1、人臉識別是生物特征識別領(lǐng)域的一個活躍方向，主要任務是根據(jù)人臉圖像中的有效鑒別信息進行個體的身份識別。在人臉圖像識別過程中，由于原始的圖像樣本數(shù)目較少且維數(shù)較高，如何提取關(guān)鍵特征進行維數(shù)約簡與識別一直是該領(lǐng)域研究的一個難點問題。
　　流形學習是當前模式識別與計算機視覺領(lǐng)域的一個研究熱點，其主要目標是發(fā)現(xiàn)高維空間數(shù)據(jù)的低維光滑流形，并求出相應的嵌入映射，以實現(xiàn)維數(shù)約簡或者數(shù)據(jù)可視化。盡管基于流形學習的特征提取算法已被廣泛應用于人臉識別

2、問題，并且取得了良好的性能，但仍存在參數(shù)選擇、噪聲敏感、判別力不足等問題。本文針對這些問題進行了深入分析，并提出了幾種新的特征提取方法，主要工作及創(chuàng)新點如下:
　　(1)針對幾種典型的局部保持策略存在的判別力不足等問題，提出了局部最大間距鑒別嵌入(LMMDE)特征提取方法。LMMDE在保持樣本局部結(jié)構(gòu)的同時，考慮位于同一流形上不同類樣本的差異性，有效解決了因近鄰關(guān)系扭曲而引起的不同類樣本相互重疊的問題。另外，LMMDE基于最大間距

3、準則定義目標函數(shù)，成功避免了“小樣本”問題。
　　(2)在線性鑒別分析(LDA)算法與鑒別局部保持投影(DLPP)算法的基礎上分別提出了最小距離鑒別投影(MDP)算法與鑒別局部中值保持投影(DLMPP)算法。
　　LDA是一種基于樣本全局結(jié)構(gòu)的算法，無法刻畫樣本間的近鄰關(guān)系。針對此問題，MDP通過在LDA目標函數(shù)中引入樣本的類內(nèi)與類間相似度刻畫樣本的近鄰關(guān)系:類內(nèi)相似度能夠度量樣本與類內(nèi)中心的距離關(guān)系，而類間相似度不僅能夠反

4、映樣本與類間中心的距離關(guān)系而且能夠反映樣本類間距與類內(nèi)距的大小關(guān)系。
　　針對DLPP無法充分利用圖像信息及相似性度量問題，DLMPP利用各類樣本計算出每類樣本的類中值，有效地保留了圖像信息，同時設計了一種不同的相似性度量機制，以易于保持受噪聲影響較小的類內(nèi)樣本之間的鄰域關(guān)系，從而進一步加強識別效果的魯棒性。
　　(3)針對大多數(shù)流形學習算法構(gòu)圖時面臨的參數(shù)選擇問題，提出了一種無參數(shù)的構(gòu)圖策略。該策略能夠自適應地獲取樣本的近

5、鄰點并利用余弦距離配置相應的邊權(quán)，在整個圖構(gòu)造過程不依賴任何參數(shù)，使得整個圖學習過程相較于傳統(tǒng)的k-近鄰圖更加高效、簡潔。結(jié)合該策略與局部保持投影(LPP)算法，提出了一種無參數(shù)的局部保持投影(PLPP)算法。另外，考慮到樣本的類別信息在分類工作中的促進作用，通過在PLPP的目標函數(shù)中引入樣本的類別標簽，提出了監(jiān)督的PLPP(SPLPP)算法。
　　(4)針對邊界Fisher分析(MFA)算法在構(gòu)造內(nèi)蘊圖與懲罰圖時面臨的近鄰參數(shù)選