基于度量学习的特征提取方法研究

在模式识别应用中，距离度量被用来描述数据之间的相似性（或不相似性），并以此作为特征分类的依据，因此距离度量在模式识别中扮演了非常重要的作用。传统的欧式距离度量由于没有考虑数据分布信息，使其在很多时候并不能很好地描述数据间的相似性（或不相似性）。.度量学习就是通过一定的准则来定义对象之间的距离，使之能有效地描述数据间的相似性（或不相似性）。本项目拟通过度量学习方式，利用数据的统计信息，学习一种数据驱动的距离度量来描述数据间的相似性（或不相似性），然后将这种数据驱动的距离度量与特征提取方法有机地结合起来，使得提取的特征能够与距离度量完美匹配，增强特征的泛化能力，提高分类效率。本项目的研究不仅能对特征提取理论和算法有所贡献，还可望获得实际应用。

特征提取是模式识别的核心课题之一，特征提取的好坏直接影响到随后模式分类的结果。而距离度量被用来描述数据之间的相似性（或不相似性），并以此作为模式分类的依据，所以对一个有效模式识别系统来说，其最终的模式分类结果不仅仅取决于特征提取的好坏，也依赖于所选择的相似性度量准则，因此将度量学习与特征提取结合起来研究是模式识别研究的热点，本项目重点研究与距离度量相匹配的特征提取方法，使得提取的特征与模式分类时所选择的相似性度量能够完美地匹配，增强特征的泛化能力，提高识别效率。本项目的研究思路是基于相似性度量的特征提取方法，以克服传统的欧式距离度量注重提取样本间的不相似性特征，而非相似性特征；针对Local Binary Pattern(LBP)算子没有考虑邻域像素值之间的对比度，丢失了图像的纹理特征等缺点，提出了一个多层Local Multi-layer Contrast Method（LCMP）来解决LBP的这一缺点；利用散射变换具有局部平移及形变不变性的特点，提出了一种基于梯度域和散射变换的人脸光照不变量提取方法。.到目前为止，本项目共发表SCI论文3篇，发明专利2项，主持人获得重庆市自然科学二等奖1次（排名第三）以及入选教育部“新世纪优秀人才支持计划”。