線性降維算法研究及其在人臉識別中的應用.pdf

1、隨著計算機技術的發(fā)展，在各種領域如計算機視覺、人臉識別、生物信息以及醫(yī)學上都面臨著高維數(shù)據(jù)的難題。高維數(shù)據(jù)中往往包含了冗余信息和噪聲。數(shù)據(jù)降維是將高維數(shù)據(jù)投影至低維空間并保持數(shù)據(jù)本身固有的結構，在過去幾十年里被眾多學者不斷地研究并取得了很大進展。在人臉識別中，人臉圖像往往由于受到光照，表情和姿勢的影響而難以識別，降維算法可以提取人臉圖像中有效特征，去除其中的冗余和干擾，提高識別率。
　　本文的主要研究內(nèi)容包括自適應平均鄰域邊界最大

2、降維算法(AANMM)以及該算法在人臉識別中的應用，具體內(nèi)容如下:
　　(1)針對模式識別應用中原始樣本數(shù)據(jù)中含有冗余特征以及噪聲導致歐式距離不能準確地度量樣本間相似度的問題，提出一種自適應平均鄰域邊界最大化降維算法(AANMM)。該算法通過迭代學習得到一個最優(yōu)子空間，然后在這最優(yōu)子空間中自適應地為每個樣本選取近鄰樣本點。由于原始數(shù)據(jù)被投影到最優(yōu)子空間中，那么當中包含的冗余變量和噪聲已經(jīng)被去除。因此在最優(yōu)子空間中為每個樣本尋找的近

3、鄰點將會比在原始空間中尋找更加準確，為后續(xù)計算同類以及異類樣本之間的距離打下基礎，從而提高模型的魯棒性。在6種UCI數(shù)據(jù)集上實驗，AANMM相比較于傳統(tǒng)算法均有較好的提高。在物體數(shù)據(jù)集Coil20上進行實驗，AANMM的平均識別率在不同維度的子空間中均有很好的提升。
　　(2)針對人臉識別中的特征提取算法，我們將AANMM算法應用于人臉識別中，并在YALE和AT&T人臉數(shù)據(jù)集上與其他幾種傳統(tǒng)算法進行了對比試驗驗證，結果表明我們的算