基于多样性的人脸图像特征提取及识别-交通信息工程及控制专业论文.docxVIP

万方数据 万方数据 摘 要 随着科学与信息技术的飞速发展，现实中产生的数据量日益增多，特别是维 数比较高的数据，这虽然丰富了我们的生活但也带来了前所未有的“维数灾难” 问题，因此怎样有效地描述数据，已经成为一个刻不容缓的问题。特征提取被视 为行之有效的方法之一，这不但可以发掘样本的本质特点，而且可以将计算量减 小。本文的重点是从样本的局部和非局部几何结构着手来分析，认真从基于图论 的角度来研究人脸特征提取算法的精髓；从这个角度讲，着重分析了集成局部和 非局部几何结构的辨别分析特征提取算法，本文的核心内容以及研究如下： 一、首先对 2DPCA、2DLPP、2DLIPP 三种算法分别因不能够很好地反映出非 线性高维数据的内在几何结构、没有有效的利用训练样本的已知类别信息、忽略 了不同类边界的判别信息等而导致过学习、泛化能力不好，分类性能不好等问题。 针对以上问题，提出了二维增强监督的局部判别分析 (Two-dimensional Enhanced Supervised Local Discriminant Analysis，2DESLDA）算法。它借助于设计邻接图将 邻域内不同类的数据拉向它的类心，并给出了度量局部判别信息的离散度，然后 结合局部数据的差异 性离散度，建立了很 好的鲁棒的特征提取 准则。 因此 2DESLDA 可以在低维空间保持不同类边界处的判别能力的同时，较好地保持数据 的内在差异性几何结构，从而有效保持数据的局部几何结构，使算法的泛化能力 得到提高，实验数据证实了该算法的合理性。 二、针对 2DESLDA 算法不能有效地挖掘邻域外样本的辨别分析性结构，也 就是说忽略了非局部几何结构，以致使算法的平稳性能下降等，提出了二维集成 局部和非局部几何结构的鲁棒判别分析算法（Two-dimensional Joint Lobal and Unocal Structure Discriminant Analysis，2DJLUDA）。该算法采用三个邻接图分别描 述邻域内数据的差异性结构以及邻域内、外样本之间的分类信息，进而保证邻域 内样本的差异性离散度矩阵以及判别性离散度矩阵达到最大化，最小化非局部样 本与自己类心之间的距离，构建了 2DJLUDA 算法模型。它很好地利用了数据分布 的局部结构信息和非局部判别信息，所以该算法的识别性能很好，鲁棒性非常强， 实验结果验证了算法性能的有效性。 关键词： 差异性 判别性 局部结构 非局部结构 人脸识别 Abstract With the rapid development of information technology, more and more data are generated in real life, especially in the high-dimensional data，which enriches peoples life but also brings unprecedented dimension disaster problem，Thus, how to describe information availably has turn into a pressing question. Feature extraction is an valid method to work out this issue, which can’t merely help to excavate the nature construction of the input information, but also bring down the computation complexity. It has turn into a hot news. This paper begin an deepness learn of being feature extraction arithmetics on account of graph come from the viewpoint of local statistics and unlocal geometry. From this perspective, the paper emphasizes on discriminant analysis integrating local and unlocal geometry construction, and the principal matters and researchs of this paper are as follows: The several arithmetics 2DPCA, 2DLIPP and 2DLIPP can not be