基于LLE算法的人脸识别方法研究.docVIP

基于LLE算法的人脸识别方法研究 　　摘要：非线性降维作为当前流行的机器学习算法，是研究人员的研究热点。局部线性嵌套和等距流形映射是两个基本非线性降维方式，局部线性嵌套的优点和不足在人脸识别上值得做出深入的研究，因此测试这种降维方式在不同参数下的执行效率，分析和总结这种降维方式的适用特点和范围，选择局部线性嵌套和主成分分析，通过应用于人脸识别中，并总结人脸识别的识别率。 　　关键词：非线性降维算法；局部线性嵌套；人脸识别 　　中图分类号：TP18 文献标识码：A文章编号：1009-3044(2011)23-5714-03 　　Facerecognition Method Based on LLE Algorithm 　　LIU He-an 　　(Center of Network information, Hunan City University, Yiyang 413000, China) 　　Abstract: The algorithm of nonlinear dimensionality reduction is popular in the manifold learning,Its one of focus in the research during the researchers.locally linear embedding and isometric mapping are the basic algorithms of nonlinear dimensionality reduction. This paper analyzed and argued locally linear embedding(LLE) algorithm．Proposed face recognition method based on LLE algorithm．The method was tested against two face data bases:PIEYALE. 　　Key words: nonlinear dimensionality reduction; locally linear embedding; face recognition. 　　1 数据降维及算法 　　随着信息时代的到来，数据集增长更快、数据维度更高、非结构化性更突出。如何在保持数据信息足够完整的意义下从海量数据集中提取出有效而又合理的约简数据，满足存储需求和人的感知需要是亟需解决的问题。 　　在高维数据中进行各种处理需要样本的数量会成指数增加，样本间距离的价值也越来越小，这样就面临维数灾难问题。 对于实际中很多问题来说，大部分高维观测数据变量可以用少量几个影响因素来表示，这说明其中包含着大量冗余信息，各成分之间通常也有着较强的相关性，这种现象几何学上表现为数据分布在低维流形上，或者是在低维流形附近。 　　因此，要有效揭示高维观测数据潜在的结构，需要学习和发现嵌入在高维空间中的低维特性。即进行维数约简。在研究维数约简的方法过程中，主要的方法是选取高维数据中尽可能多的，有用的特征，根据一定方法获取最突出的特征，即进行特征的约简。特征约简分为线性与非线性两种。 　　线性降维方法是通过线性的特征组合来降维的，本质上是把数据投影到低维的线性子空间。 　　非线性方法的研究主要是基于：许多高维采样数据都是由少数几个隐含变量所决定的，如人脸采样由光线亮度，人离相机的距离, 人的头部姿势，人的脸部肌肉等因素决定。近年来，非线性降维算法的研究与应用取得了丰硕的成果，著名的非线性降维算法有；局部线形嵌套(Locally Linear Embedding,LLE)、等距流形映射(Isomeitric Mapping, ISOMAP)、拉普拉斯特征映射(Laplacian eigenmaps)、局部保持投影(Local Preserving Projection,LPP)等。这些方法均能保持原始数据的拓扑结构不变，并能较好解决数据处理中的“维数灾难”问题。 　　2 LLE算法原理 　　假设给定数据集合X={x1,x2,…,xN}，包括N个实值向量，向量的维数为D，且这些数据采样于某个潜在的光滑流形。采样数据点要求足够多，并且每个采样数据点及其邻点都落在该潜在流形的一个局部线性块上或该块附近。用每个数据点的邻点集重构该点会得到一组线性系数，然后用这组线性系数就可以刻画流形的局部线性几何性质。 　　最简单的方法是采用欧氏距离来确定每个数据点的K个邻点。总的重构误差由如下的代价函数确定： 　　式中，权值矩阵W为一个N×N维的对称矩阵，权值Wij表示第j个数据点对第i个数据点的重构所具有的贡献。 　　要求出权值Wij，需要最小化具