基于稀疏表示人臉?lè)诸?lèi)和聚類(lèi)

《基于稀疏表示人臉?lè)诸?lèi)和聚類(lèi)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、Universit)ofSciencendTechnologyofChinaUmverslWOt5clenceandechnologv11in&AdissertationformasterdegreeSparseRepresentationbasedFaceClassificationandClusteringAuthor：Can—YiLuSpeciality：PatternRecognition＆IntelligentSystemn’buDervlsor：FinishedTimeinishdime：：Prof．De-ShuangHuangMay)2

2、012中國(guó)科學(xué)技術(shù)大學(xué)學(xué)位論文原創(chuàng)性聲明本人聲明所呈交的學(xué)位論文，是本人在導(dǎo)師指導(dǎo)下進(jìn)行研究工作所取得的成果。除己特別加以標(biāo)注和致謝的地方外，論文中不包含任何他人已經(jīng)發(fā)表或撰寫(xiě)過(guò)的研究成果。與我一同工作的同志對(duì)本研究所做的貢獻(xiàn)均已在論文中作了明確的說(shuō)明。作者簽名：簽字日期：墊墜曼!!!中國(guó)科學(xué)技術(shù)大學(xué)學(xué)位論文授權(quán)使用聲明作為申請(qǐng)學(xué)位的條件之一，學(xué)位論文著作權(quán)擁有者授權(quán)中國(guó)科學(xué)技術(shù)大學(xué)擁有學(xué)位論文的部分使用權(quán)，即：學(xué)校有權(quán)按有關(guān)規(guī)定向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱，可以將學(xué)位論文編入《中國(guó)學(xué)位論文全文數(shù)據(jù)庫(kù)》等有關(guān)數(shù)據(jù)

3、庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存、匯編學(xué)位論文。本人提交的電子文檔的內(nèi)容和紙質(zhì)論文的內(nèi)容相一致。保密的學(xué)位論文在解密后也遵守此規(guī)定。／^砂公開(kāi)口保密年作者簽名：≠鰲髫簽字日期：勁12、“h毒臌名：絲絲揪．簽字日期：2組．：受。摘要稀疏表示是近年出現(xiàn)的一種新穎且熱門(mén)的技術(shù)，受到很多研究者的廣泛關(guān)注。其目前己被廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)，包括人臉識(shí)別、聚類(lèi)、維數(shù)約減和圖像高分辨率重建等。在人臉識(shí)別中，稀疏表示分類(lèi)器已經(jīng)被證實(shí)對(duì)于圖像污染有很強(qiáng)的魯棒性且對(duì)于具體的特征提取方法并不敏感。在本文中，我們將圍繞稀疏表示技術(shù)，研究模式識(shí)別中的

4、三個(gè)經(jīng)典問(wèn)題，包括分類(lèi)、維數(shù)約減和子空間分割(或子空間聚類(lèi))，并在人臉數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)測(cè)試。相應(yīng)地，本文的主要貢獻(xiàn)包括：(11對(duì)于分類(lèi)問(wèn)題，我們首先回顧了稀疏表示分類(lèi)器和最近特征分類(lèi)器，包括最近鄰、最近線、最近面和最近子空間。我們將最近特征分類(lèi)器描述成一般化的最優(yōu)化問(wèn)題，以便更容易了解最近特征分類(lèi)器和稀疏表示分類(lèi)器之間的關(guān)系?？紤]稀疏表示分類(lèi)器和最近特征分類(lèi)器所利用的判別信息，我們提出了局部化加權(quán)的稀疏表示分類(lèi)器，這是稀疏表示分類(lèi)器的一種直接推廣，不同的是其線性表示會(huì)變得局部化。因此加權(quán)的稀疏表示分類(lèi)器可以同時(shí)利用數(shù)據(jù)的局部性和相關(guān)性信息。我們?cè)赮al

5、eB和AR兩個(gè)人臉數(shù)據(jù)集及多個(gè)UCI數(shù)據(jù)庫(kù)上的數(shù)據(jù)集進(jìn)行測(cè)試，結(jié)果顯示，我們提出的加權(quán)的稀疏表示分類(lèi)器比稀疏表示分類(lèi)器更有效。(2)對(duì)于維數(shù)約減問(wèn)題，我們提出了一種監(jiān)督的降維方法，稱(chēng)為優(yōu)化的稀疏表示投影，這是一種基于稀疏表示分類(lèi)器的降維方法。優(yōu)化的稀疏表示投影是根據(jù)稀疏表示分類(lèi)器的決策規(guī)則設(shè)計(jì)的，其目標(biāo)是，對(duì)于訓(xùn)練樣本，減小類(lèi)內(nèi)樣本的表示殘差，并同時(shí)增大類(lèi)間樣本的表示殘差。因此優(yōu)化的稀疏表示投影能更好地和稀疏表示分類(lèi)器進(jìn)行匹配，以便在變換后的子空間具有更強(qiáng)的判別性。我們?cè)赮ale、ORL和UMIST這三個(gè)人臉數(shù)據(jù)集上進(jìn)行了充分的測(cè)試，結(jié)果顯示，和多個(gè)

6、經(jīng)典的方法相比，優(yōu)化的稀疏表示投影總能取得最高的識(shí)別率。(3)對(duì)于子空間分割問(wèn)題，我們首先回顧了最近的四種子空間分割方法，包括稀疏子空間聚類(lèi)、低秩表示、多子空間表示和基于二次規(guī)劃的子空間分割算法。這四種方法都是基于譜聚類(lèi)框架的，其目的都在于學(xué)習(xí)一個(gè)好的相似度矩陣或構(gòu)圖矩陣。我們首先從理論上進(jìn)行了分析，證明了當(dāng)數(shù)據(jù)采樣摘要充分且準(zhǔn)則函數(shù)滿足一定條件時(shí)，在子空間獨(dú)立條件下，我們總能獲得塊對(duì)角化的構(gòu)圖矩陣。進(jìn)一步地，如果子空間正交，我們不要求數(shù)據(jù)采樣充分。而已有的四種方法都是特例?？紤]到數(shù)據(jù)的子空間結(jié)構(gòu)，當(dāng)數(shù)據(jù)采樣較充分時(shí)，其必有很強(qiáng)的相關(guān)性，這要求子空間

7、分割算法要有較強(qiáng)的聚集能力，以便將相關(guān)性強(qiáng)的樣本聚集在一起。因此我們提出了基于粵。范數(shù)的最小二乘回歸算法，其能有效地利用數(shù)據(jù)的相關(guān)性，聚集相關(guān)性強(qiáng)的樣本。進(jìn)一步地，為適應(yīng)不同程度相關(guān)性的數(shù)據(jù)，我們結(jié)合了稀疏子空間聚類(lèi)和最小二乘回歸算法，提出了彈性子空間分割算法，以更好地對(duì)不同類(lèi)型的數(shù)據(jù)進(jìn)行建模。最后我們?cè)贖opkins155運(yùn)動(dòng)數(shù)據(jù)及YaleB人臉數(shù)據(jù)集上進(jìn)行了充分測(cè)試，結(jié)果顯示，彈性子空間分割算法往往取得最好的分割效果，但其不足在于計(jì)算最耗時(shí)。而最小二乘回歸的結(jié)果與彈性網(wǎng)接近，且具有很高效的解析解。、關(guān)鍵詞：人臉識(shí)別，稀疏表示，分類(lèi)，維數(shù)約減，子空

8、間分割I(lǐng)IABSTRACTSparserepresentationisanovelandhottechniq