基于局部线性嵌入和Fisher鉴别准则的目标识别方法.pdfVIP

《，台金自动4E}2006年增刊(S1) 基于局部线性嵌入和Fisher鉴别准则的 目标识别方法 吕杰，任仙怡，张桂林 (华中科技大学图像识别与人工智能研究所，湖北武汉430074) [摘要]提出了一种基于局部线性嵌入和Fisher鉴别准则的目标识别方法。首先利用局部线性嵌入方法进行 罔像数据降维，然后结合Fisher鉴别准则对降维压缩后的剧像数据进行分类识别。此方法既有处理非线性数据 的降维能力，又有Fisher识别方法的良好分类性能。实验证明该方法能在保持识男悴的前提下显著提岛识别速 度。 [关键词】局部线性嵌A；Fisher鉴别准则；线性鉴别分析；子空间；目标识别 O引言 『日J与内在低维空间局部邻域问的点之间的关系应 模式识别的目的是对未知样本判别它所属的 该不变；即在原始空间每个采样点可以用它的近 类别。在图像目标识别中经常会碰到高维数据， 邻点线性表示。 为了避免“维灾”的影响，必须使用一些特殊的手 u正算法可以归结为3步：(1)寻找每个样本 段对数据进行维数压缩。基于Fisher准则的线性点的k个近邻点；(2)由每个样本点的近邻点计算 鉴捌分析是抽取模式分类信息、压缩维数的有救 出该样本点的局部重建权值矩阵；(3)由该样本点 方法。但在图像识别问题中，模式矢量的维数一 的局部重建税值矩阵和其近邻点计算出该样本点 般都很高，得到的类内散布矩阵往往是奇异的，而 的输出值。 且类内、类问散布矩阵的阶数很高。在这种情况 第1步：计算每个样本点的k个近邻点。我 下，计算最佳鉴别矢量非常困难，因此在应用它之 们把十甘对于所求样本点距离最近的k个样本点规 前，需要首先利用其它方法将其降维。最近提出 定为所求样本点的k个近邻点。k是一个预先给 linear 定值。计算距离时，本文假定高维空间中的数据 embedding，局部线性嵌 的u正算法(10cally A)c“副是针对非线性数据的一种新的降维技术， 是非线性分布的，采用的是能够保持样本点之间 它不仅可以对数据降维，并且能够使降维后的数 曲面特性的Dijkstra距离。 据保持原有的拓扑结构。u点作为一种新的降维 第2步：计算出样本点的局部重建权值矩阵。 方法，既有非线性的特点，又有线性方法的优点， 这里定义一个误差函数，如下所示： 正成为非线性数据的降维、聚类以及图像分割等 Ⅳ ■ 领域的研究热点。本文将基于流形学习的皿方 rains(W)=篙k一蚤咄F『2 式中，xq(J=1，2，…，＆)为≈的k个近邻点；埘是 法与基于Fisher准则的线性鉴别方法相结合运刚 ● 于图像目标识别，可以在降低数据维数的同时抽 Xi与匈之问的权值，且要满足条件：墨”净1。这 取有益于识别的信息，减少运算量、缩短识别时 里求取形矩阵，需要构造一个局部协方差矩阵 间。 铲。 1局部线性嵌入 Q盖=(甸一粕)7(xi—xi。) LLE算法是一种基于流形学习的方法，其主 ■ 将上式与∑”；=1相结