论文部分内容阅读
特征提取对高维数数据的分类具有重要的研究意义,应用非常广泛。特征提取的目的是提取一组特征,使得这些特征的维数比原始数据的维数低,且保持数据的类别特性。用提取的特征代替原始数据进行各种处理,能使与特征数量有关的分类过程的计算量减少,同时因为去除了数据的相关特性,从而提高分类效率。本文主要包括以下几个方面的内容:(1)融合小波和自适应类增广PCA的人脸识别。该方法首先用离散小波变换对人脸图像进行压缩,提取人脸的低频分量,然后再利用自适应的类增广PCA方法对小波变换后的人脸低频分量进行特征提取,从而达到进一步降维的目的。不同于类增广PCA,该方法不需要构建样本的类间信息,使用起来更加灵活,又由于小波变换对图像的预处理,算法的识别率和耗时也得到了进一步的优化。(2)融合2DPCA和模糊2DLDA的人脸识别。该方法首先对人脸图像进行2DPCA处理,再用模糊K近邻算法计算图像的隶属度矩阵,并将其融入到2DLDA过程中,从而得到模糊类间散射矩阵和模糊类内散射矩阵。与(2D)~2PCALDA相比,该算法充分利用了(2D)~2PCALDA的优点,有效地提取了行和列的识别信息,并充分考虑了样本的分布信息。(3)二维类增广PCA首先用2DPCA直接对人脸图像矩阵提取特征,其次对提取的特征进行归一化处理,然后将归一化处理后的特征与类别信息结合成为类增广数据,最后对类增广数据进行2DPCA处理,提取最终的特征。该算法既保留了人脸图像的结构信息,又考虑了样本的类别信息,使得识别率有了大大地提高。