最大类间相斥的局部鉴别投影.docVIP

最大类间相斥的局部鉴别投影 　　【 摘 要 】 局部保持投影（LPP）算法，作为Laplacian特征映射的线性扩展表示，解决了非线性算法难以获得新样本低维投影的缺点。但是，由于它是一种没有标签信息的无监督方法，不能利用已知的类别信息提高分类率。为此，引入类别信息重新定义权值矩阵，提出带有局部类别信息的局部鉴别投影，使相邻近的同类样本尽量紧凑，相邻近的异类样本尽量分开。同时，针对局部鉴别投影不能充分利用全局类别信息的缺陷，提出最大类间相斥的局部鉴别投影（MRLDP），通过最大程度地扩大异类间均值中心距离，带动异类间样本分散分布，最终得到既保持内在流形信息又使异类距离最大化的投影矩阵，并将此算法用于人脸识别。该方法在 ORL 人脸库和Yale人脸库上进行了验证，取得了较好的人脸识别效果。 中国论文网 /8/view-7178067.htm 　　【 关键词 】 局部鉴别投影；线性判别分析；局部鉴别投影；流形学习；人脸识别 　　【 中图分类号 】 TP391.4 【 文献标识码 】 A 　　1 引言 　　在互联网金融高速发展的形势下，要鉴别远程操作者是否是人，是哪个人？成为了一个亟待解决的问题。人脸，作为生物特征之一，为这一问题提供新的解决思路。人脸识别中的重点和难点是对人的面部信息进行有效的特征抽取。人脸图像是一种高维数据，直接处理海量的高维大数据会带来复杂的计算和系统的不稳定。在尽量保持数据信息完整的前提下，把数据投影到一个合适的子空间中，以满足数据存储与算法的需要，成为生物识别技术研究中的热点。 　　经典的线性子空间投影的方法主要包含主成分分析（Principle Component Analysis， PCA）以及线性鉴别分析（Linear Discriminant Analysis， LDA）。PCA是基于主分量方向上映射，根据均方误差最小原则的，生成不相关的正交向量。PCA算法简单方便，Matthew Turk等人最先将PCA应用于人脸识别，并提出了Eigenface概念。这种方法是一种无监督的人脸特征抽取方法，没有用到人脸图像的类别信息。LDA算法通过引入标签信息，使投影后样本的类内离散度最小、类间离散度最大，从而生成最佳可分的子空间。Peter等人最先采用PCA算法解决了类内离散度矩阵奇异的问题，结合LDA提出了Fisherfaces算法应用于人脸识别，取得比PCA算法更优的分类效果。 　　2000 年，Seung 等人在《Science》上发表的文章把研究者的目光吸引到流形学习（Manifold Learning）领域。人脸被认为是一种由某些内在变量控制形成的非线性流形结构，更能体现现实中数据的本质，因此在人脸识别领域效果更优。Tenenbaum等人基于多维尺度变换（MDS），提出了等度规映射（Isometric Mapping， ISOMAP）算法。该算法通过保持样本点的内在局部几何结构，在降维的过程中保持样本间的测地距离不变。Sam等人提出的局部线性嵌入（Locality Linear Embedding， LLE）算法。在局部意义下，降维后的数据的结构是线性的，即是说局部意义下的样本点在一个超平面上。因此任意样本点都可以通过邻域内样本点的线性加权表示得到，并在降维时保留权值不变，得到最小重构误差。Belkin等人提出的Laplacian特征映射（Laplacian Eigenmap， LE）有着很直观的维数约简目标，即在高维空间中临近的样本点在低维度投影子空间中的样本也是邻近的。为了提高对训练样本以外的样本求取低维的投影向量，He对LE进行线性化扩展为局部保持投影（Locality Preserving Projection， LPP）以及对LLE的线性化扩展为邻域保持嵌入（Neighborhood Preserving Embedding， NPE），从而解决了非线性方法难以获得新样本点低维投影的缺点。对于上述算法，都可以在图嵌入框架下进行表示，通过图嵌入框架的应用还可以设计出新的降维算法。 　　LPP算法中需要把2D人脸图像1D向量，导致转换后图像维度很高，破坏了图像原有空间结构。Niu等人提出的二维局部保持投影（2DLPP）算法直接对2D图像进行运算，得到了更加易于求解的特征矩阵。Cai 等人提出了正交局部保持投影方法（OLPP），在求解过程中增加了正交约束条件，与LPP算法相比，具有更好的局部保持效果。 　　针对LPP算法没有有效地使用样本标签信息，大量的半监督以及监督算法被提出。Zhao等人采用了局部类别信息构造权重矩阵，提出了一种有监督的局部结构鉴别投影（LSDP）。该算法能够保持局部结构的情况下使邻域内的同类样本靠近，异类样本远离，但未能充分利用全局类别信息，导致有利于分类信息的