自适应近邻数选择正交局部保持投影人脸识别研究

摘要

由于在人脸识别实际应用当中普遍存在高维数据，因此对特征分析、模式分类和可视化这样的数据处理来说，理解高维数据的内在低维结构就显得非常重要。近年来，在机器学习和模式识别领域，非线性流形学习已经得到了深入研究，此类方法将高维数据空间嵌入到非线性低维流形，实现简单，避免优化过程中陷入局部极小，并广泛应用于图像处理、人脸识别和基于图像的年龄识别等问题。
　　本文采用流形学习的线性化方法局部保持投影算法对人脸图像进行特征降维，流形学习主要包括三个步骤，一是怎样确定局部这个概念，二是如何准确得到低维流形的局部几何结构，三是怎么把这些局部结构进行整合得到最终的全局参数。但是现有的流形学习算法大多采用k近邻方法来确定近邻样本，不能很好的描述高维数据的局部几何结构。因此，本文通过自适应近邻数的选择方法匹配低维流形的局部几何结构来解决这一问题。而在确定近邻样本后怎样衡量其对样本点的重构贡献一般采用热核函数来实现，大量实验数值表明，合适的σ是热核函数学习具有良好性能的保证，本文利用粒子群优化方法来优化热核函数的宽度参数σ，使用Fisher准则函数作为粒子群优化算法的代价函数，综合近邻数的选择和优化后的热核函数参数σ得到基于自适应近邻数选择正交局部保持投影人脸识别算法，并在ORL和Yale人脸库上验证了算法的有效性。

目录

声明

摘要

第一章 绪论

1．1 人脸识别研究背景及其意义

1．2 国内外发展趋势

1．3 人脸识别系统组成

1．4 人脸识别主要特征提取方法

1．5 本文的主要内容及其结构安排

第二章 流形学习主要方法

2．1 引言

2．2 流形学习理论基础

2．3 流形学习主要方法

2．3．1 等距映射(ISOMAP)

2．3．2 局部线性嵌入(LLE)

2．3．3 拉普拉斯特征映射(LE)

2．3．4 局部切空间排列(LTSA)

2．4 流形学习方法的实验结果分析

2．5 流形学习面对的主要挑战

2．6 本章小结

第三章 流形学习热核函数参数优化

3．1 引言

3．2 粒子群优化算法

3．2．1 粒子群算法研究现状

3．2．2 粒子群优化算法基本原理

3．3 线性判别分析(LDA)思想

3．4 基于粒子群算法和线性判别分析的流形学习热核函数参数优化

3．5 ORL人脸库和Yale人脸库上的实验分析

3．6 粒子群优化算法的不足之处

3．7 本章小结

第四章 白适应近邻数选择正交局部保持投影人脸识别

4．1 引言

4．2 局部保持投影

4．3 正交局部保持投影

4．4 自适应近邻数选择

4．5 SVM分类器设计

4．6 ORL人脸库和Yale人脸库上的实验及结果分析

4．7 本章小结

第五章 总结与展望

致谢

参考文献

作者在读期间的研究成果