基于LDA的特征提取及其在人臉識(shí)別中的應(yīng)用.pdf

1、數(shù)據(jù)降維是特征提取過(guò)程中的關(guān)鍵技術(shù)，由于用于人臉圖像表示的數(shù)據(jù)都是高維的，所以通常為導(dǎo)致“維數(shù)災(zāi)難”問(wèn)題。為了克服上述問(wèn)題，對(duì)高維數(shù)據(jù)進(jìn)行降維處理就成了非常重要的一個(gè)步驟。數(shù)據(jù)降維方法在與人臉圖像特征提取方法結(jié)合中，基于子空間的降維方法最為廣泛使用，而其中基于線性判別分析的方法（LDA）成為近年來(lái)人們研究的熱點(diǎn)。然而，由于傳統(tǒng) LDA方法的可分離準(zhǔn)則并未直接與輸出子空間分類(lèi)的精確性相關(guān)，因此，降低了 LDA算法的性能。針對(duì)以上幾個(gè)問(wèn)題，

2、本文具體的研究?jī)?nèi)容主要分為以下三個(gè)部分：
　?。?）分析比較常見(jiàn)的人臉圖像降維方法
　　數(shù)據(jù)降維算法可以分為線性和非線性?xún)纱箢?lèi)。線性的數(shù)據(jù)降維方法因其簡(jiǎn)單的執(zhí)行而受到廣泛應(yīng)用。本文從理論上分析兩大類(lèi)降維方法，并結(jié)合人臉圖像數(shù)據(jù)自身的特性分析出各種降維方法的性能優(yōu)劣。
　?。?）對(duì)線性判別分析（LDA）及其擴(kuò)展方法進(jìn)行研究
　　LDA方法是通過(guò)對(duì)Fisher準(zhǔn)則函數(shù)求極值獲得的最佳投影方向。然而，作為其基礎(chǔ)的離散度

3、矩陣在高維小樣本中往往不可逆(奇異)，使傳統(tǒng)LDA無(wú)法直接計(jì)算。因此，對(duì)LDA的類(lèi)內(nèi)離散度矩陣和類(lèi)間離散度矩陣進(jìn)行研究。研究方式有以下幾種：a、通過(guò)PCA降維預(yù)處理，使降維后的類(lèi)內(nèi)離散度矩陣可逆；b、對(duì)類(lèi)內(nèi)離散度矩陣和類(lèi)間離散度矩陣加權(quán)處理；c、通過(guò)核函數(shù)先將原始的數(shù)據(jù)投影到高維的非線性空間，然后再執(zhí)行特征提取。通過(guò)以上研究方式，并結(jié)合實(shí)驗(yàn)分析出線性判別分析（LDA）及其擴(kuò)展方法在不同人臉數(shù)據(jù)庫(kù)上性能的差異。
　?。?）將各種特征

4、提取方法所得特征分別用于最小距離分類(lèi)器、KNN分類(lèi)器、SVM分類(lèi)器進(jìn)行分類(lèi)性能研究
　　由于不同的人臉數(shù)據(jù)庫(kù)所具有的特點(diǎn)不同，所以采取多種分類(lèi)方法進(jìn)行研究。將各種特征提取方法所得的特征矩陣，分別用于這三種具有代表性的分類(lèi)器中進(jìn)行訓(xùn)練，并通過(guò)實(shí)驗(yàn)來(lái)比較各種分類(lèi)方法的優(yōu)劣，找出造成分類(lèi)性能高低不同的原因。
　　本文對(duì)線性判別分析算法進(jìn)行改進(jìn)，提出一種改進(jìn)的LDA算法。該算法將樣本的類(lèi)間距離進(jìn)行標(biāo)準(zhǔn)化，即在樣本類(lèi)間離散度的定義中只