39410字硕士毕业论文基于局部和全局加权视场统计不相关判别变换的人脸识别计算研究
论文类型：硕士毕业论文
论文字数：39410字
论点：鉴别,方法,样本
论文概述：
传统的统计方法用所有的样本均值来估计期望，计算出样本的协方差矩阵。通常样本的分布是不理想的，不满足高斯分布，这样的估计方法对少量的数据而言就会出现大的偏差。本文提出了一种
论文正文：
第一章导言
1.1研究背景和意义
人脸识别方法是模式识别和机器学习中的一个重要研究课题，也是近20年来的一个热点研究方向
参考
[1]边赵琪等.模式识别(第二版)[M]。清华大学出版社，2000.7。
[2]道格兰. j .虹膜识别是如何工作的[.IEEE http://sblunwen.com/tjzylw/图像处理国际会议，2002，14(l): 33-36。
[3]哈蒙·L·d .人脸机器识别[。模式识别，1981，13(2): 97-110。
[4]巴伦·R·j .人类面部识别机制。《国际人机研究杂志》，[，1981，15(2): 137-178。
[5]罗宾纳·勒，荣伯海。语音识别基础[。比勒陀利亚大厅，1993年。
[6]尼约吉，阿德尔森e .在XYT分析和识别行走人物。IEEE计算机学会计算机视觉和模式识别会议，1994: 469-474。
[7]张德，等.在线掌纹识别，IEEE模式分析与机器智能交易，2003，25(9): 1041-1050
[8]韩永福，孙振恩，王福，谭天恩.无约束场景下的掌纹识别[C]。《亚洲计算机视觉会议进程》，2007: 1-11。
[9]张乐，张乐，张德。指关节印:一种新的生物特征识别器[3 >，欧洲图像和图案国际会议记录，2009: 1981-1984。
[10]中国人民大学学报，威尔逊C . L .和西罗希s .人脸的人和机器识别:一项调查[J .IEEE会议录，1995，83(5): 705-740。-[16]。特征提取是人脸识别方法中最关键的一步。提取特征的质量直接影响分类决策的质量。特征提取方法主要分为线性判别分析和非线性判别分析。人脸识别的过程一般可以分为四个步骤:图像采集；预处理；特征提取；分类决策。图1.1示出了面部识别系统的框图。
1.1.1线性特征
提取方法在线性识别方法中，主成分分析(PCA)方法[17]旨在找到一组投影方向，使得在该组方向上投影后训练样本的总散度最大。然而，主成分分析法没有考虑样本的类别信息，识别性能不是很好。线性判别分析方法[18]考虑了样本的类别信息。LDA方法是找到一个投影方向，使原始样本投影后，尽可能多地收集相同的样本，尽可能多地分离不同的样本。刘[19]重新定义费希尔准则，并用全局散射矩阵代替种间散射矩阵。修正后的准则相当于费希尔准则。LDA方法的缺点是需要对类内散射矩阵求逆，但类内散射矩阵通常是不可逆的。解决这个问题通常有四种方法。第一种是弗里德曼的正则判别分析(RDA)[20]方法，该方法在类内散射矩阵中加入正则项，以确保其可逆性。第二种是贝尔胡默等人提出的鱼眼图(Fisherface)，这种方法分两个阶段处理问题。首先，使用主成分分析来降低训练样本的维数，并且构造新的类间散射矩阵和类内散射矩阵，以确保低维空中的类间散射矩阵是可逆的。然后用费希尔准则求解判别向量。第三是哈斯蒂的罚线性判别分析(PLDA)[21]。PLDA使用半正定对称矩阵来惩罚种间扩散矩阵，以确保其可逆性。这种方法优于RDA。第四种方法是豪兰提出的LDA/GSVD[22]算法，该算法通过广义奇异值分解求解最优辨识向量。福利和萨姆蒙兹提出了基于费希尔准则的福利-萨姆蒙判别分析方法[23。FSODV使用一组满足正交条件的最佳鉴别矢量迭代求解鉴别矢量，使鉴别矢量更具鉴别性。基于费希尔准则，金等人提出了一种统计不相关的最佳鉴别矢量集方法[24]。UODV使用迭代算法逐个求解最优鉴别向量，使得每个鉴别特征满足统计独立性。Foley-Sammon判别分析方法使判别向量正交，但得到的最优判别特征具有统计相关性，并且存在一些冗余信息。杨等人[25]分析了统计不相关判别向量的优势，并通过实验和理论证明了UODV获得的统计不相关判别向量比F-S判别分析获得的判别能量更强。Jing等人扩展了UODV的理论，提出了一种改进的UODV方法[26]。
sub 空之间的方法用于从二维图像样本中提取特征。通常，二维图像样本首先进行列矢量化(或行矢量化)以成为高维样本空之间的点，然后提取有效的识别特征。然而，这种方法不可避免地会破坏原始图像中像素之间的结构等信息。为此，杨等人提出了二维主成分分析(2DPCA)方法[27]，该方法不需要对每个样本进行列矢量化处理，直接计算整体离散矩阵，然后提取识别特征。由于二维主成分分析法采用2D矩阵法计算散射矩阵，不仅速度快，而且有效，引起了专家学者对2D判别分析的研究。受二维判别的启发，李等人提出了一种二维线性判别分析方法[28]。在不处理样本列向量的情况下，直接计算类间散射矩阵和类内散射矩阵，并基于Fisher准则求解最优投影向量。2DLDA克服了小样本问题，大大提高了提取投影向量的速度。这是2D判别分析的一种代表性方法。
第二章相关基础知识
2.1线性特征提取技术
特征提取和选择是模式识别系统中最重要的环节。特征提取的质量直接影响模式识别的识别效果。如何从原始输入数据中提取最有效的特征来降低原始数据的维数，提高分类性能是人脸识别系统的重要任务之一。本节将介绍几种有代表性的线性特征提取技术，即主成分分析(PCA)、线性判别分析(LDA)、二维主成分分析(2DPCA)、二维线性判别分析(2DLDA)、F-S线性变换(FSODV)和统计不相关判别变换(UODV)。
2.1.1主成分分析
主成分分析(PCA)本质上是一种典型的子空方法，它使用像素之间的统计相关性。主成分分析是千升变异。目标是获得一组单位正交投影向量。原始样本的散度在向量集的投影下最大化。这组投影向量彼此正交。投影后，不仅可以消除原始样本的相关性，而且可以在最小信息损失的基础上降低原始样本的维数。核函数理论的最早出现可以追溯到1909年。美世在泛函分析中提出了再生核理论和再生核希尔伯特空之间的一种研究方法。Aronszajn等人在1950年完善了再生核理论。然后核函数在1964年被应用，艾泽曼等人在研究势函数时将其应用到机器学习领域，并证明了其收敛性。该方法大大提高了学习效果，促进了核理论和机器学习研究的发展。Vapnik在1992年将潜在函数扩展到支持向量机。高维空的内积也是核函数的本质，它对应于高维空之间的投影特征映射。此外，许多核方法以前都是基于单核学习的。所谓单核学习就是在研究过程中只使用一个核函数。近年来，随着对核方法的不断深入研究，索南伯格等人提出了多核学习的概念[52]，即通过加权多核函数获得核矩阵。多核学习比单核学习有两个优势:一是多核学习可以提高识别效果；其次，多核学习在多个数据源中使用不同的内核函数，这使得它更加健壮。目前，核函数方法已经应用于人脸识别、机器学习、矿产勘查、信号识别、经济数据分析和预测等地方。人脸图像通常是高维的，并且经常表现出线性不可分性，这是难以用线性方法解决的。此时，需要非线性特征提取方法。非线性特征提取方法旨在将原始样本空投影到高维空中，使得原始不可分离样本在高维特征空中变得线性可分离。我们称这种基于核的判别分析方法为非线性方法。图2.1显示了两种类型的样本在输入空之间是线性可分离的，但是当映射到高维特征空时，它们是线性可分离的。
基于本地和全球权重的第三章统计....19
3.1基于局部统计不相关的判别变换....19
3.2基于加权全局统计不相关的判别变换....22
3.3实验和分析.......23
3.3.1实验数据库.......23[/溴/]3.3.2参数设置.........24
3.3.3实验结果和分析.........25
3.4本章摘要.........27
第4章基于地方和全球加权统计......28
4.1局部和全局加权核统计不相关鉴别变换.......28
4.2基于局部和全局加权的二维统计不相关........31
4.3实验和分析.......35
4.3.1实验数据库.......35
4.3.2参数设置.........35[/溴/]4.3.3实验结果和分析.........35
4.4本章摘要........40
第5章基于局部和全局权重的统计不相关方法...41
5.1基于局部统计不相关方法的多任务学习...41
5.2基于全局加权的统计不相关方法.........44
5.3实验和分析.......46
5.4本章摘要.........51
结论
传统的统计方法使用所有样本平均值来估计期望值和计算样本的协方差矩阵。一般来说，样本分布不理想，不满足高斯分布，因此对于少量数据，估计方法会有较大偏差。为此，提出了基于局部和全局加权的均值方法，并提出了基于局部和全局加权的统计不相关鉴别变换方法，以更好地消除鉴别特征的冗余。基于不相关的局部和全局加权统计量，考虑到人脸图像样本的线性不可分性，提出了一种局部和全局加权核统计不相关鉴别变换。该方法有效地使子类易于区分，取得了良好的识别效果。传统的UODV方法采用主成分分析法来降维和解决奇异性问题，但丢失了一些有用的信息。基于局部和全局权重的统计独立性，我们还提出了局部和全局权重的统计独立性二维判别变换。该方法不仅有效地提取了识别特征，而且节省了训练时间。实验结果也优于LUDT法和WGUDT法。当样本信息较少时，传统的特征提取方法效果不佳。我们可以使用其他数据库中的有用信息分别从多个数据集提取特征，并使用多个数据集之间的相似知识和数据来提高识别率。本文采用局部统计不相关方法求解判别变换。基于这种变换，解决了其他数据库的判别变换，使得它们满足正交性约束。实验结果证明，本文提出的基于LUDT和WGUDT算法的多任务学习有助于提高识别性能。
[10]