流形学习与半监督学习在特征抽取中的应用及研究.pdfVIP

摘要(Abstract) 摘 要 人脸识别已成为机器学习、模式识别和机器视觉等研究领域的热点问题，在商 业、公安系统等领域中更有着广泛的应用。特征抽取一直是人脸识别研究的一个基 本问题，如何从高维数据中找到一个有意义的更低维表示是特征抽取的关键所在。 近年来的研究表明，旨在保留原始数据中的内在局部邻域信息的流形学习方法适于 处理人脸这类非线性结构数据，同时一些利用大量无类别标签样本和少量有类别标 签样本来提升学习性能的半监督学习引起了广泛关注。但是这些算法在实际应用中 仍然存在诸多不足。本文在深入研究流形学习和半监督学习的基础上提出了一些改 进算法，并在一些通用人脸图像数据库中验证了算法的有效性，同时设计并实现了 人脸识别原型系统，将现有的图像处理算法即经典的人脸识别算法应用于实际中。 本文主要工作包括以下五个方面： l、核监督鉴别投影分析(Kernel Discfiminant Supervised Analysis) Projection 核方法(Kernel Method)通过非线性映射使得原始空间中非线性可分的数据在 特征空间中尽可能地线性可分，然而它没有完全考虑数据集的局部性质同时其所带 来的计算复杂性仍然是一个问题。无监督鉴别投影(Unsupervised 是本质上没有利用样本数据的类别信息。为了解决核方法和无监督鉴别投影(UDP) 存在的问题，提出了一种核监督鉴别投影分析方法。该方法首先将训练样本通过一 个核函数非线性映射到高维特征空间，在该特征空间中考虑了数据的局部和非局部 性质以及类别信息。因此，该方法不仅保留了数据的局部邻域信息，而且能够抽取 更有利于分类的非线性鉴别特征。在Yale人脸数据库上的实验验证了该算法的有效 性。 2、基于局部和非局部均值的无监督鉴别分析(Unsupervised theLocalandNon—localMean) Basedon Analysis 考虑到无监督鉴别投影(UDP)很容易受到离群点的影响，同时无监督鉴别投 影(UDP)的计算时间较长。提出了一种基于局部和非局部均值的无监督鉴别分析 特征抽取方法，该方法利用局部和非局部均值来构造局部和非局部散度，从而在某 II 摘要(Abstract) 种程度上克服了离群点所带来的鉴别困难。此外，与无监督鉴别投影相比，该方法 性。 MeanBased 3、基于局部均值的广义散度差无监督鉴别分析(Local ScatterDifference Discdminant UnsupervisedAnalysis) 无监督鉴别投影(UDP)考虑了数据集的局部和非局部特征，但是在人脸识别 应用中不可避免地会出现“高维小样本问题”。由于最大散度差鉴别准则是对Fisher 鉴别准则的改进，从理论上消除了“高维小样本问题”。因此提出了一种基于局部均 值的广义散度差无监督鉴别分析方法，该方法利用局部和非局部均值构造局部和非 局部散度，再利用样本的非局部均值散度与C倍的局部均值散度之差作为鉴别函数 准则，不仅保留了样本分布的局部信息，而且从本质上克服了“高维小样本问题’’。 在Yale和FERET人脸数据库上的实验结果验证了该算法的有效性。 Distance-based 4、基于马氏距离的半监督鉴别分析(Mahalanobis Discriminant Analysis) 针对人脸识别应用中人脸样本的类别信息不足以及人脸样本特征间存在相关性 的问题，提出了一种基于马氏距离的半监督鉴别分析。该方法在图嵌入框架下利用 Fisher