论文部分内容阅读
特征提取是模式识别、图像识别中的一个关键步骤,好的特征不仅可以提高该系统的稳定性而且可以提高系统的分类性能。经典的特征提取方法如主成分分析(Principal Component Analysis,PCA)、线性判别分析(Linear Discriminant Analysis,LDA)根据某种准则直接从像素级信息中提取特征,已被广泛地应用到许多领域。相比目前流行的深度学习,上述方法可视为浅层特征学习,不能有效的挖掘出隐藏在数据里的深层语义信息,导致性能不好。论文借助深度学习的思想,从经典的特征提取方法PCA入手,研究深层PCA特征提取算法。论文的主要研究内容有:1、针对DeepPCA不能有效地提取出隐藏在数据里的非线性特征,导致分类性能不好的问题,提出了DeepPCA-KPCA算法。该算法第一层和第二层分别利用PCA和核PCA(kernel Principal Component Analysis,KPCA)提取特征,然后将两层特征级联作为最终提取的特征。相比DeepPCA,它可以有效地提取有利于分类的非线性特征。在此基础上,利用监督特征提取算法LDA代替KPCA,实现了DeepPCA-LDA算法。该算法充分利用了数据的标签信息,进一步提高了算法的分类性能。最后在多个人脸数据库上进行了验证,实验结果证实所提方法的有效性。2、PCANet对输入图像进行了分块处理,保留了一定的空间信息,但是对于提取图像更深层的结构信息,只靠图像分块处理是不够的。因此,本文研究了基于深层PCA的特征提取算法EPCANet(Enhanced PCA Network)。EPCANet以卷积神经网络的网络结构为基础,主要包括两个卷积层、一个数据处理层和一个输出层。卷积层用PCA代替梯度下降法来求解卷积核,避免了参数调节,减少了训练时间;数据处理层在两个卷积层之间,对第一层的卷积输出和原始图像进行下采样或者像素错位的处理,作为第二层的输入数据,使得图像的空间信息更丰富,有利于提取更深层的特征;输出层利用二进制散列和块状直方图统计提取图像的最终特征。最后在多个人脸数据库上进行了实验,结果表明本文的算法的识别率更高,证明了算法的有效性。