论文部分内容阅读
局部保持的典型相关分析(LPCCA)是一种能够解决大量非线性问题的新型算法。它通过局部线性的方法达到解决非线性问题的目的,不但能保持各样本集的局部结构信息,而且能够得到两组样本之间的最大化相关信息。本文将LPCCA应用于人脸识别,讨论其用于人脸识别的有效性,基于LPCCA的原理提出了一些改进算法,旨在提高其用于人脸识别时的识别率。本文的工作内容分为以下几点:(1)LPCCA在人脸识别中的应用。为了得到LPCCA和新提出的算法进行特征融合所需的样本集,本文使用了主成分分析和二维离散小波变换两种方法对原图像进行特征抽取。通过人脸识别实验,讨论了LPCCA在人脸识别应用中的有效性,并分析了LPCCA算法的不足,提出了改进的方向。(2)改进的局部保持典型相关分析。本文基于LPCCA的理论,通过引入类信息的方式,提出了改进的局部保持典型相关分析(ILPCCA)。ILPCCA不但能够保持类内样本之间的局部结构信息,而且还能得到两组样本之间的最大化相关信息。人脸识别实验表明ILPCCA具有较高的识别性能。(3)改进的局部判别型典型相关分析。本文基于判别型CCA(DCCA)和局部判别型CCA(LDCCA)的思想,并充分引入类别信息,提出了改进的LDCCA(ILDCCA)。ILDCCA不但能够保持类内样本之间的局部结构信息,而且能实现同类样本之间相关最大化,不同类样本之间相关最小化。实验表明,ILDCCA具有较高的识别率和稳定性。(4)样本近邻参数的确定。与局部保持映射(LPP)和LPCCA等算法一样,ILPCCA和ILDCCA同样存在给定样本近邻参数的问题,本文通过对实验结果的分析给出了经验值。