局部保持典型相关分析及其在人脸识别中的应用

摘要

局部保持的典型相关分析(LPCCA)是一种能够解决大量非线性问题的新型算法。它通过局部线性的方法达到解决非线性问题的目的，不但能保持各样本集的局部结构信息，而且能够得到两组样本之间的最大化相关信息。本文将LPCCA应用于人脸识别，讨论其用于人脸识别的有效性，基于LPCCA的原理提出了一些改进算法，旨在提高其用于人脸识别时的识别率。主要研究内容如下： (1)LPCCA在人脸识别中的应用。为了得到LPCCA和新提出的算法进行特征融合所需的样本集，使用主成分分析和二维离散小波变换两种方法对原图像进行特征抽取。通过人脸识别实验，讨论了LPCCA在人脸识别应用中的有效性，并分析了LPCCA算法的不足，提出了改进的方向。 (2)改进的局部保持典型相关分析。基于LPCCA的理论，通过引入类信息的方式，提出了改进的局部保持典型相关分析(ILPCCA)。ILPCCA不但能够保持类内样本之间的局部结构信息，而且还能得到两组样本之间的最大化相关信息。人脸识别实验表明ILPCCA具有较高的识别性能。 (3)改进的局部判别型典型相关分析。基于判别型CCA(DCCA)和局部判别型CCA(LDCCA)的思想，并充分引入类别信息，提出了改进的LDCCA(ILDCCA)。ILDCCA不但能够保持类内样本之间的局部结构信息，而且能实现同类样本之间相关最大化，不同类样本之间相关最小化。实验表明，ILDCCA具有较高的识别率和稳定性。 (4)样本近邻参数的确定。与局部保持映射(LPP)和LPCCA等算法一样，ILPCCA和ILDCCA同样存在给定样本近邻参数的问题，通过对实验结果的分析给出了经验值。

目录

文摘

英文文摘

论文说明:图表目录

声明

1 绪论

1.1引言

1.2典型相关分析的研究与应用

1.2.1典型相关分析的研究概况

1.2.2典型相关分析的应用

1.3基于局部信息的降维方法概述

1.4人脸识别的研究现状

1.4.1国内外研究情况

1.4.2人脸识别的技术方法

1.5本文的研究工作和内容安排

2局部保持的典型相关分析在人脸识别中的应用

2.1引言

2.2抽取人脸图像特征的方法

2.2.1主成分分析

2.2.2二维离散小波变换

2.3典型相关分析用于特征融合的原理

2.3.1 CCA的判别准则函数

2.3.2投影矢量集的求解

2.3.3特征融合的策略

2.4局部保持的典型相关分析(LPCCA)

2.4.1局部保持映射的理论背景

2.4.2局部保持映射算法步骤

2.4.3 LPCCA的数学描述

2.5实验结果与分析

2.5.1实验步骤及相关说明

2.5.2在ORL人脸库上的实验

2.5.3在YALE人脸库上的实验

2.5.4在AR人脸库上的实验

2.6本章小结

3 改进的局部保持典型相关分析(ILPCCA)

3.1引言

3.2 IL PCCA的数学描述

3.2.1判据准则函数的提出

3.2.2投影矢量集的求解

3.3实验结果与分析

3.3.1在AR人脸库上的实验

3.3.2在YALE人脸库上的实验

3.3.3在ORL人脸库上的实验

3.3.4样本近邻参数的确定

3.4本章小结

4 改进的局部判别型典型相关分析(ILDCCA)

4.1引言

4.2判别型典型相关分析(DCCA)

4.2.1判据准则函数的提出

4.2.2类内和类间相关矩阵的定义

4.2.3投影矢量集的求解

4.3 IL DCCA的原理

4.3.1判据准则函数的提出

4.3.2投影矢量集的求解

4.4实验结果与分析

4.4.1在AR人脸库上的实验

4.4.2在ORL人脸库上的实验

4.4.3在YALE人脸库上的实验

4.4.4 IL PCCA和IL DCCA的比较

4.4.5样本近邻参数的确定

4.5本章小结

5总结与展望

5.1本文总结

5.2未来展望

致 谢

参考文献