二維子空間算法和改進(jìn)的LPP相結(jié)合的人臉識(shí)別算法研究.pdf

1、人臉識(shí)別作為生物特征識(shí)別領(lǐng)域的一種較友好的身份識(shí)別技術(shù)，引起了學(xué)者廣泛的研究興趣。人臉識(shí)別過程最重要的一個(gè)環(huán)節(jié)就是圖像特征的提取，而子空間分析已經(jīng)成為眾多特征提取方法中比較活躍的一類。局部保留映射算法(Locality Preserving Projection，LPP)和二維局部保留映射(Two-DimensionalLocality Preserving Projection,2DLPP)算法是屬于非線性的子空間算法，它們主要保留了

2、圖像的局部流行結(jié)構(gòu)，基本思想是在高維空間具有近鄰體現(xiàn)的兩個(gè)樣本，投影到低維空間后也相鄰。LPP和2DLPP算法雖能反映樣本的流行結(jié)構(gòu)，但卻是一種無監(jiān)督且只反映非線性結(jié)構(gòu)的人臉識(shí)別算法，因此通過深入研究LPP和2DLPP算法，提出幾種相應(yīng)的改進(jìn)算法。
　　本研究主要內(nèi)容包括：⑴首先引入類內(nèi)、類間信息對(duì)LPP算法的關(guān)系矩陣進(jìn)行優(yōu)化，使LPP成為有監(jiān)督的非線性學(xué)習(xí)方法，提出改進(jìn)的局部保持投影(Improved Locality Pres

3、erving Projection,ILPP)算法。然后將ILPP算法與二維主分量分析(Two-Dimensional Principal Component Analysis,2DPCA)和二維線性判決分析方法(Two-Dimensional Linear Discriminant Analysis,2DLDA)相結(jié)合，使得2DPCA+2DLDA+ILPP算法既能保留樣本的整體空間信息和分類信息，也能保留樣本的流行結(jié)構(gòu)。⑵利用訓(xùn)練樣本

4、之間的相似度與所有樣本之間的平均相似度的比較來統(tǒng)計(jì)樣本圖像的類間近鄰點(diǎn)的個(gè)數(shù)，并引入樣本的類內(nèi)類間信息來改變LPP算法的關(guān)系矩陣，采用這種優(yōu)化的LPP算法(Optimized Locality Preserving Projection，OLPP)對(duì)樣本進(jìn)行投影，便能保留樣本的局部流形信息和分類信息。而對(duì)角主成分分析算法(Diagonal Principal Component Analysis,DiaPCA)和對(duì)角線性判別分析算法(D

5、iagonalLinear Discriminant Analysis，DiaLDA)能保留矩陣行和列之間的相關(guān)性，也能保留樣本的線性結(jié)構(gòu)，因此將DiaPCA+DiaLDA與OLPP算法相結(jié)合，增強(qiáng)算法的穩(wěn)定性以及提高識(shí)別效果。⑶提出二維自適應(yīng)局部保持投影算法(Two-Dimensional Adaptive LocalityPreserving Projection,2DALPP),其利用樣本的類內(nèi)類間信息以及兩兩樣本之間的距離和所有

6、樣本的平均距離等內(nèi)容對(duì)2DLPP進(jìn)行優(yōu)化，實(shí)現(xiàn)類內(nèi)類間最近鄰數(shù)的選取以及權(quán)重等參數(shù)的自適應(yīng)；因?yàn)樘荻确从沉藞D像信息行或列方向的變化，而如果兩個(gè)樣本在原始數(shù)據(jù)空間表現(xiàn)為最近鄰，那么他們?cè)谛谢蛄蟹较蛏系奶荻茸兓彩窍嗨频?，因此利用梯度信息繼續(xù)對(duì)2DALPP算法進(jìn)行改進(jìn)，提出一種基于梯度的二維自適應(yīng)局部保持投影(Gradient Two-DimensionalAdaptiveLocality Preserving Projection,G_2