基于核机器学习的人脸识别若干算法研究

《基于核机器学习的人脸识别若干算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号学校代码10590UDC密级公开深圳大学硕士学位论文基于核机器学习的人脸识别若干算法研究学位申请人姓名赵阳专业名称数学学院（系、所）数学与统计学院指导教师陈文胜教授深圳大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明：所呈交的学位论文基于核机器学习的人脸识别若干算法研究是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律后果由本人承担。论文作者签名：日期：年月日基于核机器

2、学习的人脸识别若干算法研究摘要近二十年来，人脸识别技术在实际应用中取得了相当大的进步．由于人脸图像受到姿势、光照和遮挡等因素的影响，其数据往往呈现非线性分布，因而线性方法的性能会受到影响．为此，一些非线性方法被提出用来解决复杂分布的人脸识别问题,其中核方法得到广泛的应用．基于核的人脸识别算法中两个典型的算法是核主成分分析法(KPCA)和核非负矩阵分解法(KNMF)．然而传统的KPCA和KNMF算法都是无监督学习方法，即它们没有利用到训练样本中的类别信息，这在分类任务中会降低算法的识别性能．另外，目前基于核机器学习的NMF人脸识别算法中，都没有考

3、虑到核函数中的隐式非线性映射的非负性，因此这些核都是非负不相容的．本学位论文的目的就是要解决以上几个传统方法中存在的不足．本学位论文共分五章，第一章介绍了相关研究工作，第五章是总结与展望．本学位论文的贡献集中在第二章至第四章，主要做了以下三方面的工作．在论文第二章中，提出了一种有监督的基于核机器学习的主成分分析人脸识别算法．此算法中基于一个给定的带有类别信息的核矩阵，通过特征值分解，在训练样本集上定义一个非线性映射．该非线性映射通过插值技术将其成功定义在整个样本空间中，于是可以获得该非线性映射的具体表达式．本论文还从理论上证明了由此非线性映射的

4、内积产生的核函数是一个Mercer核函数．该有监督的核成功应用于核主成分分析法中，并且在ORL人脸数据库和FERET人脸数据库中进行实验．实验结果表明本论文提出的有监督的核主成分分析法有良好的识别效果．由于在经典的基于核的非负矩阵分解算法中，没有利用到训练样本上的类别信息，将会影响算法的识别能力．因此,本论文第三章提出了一种带有监督信息的核非负矩阵分解算法．该算法是基于核理论和判别式分析理论，建立一个新的融合判别式分析的非线性非负矩阵分解目标函数．由该目标函数得到一组新的迭代公式，并证明了目标函数在此迭代公式下是非增的．本章提出的有监督的核非负

5、矩阵分解算法成功的应用于人脸识别技术上，并在五个人脸数据库上完成实验．实验结果表明本章提出的有监督的核非负矩阵分解有更好的识别能力．论文第四章主要解决核非负分解方法的核非负相容性问题．由于目前核非负分I基于核机器学习的人脸识别若干算法研究解方法不能保证核函数中的隐式非线性映射的非负性，因此本论文第4章提出了一种构造非负相容核的方法．基于一个给定的核矩阵，利用对称非负矩阵分解，在训练样本集上定义一个非负非线性映射．再利用非负插值技术将其定义域扩展到整个样本空间上，从而获得该非负非线性映射的显式表达式．可以证明由此非负非线性映射的内积产生的函数是一

6、个非负相容的Mercer核．本章提出的非负相容核成功地应用于核主成分分析法和核非负矩阵分解算法，通过在ORL人脸数据库、疼痛表情人脸数据库和Yale人脸数据库上的实验结果可以看出，本章提出的非负相容核有助于增强算法的识别能力．关键词：人脸识别；主成分分析；非负矩阵分解；核方法；非负相容核IIResearchonFaceRecognitionAlgorithmsBasedonKernelMachineLearningAbstractOverthepasttwodecades,facerecognitiontechnologieshaveachie

7、vedgreatprogressinpractice.Thefacialimagesarealwaysnonlinearlydistributedduetocomplicatedvariationssuchasillumination,facialexpression,poseandsoon.Therefore,theperformancesoflinearmethodswillbenegativelyaffected.Inordertoextractnonlinearfacialfeatures,thekernelmethodsarewide

8、lyused.Twotypicalkernel-basedmethodsarekernelprincipalcomponentanalysis(KPC