正交线性判别分析及人脸识别.pdfVIP

摘要 特征提取是人脸识别最基础而又非常关键的问题之一，在过去的几十年内取 得了长足的进展，其中基于子空间的特征提取方法是目前的研究热点。论文从线 性子空间算法—线性判别分析 （Linear Discriminant Analysis ，LDA ）入手，借助 流形学习的思想，深入研究与分析了基于图论的判别特征提取及正交求解。论文 的主要内容和贡献有： 1.针对LDA 不能有效地保持数据的多样性结构，导致几何结构描述不稳定和 过学习等问题，提出了正交改进判别分析（Orthogonal Improved Discriminant Analysis ，OIDA ）算法。该算法利用邻接图描述数据间的变化关系，给出了刻画 局部多样性几何属性的离散度—多样性离散度，并将其嵌入到LDA 目标函数中， 建立了一个简单明了的判别特征提取准则，最后给出了正交求解算法。实验结果 证实了所提方法的有效性。 2.针对OIDA不能有效地提取嵌入在边界点之间的局部判别信息以及类内局 部相似几何属性，导致识别率不是足够好等问题，提出了正交增强判别分析 （Orthogonal Enhance Discriminant Analysis ，OEDA ）算法。该算法利用两个邻接 图分别描述类内局部相似性几何属性和类间局部判别几何属性，并给出了度量相 似性和判别几何特征的局部离散度。在此基础上，将局部离散度嵌入到OIDA 目 标函数中，建立了融合局部和全局几何结构的判别准则。实验结果证实了所提方 法的有效性。 3.针对OIDA不能有效地保持图像像素间的几何信息以及小样本问题和计算 比较复杂等问题，提出了二维正交改进判别分析算法(Two-dimensional Orthogonal Improved Discriminant Analysis ，2DOIDA) 。该算法直接从图像矩阵估算图像的局 部多样性离散度矩阵、类内离散度矩阵和类间离散度矩阵，有效地避免了小样本 问题，降低了计算复杂度，实验证明了算法的有效性。 关键词：特征提取 差异信息 流形学习 局部几何结构 判别信息 Abstract Feature extraction is one of the most fundamental and key problems in face recognition. Many approaches have been proposed for feature extraction during the last decades, among which the class of approaches based on subspace analysis has been an active topic in face recognition. This dissertation starts with Linear Discriminant Analysis (LDA) and makes an in-depth study of the diversity representation based on graph theory, and then presents an orthogonal solving for feature extraction. The main work and contributions of this dissertation are as follows: 1. Orthogonal Improved Discriminant Analysis (OIDA) is proposed. OIDA constructs an adjacency graph to characterize the variations among the data and defines the local diversity scatter, and then incorporates the local diversity scatter into the objective function of LDA with orthog