平衡类鉴别分析特征提取算法研究

《平衡类鉴别分析特征提取算法研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、平衡类鉴别分析特征提取算法研究第一章绪论1.1课题研究背景随着信息化时代的到来，人们越来越注重保护个人隐私、维护个人信息安全。目前，我国的个人信息保护的现状面临着极其严峻的形势。由于账号被盗导致的诈骗行为层出不穷，不法分子冒充公安机关从事金融诈骗或者伪造他人信用卡窃取他人钱财的例子也不少见。这些问题的出现都是因为无法确认个人身份而造成的，给公众和社会稳定带来了很多困扰和不安。因此，如何准确地鉴定一个人的身份，保护个人隐私、维护个人信息安全是一个必须解决的社会问题，我们应该对该问题给以足够的重视和关注。生物特征识别技术因其具

2、备便捷、安全的优势，已被大量研究并广泛应用于社会上的各行各业。该技术通过利用人体独一无二的特征来区别不同的个体。所谓生物特征识别，是指借助计算机技术，采集人的生物特征（生理特征或行为特征[1-3]）样本，然后通过将不同个体的特征进行匹配来识别个体。上面提到的生理特征是指人与生俱来的特征，比如人脸、指纹、指关节、掌纹、虹膜和语音等，这些特征主要是受遗传因素的影响。而行为特征是指人出生以后由于习惯或者是受其他环境因素影响形成的，比如字迹、步态、击键节奏等。需要指出的是，并不是所有的生物特征都适合被用来进行个体识别，一般来说，适

3、用于个体识别的生物特征必须具有以下几种特征[4]：(1)普遍性：该类生物特征是每个个体都普遍具备的。比如，通常情况下，人人都拥有人脸、指纹和掌纹等特征；(2)稳定性：在一定的时间范围内，该类生物特征相对稳定，基本不发生改变或者变化比较小。一般而言，人脸、指纹和掌纹等特征在一定时期内几乎不会产生变化；(3)独特性：对于每个个体而言，该类生物特征必须是独一无二的。不同的个体可能会存在类似的人脸、指纹和掌纹等特征，但是这些特征还是存在一定的本质差异性的；(4)可采集性：从操作的便捷性考虑，该类生物特征的采集难度应当适中；(5)安

4、全性：从安全角度来考虑，这种生物特征必须不容易被仿冒。.......1.2鉴别分析方法在生物特征提取和分类技术中，子空间学习是使用最广泛的方法，已被广泛应用在模式识别领域。子空间学习方法是将样本从高维特征空间投影到一个低维特征空间，使得样本在这个低维的特征空间容易被区分开来。针对LDA得到的鉴别向量具有一定的冗余性的问题，Foley和Sammon提出了Foley-Sammon鉴别分析(FSODV)方法[44]，该方法的思想是，通过添加正交约束，使得投影向量彼此正交，消除冗余信息的干扰，其识别与分类性能优于LDA方法。统计不

5、相关的最佳判别矢量集（UODV）方法[45]通过加入统计不相关约束来提取统计不相关的特征，比FSODV得到的特征的鉴别性能更佳。Jing等人借鉴了UODV的思想，并对其进行改进，提出了一种改进的UODV方法[46]。当然，还有很多其他的鉴别分析方法，比如Friedman提出的正则鉴别分析(RegularizedDiscriminantAnalysis，RDA)[47]方法，Hastie等人提出的惩罚的线性鉴别分析(PenalizedLDA，PLDA)[48]方法，Sugiyama提出的局部Fisher鉴别分析（localF

6、isherdiscriminantanalysis,LFDA）[49-50]方法，Zhao等人提出的局部鉴别投影（localdiscriminantprojection,LDP）[51]方法，DA）[52]方法，以及其他学者提出的随机采样LDA（RandomSamplingLDA，RLDA)[53-54]方法，多重LDA（MultipleLDA,MLDA）[55]方法和平衡类鉴别分析[38]方法等。.......第二章相关算法介绍2.1主成分分析主成分分析是一种经典的线性特征提取方法。Kirby和Sirovich指出，任何

7、人脸图像均可以使用特征图像经济地表示，即任何人脸图像均可以使用其中较少部分特征图像以及这些特征图像上的投影来近似地逼近。基于此，PCA应运而生。PCA通过求解训练样本的总体散度矩阵的特征值问题，从原始复杂冗余的数据中提取出最具代表性的特征（称为主元），从而实现数据降维。简而言之，PCA寻求的是一个低维表示空间，并能够最大可能地保持样本之间的差异性，旨在解决数据空间维数过高的问题。但是，PCA方法没有考虑到样本的类别信息，是一种典型的无监督学习方法。主成分分析主要有两大优点：（1）各主成分之间互相正交，投影后可消除原始样本之

8、间的相关性；（2）少量的主成分包含大多数信息，从而达到维数约简和模型简化的目的。下面，我们详细介绍PCA的具体实现思路。......2.2线性鉴别分析和局部Fisher鉴别分析线性鉴别分析（LDA）方法的思想是，寻找一个最佳投影变换，使得原始样本经投影后，异类样本间的距离最大化，同时同类样本间的距离最小