進化特征提取算法及其在人臉和表情識別中的應用研究.pdf

1、特征提取是模式識別中的一個關鍵步驟。提取包含豐富判別信息的特征對于模式識別系統(tǒng)來說，具有非常重要的意義。而且，近年來，隨著生物特征識別技術和相關應用的發(fā)展，對特征提取算法又提出了更高的要求。目前，廣泛使用的特征提取算法是基于統(tǒng)計理論的一類算法，比如主成分分析和線性判別分析。盡管這些方法在實際應用中取得了不錯的效果，但是仍然存在一些問題有待進一步研究和解決。本文針對其中的（1）小樣本問題，（2）特征空間的維數確定問題，以及（3）適用于高維

2、數據的特征提取算法等進行了研究?；谶z傳算法，本文提出了一系列新的特征提取算法。把這類算法統(tǒng)一稱為進化特征提取算法。它們較好的解決了上述問題，并且做出了一些有益的探索。本文的主要貢獻包括以下幾個方面：（1）同時從降低原始數據維數和修改線性判別分析的求解過程兩個角度出發(fā)解決小樣本問題。利用核主成分分析作為數據預降維方法，并利用遺傳算法迭代搜索最優(yōu)判別矢量，本文給出了一種新的基于遺傳算法的KPCA+LDA 算法。（2）提出了通過線性組合原始

3、空間的基向量生成投影基向量的方法。基于這種方法，結合線性判別分析準則，本文給出了一種具體的基于向量線性組合的進化特征提取算法（LDA-LCEFE）。（3）基于支持向量機的最大化分類空隙的思想，本文提出了一種新的評價特征空間的方法。據此，我們還給出了一種具體的計算方法，得到了一種新的進化特征提取算法（SVM-LCEFE）。（4）通過在遺傳算法的適應度函數中引入關于特征空間維數的懲罰因子項，本文提出了一種基于遺傳優(yōu)化機制確定特征空間維數的方

4、法。它能夠在分類性能和特征空間維數之間達成一個較好的平衡。（5）結合向量線性組合和正交補技術，本文提出了一種能大大降低現有進化特征提取算法的空間復雜性的算法。該算法能夠直接適用于較高維的數據，而不需要使用PCA 或WPCA 等對數據進行預降維。（6）本文研究了改進進化特征提取算法效率的問題，提出了包括基于邊界子集評價投影基向量的訓練性能，利用線性判別分析解空間的理論分析結果來約束遺傳算法的搜索空間等方法，并從理論上分析或證明了這些方法。