基于流形學(xué)習(xí)與支持向量機(jī)的人臉識別研究

1、論文題目：基于流形學(xué)習(xí)與支持向量機(jī)的人臉識別研究專業(yè)：計(jì)算機(jī)軟件與理論碩士生：趙元元(簽名)指導(dǎo)教師：厙向陽(簽名)摘要人臉識別具有自然、直觀、安全、快捷等特點(diǎn)，已經(jīng)成為最具發(fā)展?jié)摿Φ纳锾卣髯R別技術(shù)之一，在安全系統(tǒng)，信用卡驗(yàn)證，視頻會(huì)議，公安系統(tǒng)犯罪等方面的應(yīng)用已經(jīng)成為模式識別和人工智能領(lǐng)域研究的熱點(diǎn)。但人臉結(jié)構(gòu)的復(fù)雜性，表情的多樣性，發(fā)掘有效的特征提取算法和強(qiáng)泛化能力的分類器成為人臉識別系統(tǒng)新的挑戰(zhàn)。流形學(xué)習(xí)作為新的非線性維數(shù)約簡方

2、法，能有效的發(fā)現(xiàn)嵌入在高維空間的非線性低維流形數(shù)據(jù)，挖掘隱藏的本征信息。支持向量分類機(jī)(SVM)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，能根據(jù)有效的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，具有很強(qiáng)的泛化推廣能力。本文將流形學(xué)習(xí)與支持向量機(jī)結(jié)合，應(yīng)用于人臉識別的兩大模塊，特征提取和分類。提出了兩種改進(jìn)的流形學(xué)習(xí)特征提取算法，并采用螢火蟲算法優(yōu)化的支持向量分類機(jī)參數(shù)仿真，驗(yàn)證算法的有效性。本文的主要研究內(nèi)容概括如下：(1)提出了一種基于鄰域動(dòng)態(tài)變

3、化的局部線性嵌入人臉識別算法。該算法采用單鏈聚類算法以及進(jìn)一步優(yōu)化算法動(dòng)態(tài)獲取樣本鄰域，降低了局部線性嵌入算法樣本鄰域點(diǎn)個(gè)數(shù)固定的不足。結(jié)合優(yōu)化的支持向量機(jī)進(jìn)行分類識別，理論和實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法具有較高的識別率。(2)提出了一種改進(jìn)距離的半監(jiān)督局部線性嵌入人臉識別算法。該算法引入新的距離規(guī)則，改善了基于歐氏距離構(gòu)建樣本鄰域結(jié)構(gòu)時(shí)對于采樣密度的高要求，并結(jié)合支持向量機(jī)分類識別。通過L和YALB人臉庫上的大量實(shí)驗(yàn)結(jié)果表明該算法的有效性。關(guān)

4、鍵詞：人臉識別；流形學(xué)習(xí)；支持向量機(jī)；半監(jiān)督學(xué)習(xí)；螢火蟲算法研究類型：應(yīng)用研究萬方數(shù)據(jù)Subject:FacerecognitionbasedonManifoldlearningsupptvectmachineSpecialty:AppliedMathematicsName:ZhaoYuanyuan(Signature)Instruct:SheXiangyang(Signature)ABSTRACTFacewithitsnaturali

5、ntuitivesafefastacteristicshasbecomeoneofthemostpromisingbiometricsrecognitiontechnology.Itsapplicationinsecuritysystemscreditcardverificationvideoconferencingpublicsecurityhavebecomearesearchhotspotinthefieldsofpatternr

6、ecognitionartificialintelligence.Howeverthecomplexityofhumanfacialstructurethediversityoffacialexpressionexplationofeffectivefeatureextractionalgithmsclassifierswithstronggeneralizationabilitybecomethenewchallengeoffacer

7、ecognitionsystems.Manifoldlearningasanewnonlineardimensionalityreductionmethodcaneffectivelyfindlowdimensionalnonlinearmanifolddataembeddinginhighdimensionalspacemininghiddenintrinsicinfmation.SupptVectMachine(SVM)basedo

8、nstructuralriskminimizationprinciplecanfindthebestcompromisebetweencomplexitylearningabilityofthemodelaccdingtosomeeffectivesampleinfmation.ithasstrongabilityofgeneralization.ThispapercombinesmanifoldlearningSVMapplyingt

9、otwomodulesffacerecognitionfeatureextractionclassification.Proposingtwoimprovedalgithmofmanifoldlearningfeatureextraction.usingthefireflyalgithmoptimizedparameterstosupptvectmachinefsimulationthevalidityofthealgithm.Them

10、aincontentsofthispaperasfollows:(1)Proposinganewalgithmwhichisbasedonlocallinearembeddingofthedynamicallydeterminingneighbhoodparameter.Thisalgithmcanautomaticallydetermiheneighbhoodofthedatapointbyusingthesinglechainclu