子空间特征提取及生物特征识别应用

论文摘要

生物特征识别经常需要处理高维数据,子空间特征提取算法可以降低数据的维数并获得最有利于识别的特征,因此在生物特征识别中具有广泛应用。主成分分析、线性鉴别分析、基于流形学习的方法以及基于稀疏表示的方法是几类比较流行的子空间特征提取方法。本文主要对子空间特征提取算法进行了研究,提出了一些新的子空间特征提取算法,并将其应用在生物特征识别中。本文研究了小样本下的线性鉴别分析方法。在分析得到直接线性鉴别分析与Fisher鉴别分析关系的基础上,提出归一化直接线性鉴别分析。在分析得到零空间线性鉴别分析与基于广义奇异值分解的线性鉴别分析关系的基础上,提出修改的零空间鉴别分析。人脸识别以及手指关节纹识别实验的结果证明了所提出算法的有效性。本文研究了基于流形学习的特征提取方法。为了同时利用局部散度矩阵零空间内和零空间外的信息,在非监督鉴别投影的基础上,提出完备非监督鉴别投影。为了同时利用局部信息、非局部信息和类别信息,并且有区别地对待局部信息和非局部信息,提出加权线性嵌入。所提出的算法在人脸识别、人脸表情识别、掌纹识别以及手指关节纹识别中取得了较高的识别率。本文研究了稀疏表示方法。为了获得具有更强鉴别信息的稀疏表示系数,将稀疏表示推广到高维特征空间,并利用核方法在高维特征空间进行稀疏表示,进而提出核稀疏表示。利用核稀疏表示得到的核稀疏表示系数,提出基于核稀疏表示的分类算法和核稀疏保持投影子空间特征提取算法。核稀疏保持投影在人脸识别和掌纹识别中表现出了不错的性能。

论文目录

• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 概述
• 1.2 子空间特征提取
• 1.2.1 主成分分析
• 1.2.2 线性鉴别分析
• 1.2.3 基于流形学习的方法
• 1.2.4 基于稀疏表示的方法
• 1.3 生物特征识别
• 1.3.1 人脸识别
• 1.3.2 掌纹识别与手指关节纹识别
• 1.4 本文研究工作概述
• 1.5 本文的内容安排
• 2 小样本下的线性鉴别分析方法
• 2.1 引言
• 2.2 线性鉴别分析（LDA）
• 2.3 解决LDA小样本问题的方法
• 2.3.1 Fisher鉴别分析（FDA）
• 2.3.2 直接线性鉴别分析（DLDA）
• 2.3.3 零空间线性鉴别分析（NLDA）
• 2.3.4 基于广义奇异值分解的线性鉴别分析（LDA/GSVD）
• 2.4 归一化直接线性鉴别分析（NDLDA）
• 2.4.1 DLDA和FDA的关系
• 2.4.2 DLDA的不足
• 2.4.3 NDLDA算法
• 2.4.4 实验结果与分析
• 2.5 修改的零空间线性鉴别分析（MNLDA）
• 2.5.1 一个温和条件
• 2.5.2 NLDA和LDA/GSVD的联系
• 2.5.3 MNLDA算法
• 2.5.4 MNLDA、LDA/GSVD和NLDA的比较分析
• 2.5.5 实验结果与分析
• 2.6 本章小结
• 3 基于流形学习的子空间特征提取方法
• 3.1 引言
• 3.2 几种基于流形学习的子空间特征提取算法
• 3.2.1 局部保持投影（LPP）
• 3.2.2 非监督鉴别投影（UDP）
• 3.2.3 局部鉴别嵌入（LDE）
• 3.3 完备非监督鉴别投影（CUDP）
• 3.3.1 CUDP基本思想
• 3.3.2 CUDP算法
• 3.3.3 实验结果与分析
• 3.4 加权线性嵌入（WLE）
• 3.4.1 WLE基本思想
• 3.4.2 参数的设置方法
• 3.4.3 与LDA和LDE的联系
• 3.4.4 WLE算法
• 3.4.5 实验结果与分析
• 3.5 本章小结
• 4 基于稀疏表示的子空间特征提取方法
• 4.1 引言
• 4.2 基于稀疏表示的分类（SRC）和稀疏保持投影（SPP）
• 4.2.1 稀疏表示
• 4.2.2 基于稀疏表示的分类（SRC）
• 4.2.3 稀疏保持投影（SPP）
• 4.3 基于核稀疏表示的分类（KSRC）和核稀疏保持投影（KSPP）
• 4.3.1 核稀疏表示
• 4.3.2 基于核稀疏表示的分类（KSRC）
• 4.3.3 核稀疏保持投影（KSPP）
• 4.3.4 实验结果与分析
• 4.4 本章小节
• 结束语
• 致谢
• 参考文献
• 附录