基于流形學(xué)習(xí)的人臉識別研究.pdf

1、隨著科技的發(fā)展，信息往往伴隨著高維數(shù)據(jù)出現(xiàn)，由于人們直觀的認(rèn)知僅局限于三維以內(nèi)，從而維數(shù)約簡成為必不可少的分析方法，作為目前處理高維數(shù)據(jù)最有效的方法，以往的線性降維方法，不能將高維數(shù)據(jù)的非線性表示出來，流形學(xué)習(xí)是一種非線性降維方法，保持?jǐn)?shù)據(jù)在高維流形中的某種特性，映射到低維流形。人臉識別依舊目前是研究的熱點之一，人臉圖像所在的空間，存在不可預(yù)知性，所有的模型只能逼近其空間特性，而流形方法通過學(xué)習(xí)其真實的空間某種特性，更好的表示其空間幾何

2、特性，比歐式空間的數(shù)學(xué)模型，其推理更加嚴(yán)謹(jǐn)。其學(xué)習(xí)的特性主要包括其全局特性和局部特性，但流形方法存在一些如參數(shù)設(shè)定，計算量優(yōu)化的問題，本文主要解決其非監(jiān)督的局限性。
　　本文主要貢獻：
　　1．等距映射(lsometric Mapping，簡稱ISOMAP)是一種非監(jiān)督的流形算法，對于有先驗類別信息的數(shù)據(jù)，不能充分使用其類別信息，其改進算法Extended ISOMAP使用結(jié)合線性鑒別分析(Linear Discrimina

3、nt Analysis，簡稱LDA)方法，但由于LDA是線性分類方法，對于數(shù)據(jù)內(nèi)部的非線性不能很好的表現(xiàn)，本文通過引入自適應(yīng)距離因子，從另一種思路，利用先驗的類別信息，達到非線性分類的效果，實驗表明，其效果顯著。在此基礎(chǔ)上，針對其不能達到實時性這一缺點，結(jié)合推廣的等距映射算法，改進對新加入樣本求低維嵌入的方法，克服了這一缺點。
　　2．傳統(tǒng)的局部線性嵌入(Locally Linear Embedding，簡稱LLE)算法對于其近鄰