhì)是核主成分分析(KPCA)+線性圖嵌入(LGE)框

6、架內(nèi)的各種相應(yīng)的線性降維算法。這使得我們可以從一個(gè)新的角度來(lái)理解核算法，并且使各種核算法更易于理解和實(shí)現(xiàn)。另外，為了克服KGE框架內(nèi)各種核算法所面臨的小樣本問(wèn)題，提出了一種綜合利用零空間信息和非零空間信息的完備核化圖嵌入算法，由于本文的完備核化圖嵌入算法完整的利用了零空間和非零空間的鑒別信息，使本文的算法具有更高的識(shí)別率。
　　 (4)研究了基于稀疏表示的人臉特征提取算法，提出了一種新的有監(jiān)督的人臉特征抽取算法——鑒別稀疏鄰域保