数据降维算法的究及其应用.pdfVIP

摘要 数据降维算法的研究在传统的模式识别、生物特征识别、计算机视觉咀技数字倒像处理 等领域都具仃非常晕婴f门理i仓和实际价值。本文主要研究新的数据降维算浊及其存人脸*{ ；；1}、步态以别和基于内容的图像检索中的应用。 在经典的基]：统汁学习的数据降维算法中，比如主成分分析(PrincipalComponent Discriminant Analysis，PCA)和线忭医分r1：分析(LinearAnalysis，LDA)，分析的对象通常都被 表示成为‘维的『∞曼。而仵{R多实际的应用中，比如人脸淤别中(Face Recognition)，分析怕 对象部是二维或名商维的冈像数据，Hp灰度人脸圈像就是二维数据，彩色人脸阁像或名人脸 图像序列是三维数据。因此经典的人脸识别算法是把二维或者高维的图像数据变换成一维的 m景数据，然后用PCA或者LDA米做数据降维。但是在本文第二三四章中指出，这样的变 换将导致数据各个维(【匕如图像的行和列)之间的结构信息的丢失，而且会导致维数灾难和小 样术问题。因此在本文的第一三pq章提H』了一系列新的基于二维或者高维表示的数据降维方 法。其中第n二章提出了基J_爱衍重硭旌：珊q二维或者高维数据的多嚣艘降维方法Coupled SnbspaceAnalysis(CSA．2)和ConcurrentSubspace Disoriminant 丛分崖，雀；奶的二维或者高维数据的多鳍Z邹}维方法Bilinear Analysis(BDA)和 Discriminant Tensor with Analysis KernelDiscriminant 粥韵一维或者高维数据的∥簿艇碑维方法Coupled Analysis(cKDA)。大 贳的实验证明新提出的基于二维或者高维表示的直接数据降维方法明显优于基于’维向量 表示的数据降维方法，尤其是当训练样本比较少而且数据分布非常复杂的时候，这种优势更 加明显。 近年来．彳i仪基J二统计学习的数据降维算法，比如PCA]LDA以及其基-：核方法的版本， 核丰成分分{!『i_(KernelPrincipalComponent Discriminam Theory)的流形学习(ManifoldLearning)算法，比如ISOMAP，LLE和LaplacianEigenmap(LE) 等也车口继被应蹦j二数据降维领域而且取得了很大的成功。本文第五章提出了一个瓤的统一的 胛沦Hf絮 f!|J=㈦嵌入邪沧框架(包括l’(接的图嵌入、线rl二化、协化和张最化)。这个框架可 以把上面提剑的这些数拟降维的算法都归入其中。这个框架不仅可以归纳{＆多现有的算社、， lm且可以被用做设计新算法的平台。基于这个平台，第五章提出了两种新的有监督流形学习 Manifold Fisher (SupervisedLearning)的算法，即Marginal E Lt)callLlnctll 类别信息，大量的实验结果证明这两种算法的线性化，核化／张量化的版率都优jJ￡考虑样奉 类别信息f由LDA的相应版本。 前面几章主要考虑的是人脸识别这个应用。在本文的第六章主要考虑前面提出的数据降 维算法在步态识别中的应用，而第七章则考虑其在基于内容的图像检索中的应用。 在笫武章中，首先针对步态识别的预处理步骤即运动目标分割这个任务，擞出r 补小 重要阴影(1ns追nincantShadow)的去除算法来更好的分割运动对象。实验结果证明新提出的 Diseriminant +Bilinear 别I?的结果。大晕的实验仍然证明新提出的算法在步态识别中也取得了较好的效果。第七章 Biased ‘t蛰《l埘基于内容的图像检索的特点提出I广MFA变换的版本，副Marginal