研究生论文答辩(人脸识别中基于流形学习的特征提取方法研究).pptVIP

人脸识别中基于流形学习的特征提取方法研究 导师姓名：王 燕 学生姓名：白万荣 专　　业：计算机应用技术 研究方向：模式识别 目录 4 1 2 3 5 人脸识别的研究意义 人脸识别的研究现状 本文工作 总结和展望 研究成果 计算机与通信学院 一.人脸识别的研究意义 生物特征识别：高可靠性、不易伪造等。 人脸识别的优势：隐蔽性；非接触性；硬件要求低。 应用领域：信息安全、公共安全、金融等。 学科理论意义，涉及心理学、生理学、模式识别、图像处理、人工智能、计算机视觉和神经网络等学科。 计算机与通信学院 二.人脸识别的研究现状 人脸识别方法： 基于几何特征的方法 基于模板匹配的方法 基于机器学习的方法 基于子空间分析的方法 计算机与通信学院 Swiss Row PCA ISOMAP LE LLE 流形学习算法 三种经典的流形学习算法：ISOMAP、LLE、LE 存在的问题：Out-of-sample 、非监督 解决方法：线性化；监督、半监督 LPP、UDP 、MFA、LSDA、NPE 计算机与通信学院 人脸识别的流程 计算机与通信学院 特征提取 寻求最具鉴别性的描述特征 维数约减 三.本文工作3.1核正交邻域保持判别嵌入算法 1.NPDE 邻域保持判别嵌入结合了局部算法NPE和全局算法LDA的优点，将无监督算法NPE改进为具有监督的算法，有效提取样本的可分性鉴别特征信息。 问题分析： (1)NPDE算法实质是一种线性的算法，而人脸呈现出非线性。 (2)非正交性很难保持高维空间的测度结构信息。 计算机与通信学院 3.Schur正交 定理：设B为n阶方阵， 是B的特征值，不管特征值是实数还是复数，必然存在相似酉矩阵U，使得B=UTUH，其中T是三角矩阵，对角线上的元素为 。 2.核正交邻域保持判别嵌入 先对原始输入样本进行非线性映射，将其映射到高维特征空间中，然后在特征空间中采用邻域保持判别嵌入进行提取特征并将特征向量正交化。 计算机与通信学院 算法描述： 计算机与通信学院 计算机与通信学院 实验 ORL人脸库上3种方法的性能比较 计算机与通信学院 4.2基于最大散度差的半监督判别分析 1.边界Fisher分析 思想：MFA的目标是将k1近邻的同类样本拉近的同时将k2近邻的异类样本推远。 2.无监督鉴别投影 思想：UDP的目标就是最大化非局部散度与局部散度的比，得到有效的分类方向，从而样本数据点在该方向上投影。 计算机与通信学院 问题分析： (1)MFA是一种完全监督的算法 ，UDP是无监督的 。 (2)瑞利商来求解特征值和特征向量，会遇到散度矩阵奇异的问题。 改进方案： 散度差的半监督判别分析 散度差方式： 目标函数： 计算机与通信学院 算法描述： 计算机与通信学院 实验 ORL人脸库的5Train的识别率 YALE人脸库的5Train的识别率 计算机与通信学院 4.3自适应邻域选择的张量边界Fisher分析 1.张量边界Fisher分析 MFA：采用一维向量的形式 TMFA：采用图像矩阵的形式 TMFA的目标函数： 计算机与通信学院 改进方案： 自适应邻域选取方法。 问题分析： 在构建最近邻图时，TMFA采用全局统一的k邻域法来选择近邻点的，对于非均匀流形的处理比较困难。 计算机与通信学院 动态自适应算法描述： 计算机与通信学院 计算机与通信学院 本文算法描述： 计算机与通信学院 实验 PIE人脸库的5Train的识别率 FERET人脸库的2Train的识别率 计算机与通信学院 三种算法的比较 计算机与通信学院 四、总结与展望 计算机与通信学院 1 在NPDE的基础上，把核映射的思想引入其中，以Schur正交求解特征向量。 2 把MFA和UDP进行结合，改进为半监督的算法。并用最大散度差准则作为目标函数。 3 在TMFA邻域点选取时，采用测地距离与欧氏距离的关系来动态的选择训练样本近邻点。 论文主要完成了如下工作： 四、总结与展望 未来工作展望: 1、本征维数的估计 2、提高对噪声的抗干扰性 3、多技术融合 计算机与通信学院 五、研究成果 [1]王燕,