基于流形学习与分类技术的人脸识别研究

摘要

人脸识别技术在多个领域中已被广泛使用，是近年来较为新兴的一项技术。所谓人脸识别，是在已有人的面部特征信息的条件下进行识别的过程。此技术首先对所采集数据进行模仿学习，建立起一个人脸数据库，然后再进行数据的识别，进行比对，以达到识别的过程。近年来，随着科技的发展，该技术被广泛应用于生活中的各个方面，因此也成为了当今社会研究的一个热点问题。对于此项技术的研究，一些技术已经取得了较好的分类效果，如支持向量机(Support Vector Machine，SVM)、极端学习机(ExtremeLearning Machine，ELM)等传统的分类算法。但是在实际人脸识别的过程中，人脸的数据通常都具有很高的维数，并且这些数据的分布也是不均匀的。因此，如何在人脸识别中解决不均匀高维数据的问题将成为研究的一个热点。
　　本文在SVM、ELM基础上引入流形理论以及微分同胚理论，并提出了两个新的人脸识别算法。流形SVM算法。SVM在人脸识别的过程中，由于高维数据的原因，计算过程中的错分点会增加，降低了人脸识别率。对此，本文提出了一种基于模糊聚类的局部线性嵌入和SVM的人脸识别方法，该技术在SVM的基础上引入模糊聚类的局部线性嵌入算法，能够较好的约束重构误差，更好的保持数据的内在结构。实验结果表明，新算法能够更好地处理数据维数的庞大，进而提高了识别效果。流形ELM算法。该技术在ELM的基础上，利用微分同胚原理构造激活函数，较好地保持数据的本质，并将类内和类间信息引入NPE结构式，保持数据的本质结构，该算法可消除样本的冗余数据，实验结果表明，新算法具有较高的分类能力。

目录

声明

摘要

1 绪论

1．1 研究背景和意义

1．2 人脸识别的研究现状

1．3 本文主要研究内容

2 人脸特征提取算法

2．1 线性特征提取算法

2．1．1 主成分分析

2．1．2 线性判别分析

2．2 非线性特征提取算法

2．2．1 局部线性嵌入

2．2．2 邻域保持嵌入

3 基于模糊聚类的LLE和SVM的人脸识别

3．1 基于模糊聚类的局部线性嵌入

3．2 支持向量机理论

3．3 新算法的提出及实验分析

3．4 本章小结

4 流形极端学习机及其人脸识别应用

4．1 极端学习机理论

4．2 新算法的提出

4．2．1 激活函数ERAF的提出

4．2．2 构造新的降维算法

4．2．3 流形极端学习机算法模块步骤

4．3 实验与结果分析

4．4 本章小结

结论

参考文献

攻读硕士学位期间发表学术论文情况

致谢