基于矩陣低秩近似的人臉識(shí)別方法研究.pdf

1、人臉識(shí)別的主要任務(wù)是提取人臉數(shù)據(jù)的有效特征,再利用這些有效特征,將人臉數(shù)據(jù)劃分為相應(yīng)的模式類(lèi)別。其中特征提取是人臉識(shí)別的關(guān)鍵點(diǎn),有效的特征提取方法不僅可以簡(jiǎn)化后續(xù)的分類(lèi)器設(shè)計(jì),而且能夠提高人臉的識(shí)別率。本文主要研究了基于矩陣低秩近似的人臉特征提取方法,重點(diǎn)從以下三方面展開(kāi)研究:
　　(1)全面介紹現(xiàn)有的低秩近似方法,其中包括基于向量和基于矩陣的低秩近似?；谙蛄康牡椭冉品椒ㄖ饕?奇異值分解(SVD)、主成分分析(PCA)、線

2、性判別分析(LDA)和局部保持投影(LPP);基于矩陣的低秩近似方法有:二維主成分分析(2DPCA)和矩陣的廣義低秩逼近(GLRAM)。
　　(2)提出了一種矩陣廣義低秩逼近的新的非迭代算法(NGLRAM)。針對(duì)GLRAM算法需要多次迭代來(lái)獲得左右投影變換矩陣,需要大量的訓(xùn)練時(shí)間,本文利用2DPCA算法通過(guò)協(xié)方差矩陣獲得右投影變換矩陣,進(jìn)一步對(duì)其投影特征矩陣降維獲得左投影變換矩陣,提出GLRAM算法的一種非迭代算法。最后在ORL和

3、AR人臉數(shù)據(jù)庫(kù)的實(shí)驗(yàn)研究表明,新的非迭代算法在圖像重建和圖像識(shí)別都取得了和GLRAM的迭代算法相近的效果,同時(shí)節(jié)省了大量的訓(xùn)練時(shí)間,而較2DPCA,新算法以較大的壓縮率取得更好圖像重建效果和識(shí)別率。
　　(3)提出了一種GLRAM與SLPP(監(jiān)督的局部保持投影)相結(jié)合的人臉識(shí)別方法。先使用GLRAM算法對(duì)于人臉圖像進(jìn)行降維,刪除人臉圖像固有的冗余,獲取人臉數(shù)據(jù)的有效特征,進(jìn)一步利用SLPP對(duì)這些有效特征繼續(xù)降維來(lái)獲得人臉的局部有效