基于相關(guān)投影分析的特征提取研究及在圖像識別中的應(yīng)用.pdf

1、特征抽取是模式識別研究中的基本問題之一。對于圖像識別而言，抽取有效的圖像特征是完成識別任務(wù)的關(guān)鍵。線性與非線性投影分析作為特征抽取最為經(jīng)典和廣泛使用的方法，在圖像識別中已得到了廣泛的研究，獲取了成功的應(yīng)用。然而線性與非線性投影分析方法主要針對模式的一組特征進行處理，并不適用于多表示數(shù)據(jù)的特征融合與抽取。相關(guān)投影分析，包括典型相關(guān)分析與偏最小二乘，已廣泛應(yīng)用于多組特征間的融合與抽取，并在圖像識別中取得了良好的實驗結(jié)果。本文以相關(guān)投影分析為

2、研究對象展開深入的拓展研究，致力于增強相關(guān)投影分析抽取特征的鑒別能力。所做的主要工作和研究成果如下:
　　 (1)從模式分類的角度出發(fā)，提出了一種監(jiān)督的局部保持典型相關(guān)分析(SLPCCA)，通過最大類內(nèi)成對樣本與其近鄰間的權(quán)重相關(guān)性，在有效地利用樣本類別信息的同時保持了數(shù)據(jù)的局部流形結(jié)構(gòu)，提高了算法的穩(wěn)定性與魯棒性，并且融合了判別型典型相關(guān)分析(DCCA)的鑒別信息，而不受其抽取的最大特征維數(shù)不超過總類別數(shù)的限制。此外，面對圖像

3、識別問題中存在的大量非線性問題，在核技巧的基礎(chǔ)之上又提出了核化的SLPCCA(KSLPCCA)，以提取數(shù)據(jù)的非線性特征。
　　 (2)提出了一種正交正則化典型相關(guān)分析(ORCCA)。典型相關(guān)分析(CCA)獲取的投影向量滿足相互之間的共軛正交性，然而“共軛正交”需要考慮樣本的總體協(xié)方差矩陣，在面對小樣本問題中可能會出現(xiàn)由于對協(xié)方差矩陣的估計不足而產(chǎn)生算法性能的下降。此外，共軛正交性更加關(guān)注特征的低維最優(yōu)表示而非鑒別能力的強弱，當分

4、屬于不同類別的樣本分布具有較為明顯的差異時，可能會出現(xiàn)分類性能不佳的現(xiàn)象。為了解決這兩個問題，本文提出的ORCCA以投影矢量之間的正交性約束與正則化參數(shù)的引入，能夠抽取出具有更強鑒別能力的特征。
　　 (3)提出了稀疏保持典型相關(guān)分析(SPCCA)與稀疏正則化的判別型典型相關(guān)分析(SrDCCA)。稀疏保持投影(SPP)實現(xiàn)了特征降維過程中對樣本間稀疏重構(gòu)能力的保持，因而能夠在無類標簽的情況下提取樣本的自然鑒別信息。受此啟發(fā)，本文

5、提出的SPCCA，不僅實現(xiàn)了兩組特征集鑒別信息的有效融合，同時對提取特征間的稀疏重構(gòu)性加以約束，增強了特征的表示和鑒別能力。在SPCCA的基礎(chǔ)上，通過對部分已標記樣本的監(jiān)督學習，又提出了稀疏正則化的判別型典型相關(guān)分析。在手寫體字符與人臉識別上的實驗結(jié)果表明，本文提出的兩種方法均取得了良好的識別性能。
　　 (4)基于多表示數(shù)據(jù)的特征抽取問題，提出了一種多成分分析方法(MCA)。典型相關(guān)分析與偏最小二乘，作為兩組特征融合與抽取的經(jīng)

6、典方法，如何將其推廣到多組特征，一直吸引著人們廣泛的關(guān)注。本文提出的MCA，通過高階張量的構(gòu)造，將多組特征之間的相關(guān)信息融入到協(xié)方差張量中，再利用高階奇異值分解，獲取各組特征對應(yīng)的投影矩陣，實現(xiàn)維數(shù)約減與特征融合的雙重任務(wù)。與基于子空間的特征融合方法(MFFSL)相比，MCA能夠利用較少維數(shù)的特征表示實現(xiàn)多組特征間的融合，保證了抽取的特征具有更強的鑒別性。另外，主成分分析與偏最小二乘可以分別視作本文方法在面對一組及兩組特征時的一種特例情

7、況。在手寫體字符與人臉識別上的詳細實驗，驗證了MCA的有效性與魯棒性。
　　 (5)針對圖像集分類需將圖像矩陣轉(zhuǎn)化為圖像矢量的問題，提出了二維互子空間方法與二維多主角嵌入方法。首先，借鑒二維主成分分析(2DPCA)的基本思想，提出了一種二維互子空間方法，避免圖像集分類中二維圖像矩陣的矢量化表示對圖像結(jié)構(gòu)信息的破壞。此外，在綜合考慮多組圖像集合間的“全局”與“局部”典型相關(guān)基礎(chǔ)上，提出了二維多主角嵌入方法，以迭代優(yōu)化方式尋找一組全