稀疏表示和鉴别分析技术在人脸识别中的应用分析-application analysis of sparse representation and discriminant analysis technology in face recognition.docxVIP

南京邮电大学硕士研究生学位论文 南京邮电大学硕士研究生学位论文 第一章 绪论 PAGE PAGE 2 疏性是符合事物本质特征的。它不仅通过选择少量的表示样本，增强了模型的可理解性， 更可能带来分类准确率的提高。 记样本集为 X  1 n i= [x ,..., x ] ，其中 x ∈ ffd 表示第 i 个训练样本，维数为 d ， 1 n i 样本总数。再记任一目标样本为 y ，则利用样本集 X 线性表示 y 可写为： y = α1x1 + … + αn xn , (1-1) 1 n 1 n其中，α ,…,α 为待求解的线性表示系数。记 A = [α , 1 n 1 n 式求解： ，则 A 可通过如下方 min A  y ? X ? A  2 . (1-2) 2 稀疏表示技术则将稀疏性引入向量 A ，则原问题(1-2)变为： min A y ? X ? A 2 2 , (1-3) 其中， ε 为取值很小的阈值， s.t. A ε 0 0| A |0 = ∑| αi | 0 , (1-4) i 表示向量 A 的零范数。| A |0 越小说明系数集{αi }中零元素越多，向量 A 越稀疏。 在实际中，优化问题式(1-3)也可写成如下正则化形式： min  y ? X ? A  2 + λ ? A  , (1-5) A 2 0 其中 λ 为正则化系数。式(1-5)是本文求解稀疏系数的基本数学模型。求解使用工具包[52]。 数学上讲，式(1-5)是 NP 难题。早期使用一些近似算法求解次优解，比如 MP 算法[39] 或 OMP 算法[40]。这些算法都属于贪婪算法，计算过程比较复杂且耗时。当前研究表明， 0 1满足一定条件时，基于 L 约束问题的最优解等价于基于 L 0 1 。这使得 我们能用 L1 约束替换原有的 L0 约束，从而将原 NP 难题转化为凸优化问题，求解起来更加 方便[42,43]。此时，式(1-5)转化为[51]： min 1 y ? X ? A 12 A +λ | A |1 . (1-6) 图 1.1 中以二维情况为例，解释式(1-6)最优解的几何意义。图中，约束| A |1 对应 45 度旋转 后的正方形，最优解 A? 则是函数 1 y ? A ? X  12 的等高线（同心椭圆簇）与正方形的交点。 显然，当交点恰好落在坐标轴 x2 上时， A? 包含一个零元素。以此类推在多维情况下，交点 坐标会包含许多零元素，从而使最优解具有稀疏性。 121 y ? A ? X 2 1 2 A? x1 | A |1 图 1.1 基于 L1 范数的稀疏解示意图。横纵坐标分别表示解的两个维度。 1.2.2 稀疏表示在人脸分类和特征提取中的应用 在特征分类放上，最典型的属最近邻分类[25]和支持向量机[26]。最近邻分类将测试样本 与训练库中的每个训练样本进行对比，将测试样本的类别判为与其最相似的训练样本的类 别。支持向量机则针对两类问题的学习，它首先计算出两类数据的分界面，然后根据测试 样本落在分界面位置判断其类别。近两年，Wright 等研究员提出基于稀疏表示的人脸分类 方法[2,27,28]。在该方法中，一个测试样本被所有训练样本稀疏线性表示，然后从中找出对测 试样本表示误差最小的一类训练样本，其类别就判为测试样本的类别。该方法不仅对人脸 的遮挡变化十分鲁棒，同时也揭示出，在该分类方法下，分类所用特征的数量比种类更加 重要。该分类方法如描述下：对一个测试样本，首先利用所有训练样本对其进行稀疏表示， 然后找出能最佳表示（表示误差最小）该测试样本的一类训练样本，将其类别判为测试样 本的类别。在 Wright 的基础上，Majumdar[29]提出了基于组稀疏表示的分类方法。该方法 的动机，是由于同类样本处于同一个子空间，因而在对测试样本进行稀疏表示时，应该同 时参与表示（系数同时非零）或同时不参与表示（系数同时为零）。此外，Li 等研究员[44] 提出基于局部稀疏表示的分类方法。该方法为了提高计算稀疏表示的速度，仅使用与测试 样本近邻的部分训练样本进行稀疏表示。 PAGE PAGE 4 稀疏表示最早被引入人脸特征提取是在 2010 年，由 Qiao[22]和 Cheng[23]等研究员不约 而同提出了一种新的投影变换法则，即寻找一个低维的线性空间，并在该空间中保留训练 数据间稀疏表示关系的投影变换。他们的方法旨在寻找一个低维的特征投影空间，使训练 数据间的稀疏表示关系得以最大程度的保持。在此基础上，Lai[24]提出，在保持数据间稀疏 表示关系同时，最大化近邻的异类数据间的距离，以提高异类数据的可分性。 1.3 鉴别分析技术及其部分扩展概述 1.3.1 类特定的