局部線性嵌入算法的研究及在人臉識(shí)別中的應(yīng)用.pdf

1、人臉識(shí)別是一種生物特征識(shí)別技術(shù)，由于其數(shù)據(jù)的易采集性、面部的直觀性以及較強(qiáng)的代表性，現(xiàn)在已逐漸成為模式識(shí)別與人工智能方面的研究熱點(diǎn)。但人臉在進(jìn)行處理時(shí)常常會(huì)遇到這樣的問題:一是人臉圖像容易受到外界因素比如光照、表情、姿態(tài)等的影響，二是用提取特征的方法對人臉進(jìn)行識(shí)別時(shí)，人臉圖像是一個(gè)高維的數(shù)據(jù)，在對其進(jìn)行處理時(shí)會(huì)遇到較大的困難。有研究表明，人臉從某種意義上來講是一種非線性的流形結(jié)構(gòu)，該結(jié)構(gòu)主要受一些內(nèi)在變量的控制，如果能從人臉流形中找出光

2、照、表情、姿態(tài)等這些內(nèi)在的變量，就能有效地對高維的人臉數(shù)據(jù)進(jìn)行降維。
　　流形學(xué)習(xí)能很好地保持高維數(shù)據(jù)的某些特性，其目標(biāo)是找出嵌入在高維空間中的低維流形。本文針對流形學(xué)習(xí)中的一種典型代表方法——局部線性嵌入(Locally Linear Embedding，LLE)作了改進(jìn)，并將其與一種核方法KFDA(KemelFisher Discriminant Analysis，KFDA)結(jié)合應(yīng)用于人臉識(shí)別，取得了較好的效果。
　　本

3、文的主要研究工作如下:
　　1.本文以圖像處理作為基礎(chǔ)，針對流形學(xué)習(xí)中LLE算法的相似性度量問題，本文作出了改進(jìn)。由于歐氏距離不能來衡量圖像空間中兩個(gè)樣本點(diǎn)的真實(shí)距離，本文提出來以測地距離和圖像歐氏距離取代傳統(tǒng)的歐氏距離。
　　2.對于原始LLE算法第一步中鄰域數(shù)七的取值問題，本文作出了改進(jìn)。LLE算法中假設(shè)的是所有的樣本是均勻分布的，因此對所有的樣本點(diǎn)都取相同數(shù)目的近鄰個(gè)數(shù)。但實(shí)際中以上的假設(shè)很難得到滿足，多數(shù)樣本數(shù)據(jù)都是

4、非均勻分布的，人臉圖像也是如此。針對該問題，本文提出一種自適應(yīng)的局部線性嵌入算法(Adaptive Nearest Neighbor Locally Linear Embedding，ANNLLE)，根據(jù)每個(gè)樣本點(diǎn)周圍點(diǎn)的分布情況，分別找出一個(gè)最適合的近鄰數(shù)。
　　3.在用改進(jìn)后的LLE算法對人臉提取特征后，采用非線性的判別方法KFDA作為分類器來對人臉進(jìn)行分類，即將低維空間中線性不可分的數(shù)據(jù)投影到高維空間中實(shí)現(xiàn)線性可分，由于采用