模式识别读书报告.doc

《模式识别读书报告.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、.模式识别研读报告学院：*******姓名：*******学号：*******论文出处：HongjunJiaandAleixM.Martinez.SupportVectorMachinesinFaceRecognitionwithOcclusions.Proc.ofCVPR,2009...《基于SVM的闭塞人脸识别》的研读报告1、问题提出：作者提出支撑向量机（SVM）在人脸识别中是非常有用技术，但是作为定义样本的特征向量丢失时，SVM不起作用。这篇文章提到，当人脸部分发生遮挡时，特征向量的数据就会丢失。支撑向量机的目标就是找到两类之间的最大空白区

2、域。由于不知道采取哪个子空间的测试矢量，这与最小化类超平面和子空间之间的重叠区域是对等的。然而得到的解与获得的使空白区域最大化的可视数据存在矛盾，为了解决这个问题，作者定义一个标准，最大化地减少重叠概率，并且有效解决优化问题。作者还用丰富的实验，证该方法在温和条件下，能够保证全局最小误差。2、传统人脸识别技术的缺陷：作者提出，基于外观为基础的人脸识别技术在计算机算法里已经相当成功。支撑向量机（SVM）已经作为一种将图像的像素值重新形成向量，然后应用于分类中。外观为基础的算法的缺点是，当脸部外观被遮挡时，它不能直接使用。因为在这种情况下，被遮挡的尺

3、寸是未知的。作者提出了目前为止解决面部遮挡问题的方法并对他人的方法进行评价。即用没有遮挡的脸部来学习脸部的外观表示，当需要识别有遮挡的脸部时，仅识别可见的共同部分。这种方法可以通过子空间技术和稀疏表达来实现。但是这种方法不能从闭塞的图像中处理模型重建。为了说明情况，作者展示了3个场景中人脸识别应允的真实图像。组1：研究最多的，即非闭塞面孔做训练，闭塞图像做测试。组2：闭塞和非闭塞面孔作为训练。组3：仅仅是闭塞面孔作为训练。作者的方法基于组3，即用闭塞面孔作为训练。..3、作者算法的提出：这篇文章，作者推导出能适用以上3种情况的SVM判别准则。作者

4、的方法与经典SVM不同之处在于经典的标准SVM在以上3中情况都不能被适用。因为经典SVM假设所有特征可见。作者推导准则对缺失成分的样本和测试特征向量适用，为了区分经典SVM，作者命名为偏支撑向量机（PSVM）。与经典SVM类似，PSVM的目标也是尽可能区分超平面中两类样本。与传统SVM不同的是PSVM会受到不完整数据的限制。在作者提出的PSVM中，作者将全部缺失训练样本的所有可能值作为特征空间中的一个映射空间，以此来设计使得仿射空间和分离平面重叠概率最小的判别准则。为了实现模型，作者将仿射空间和超平面之间的角度公式化。在温和条件下，目标函数具有全

5、局最优解，前提是判别准则所定义的凸区域靠近原点。3.1作者算法的详细过程：为了突出自己的算法，作者先简单引述经典SVM算法，并说明经典SVM的不足，经典SVM的约束条件为：公式1作者指出，当一些特征丢失时，有些距离无法计算，一种解决的办法就是在使用SVM之前填补这些空白数据。然而由于这些数据无知，如果填补错误将导致更坏的结果。作者的思想就是将这些缺失的数据的所有可能情况作为一个单元，并能在映射空间中正确分类。这意味着超平面与所有的不完整数据组成的映射空间平行。..为了说明以上观点，作者用图2进行说明，加入的P3向量有一个数值丢失，丢失的数值可能是

6、p31,p32,p33,对于经典SVM，每个值都会给一个超平面。然而我们发现，任何一个给出的超平面都无法正确分类。为解决以上问题，作者侧重于在概率条件下对正确部分数据进行分类。超平面和映射空间之间的夹角：特征向量所缺失的元素定义在映射空间中，在映射空间中能给正确分类的超平面概率依赖于：1、映射空间与超平面的关系；2、缺失元素分类结果。作者用图3说明，如果超平面和映射空间不平行，映射空间将被分为S1,S2，缺失的可能值在S1中会被正确归类，而在S2中则错误归类。因此可以计..算在映射空间S中正确分类的超平面概率为：公式2q∈S.p(q)概率密度函数

7、；基于上述模型，目标就是最小化类中样本最有可能值间的重叠概率，阻止超平面割裂丢失项的值。为了计算概率，作者假设样本数据服从高斯分布，P（q）∈N（X，σ）。最大化PCC等同于最大化D（X，Q0）。注意到，固定的样本空间，超平面和映射子空间S的夹角θ（S，L）与D（X，Q0）成反比关系，因此θ（S，L）与X向量丢失元素的可能值相关。目标函数：为了解决数据不完整问题，作者先为每一个样本向量定义闭塞遮掩，如果中的特征被遮掩，则为0，否则为1。映射空间由所有不完整的样本组成，超平面L区分两类由约束：公式3映射空间和超平面L之间的夹角θ（,L）由下式给出：

8、公式4将所有的夹角取权重和：，为权重值，当不完整时取正，否则为0。为了获取最大可能的PCC，应该最大化。类似经典SVM算法，作者给出解模