[發明專利]自適應無參數的特征提取方法

有效

• 申請號: 201410850457.1
• 申請日: 2014-12-31
• 公開（公告）號: CN104573714B
• 公開（公告）日: 2018-03-09
• 發明（設計）人: 柏連發;張毅;趙壯;韓靜;岳江;陳錢;顧國華
• 申請（專利權）人: 南京理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京理工大學專利中心32203
• 代理人: 朱顯國

技術領域

本發明屬于目標識別領域的特征提取方法，具體是一種自適應無參數的特征提取方法。

背景技術

隨著科學技術的發展，人類獲得的數據越來越多，而且這些數據往往具有很高的維數，對于典型的圖像數據來說，其維數就是圖像的像素數，而圖像的像素數一般都很高。如何從這些高維的數據提取中有用的數據用來進行后續的處理是個巨大的問題。特征提取技術是解決這個問題的一個重要的方法。對于許多問題例如數據可視化、計算機視覺和模式識別特征提取都是一個基礎性的問題。對于人臉識別來說，特征提取是完成人臉識別的關鍵。

在過去幾十年中，人們提出了很多關于特征提取的方法，這些方法中有監督學習的方法也有非監督學習的方法，有線性的方法也有非線性的方法。在這些方法中，文獻二(I.Joliffe,Principal Component Analysis.Springer-Verlag,1986)中提出了主成分分析(PCA)，文獻三(K.Fukunnaga,Introduction to Statistical PatternRecognition,second ed.Academic Press,1991)提出了線性判別式分析(LDA)是兩種使用最多的線性特征提取方法。PCA將原始的高維數據映射到由全部原始數據協方差矩陣的最大特征值對應的特征向量所張成一個低維子空間中。PCA能夠在最小均方意義下，尋找最能代表原始數據的投影方法。另外，由于沒用利用到類別信息，所以PCA是一種完全的非監督學習方法。

與PCA不同，LDA是一種有監督的學習方法，最早可以追溯到1936年Fisher發表的論文，其本質思想是選擇使Fisher準則函數達到極值的向量作為最佳投影方向。從而使得樣本在該方向上投影后，能夠同時達到類間離散度最大和類內離散度最小。

然而，PCA和LDA都是從全局的歐式結構進行考慮的而不是從流形結構上進行考慮。而最近的研究表明人臉圖像有可能是駐留在一個非線性的流形之上，同時不同的人臉圖像會處在不同的流形之上。為此人們提出了很多流形學習算法來尋找嵌入在原始高維數據中的本質低維流形，在這些算法中包括等距特征映射算法(ISOMAP)(文獻4，J.B.Tenenbaum,V.de.Silva,J.C.Langford,A global geometric framework fornonlinear dimensionality reduction,Science 290(2000)2319–2323.)，局部線性嵌入(LLE)(文獻5，S.T.Roweis,L.K.Saul,Nonlinear dimension reduction bylocally linear embedding,Science 290(2000)2323–2326.)和拉普拉斯特征映射(LE)(文獻6，M.Belkin,P.Niyogi,Laplacian eigenmaps for dimensionalityreduction and data representation,Neural Computation 15(6)(2003)1373–1396.)等。實驗表明這些算法對于模擬數據和真實的數據，比如人臉圖像能夠找到這些數據的有意義的低維嵌入。He等人提出了局部保留映射(LPP)(文獻7，X.He,S.Yan,Y.Hu,P.Niyogi,H.Zhang,Face recognition using laplacian faces,IEEE Transactionson Pattern Ana1ysis and Machine Intel 1igence 27(3)(2005)328–340.)，LPP的目標函數是最小化映射后的數據的局部散布矩陣。與其他的流形學習算法相比較，LPP算法擁有明顯的優勢比如能夠得到更加明顯的映射，更加易于計算等。但是這些算法都屬于非監督學習算法，無法利用到數據的類別信息而且在計算的過程中需要認為的設定一下參數，而這些參數對于最終結果的影響很大。但是如何選取這些參數，卻沒有統一的標準。