基于張量的特征提取技術研究.pdf

1、特征提取是模式識別研究領域中一個基本的問題，同時也是該領域的研究熱點之一。在模式識別中，如何提取有效特征或關鍵特征是提高識別率的一種有效途徑。在基于圖像的識別領域，尤其是人臉識別中，原始樣本的數(shù)目較少而維數(shù)相當高，如何在提取關鍵特征的同時，對樣本進行降維與識別是當前模式識別研究的熱點問題。
　　在當前人臉特征提取中，代數(shù)特征提取方法得到了廣泛的應用。其基本思想是將原始模式映射（或投影）到一低維本征子空間，以得到在某個標準下最能反映

2、模式本質(zhì)的低維特征。本文研究了人臉識別中代數(shù)特征提取方法的幾種經(jīng)典理論，并在這些經(jīng)典理論的引導下，提出了兩個基于特征學習的人臉識別方法。本文的主要工作可歸納如下:
　　(1)本文對常用的代數(shù)特征提取技術進行了簡要的介紹和總結，同時詳細介紹了幾種代數(shù)特征提取的經(jīng)典方法。之后詳細介紹了張量表示的相關理論以及有關稀疏表示的幾種線性回歸模型。
　　(2)本文針對線性鑒別分析(LDA)及局部保留投影(LPP)算法的各自原理以及優(yōu)缺點，

3、介紹了一種改進算法:局部Fisher判別分析(LFDA)?；贚FDA算法的原理和張量表示的框架，本文提出一個新算法:多線性局部Fisher判別分析(MLFDA)。該方法較傳統(tǒng)的LFDA能更好的保留圖像的張量空間結構特征，在多個人臉數(shù)據(jù)庫上的實驗效果較經(jīng)典算法相比都有較大提升。
　　(3)本文結合張量表示和稀疏表示，在局部Fisher判別分析的基礎上提出了一種基于稀疏張量的特征提取方法:稀疏局部多線性Fisher判別分析(MSLF