局部保持最大间距准则在人脸识别中的应用.pdfVIP

2010年 第 1期 SCIENCE＆TECHNOLOGYINFORMATION o高校讲坛。 科技信息 局部保持最大间距准则在人脸识别中的应用 郭子健 (中山大学数学与计算科学学院 广东 广州 510275) 【摘 要】局部特征的产生和特征无 内因损失的判别提取是人脸识别的两个重要步骤。本文介绍一种名为局部保持最大间距准则 (Locality—PreservingMaximumMarginCriterion．缩写：LMMC)的线性管理 图像嵌入算法用于子空间的研究．算法 中定义了局部类间散布矩阵 (1ocalbetween—classscattermatrix)和局部类内散布矩 阵(1ocalwithin—classscattermatrix)，因此最终的嵌入 能 同时保持相邻 的几何结构和提取 重要的判别信息。换言之 ，引入恰 当的权重能在局部方式提升最大间距准则(MaximumMarginCriterion，缩写：MMC)的表现 。在基准数据库 中的 实验结果一致证 明了识 别效果 的提 高 【关键词 】局部保持最大间距准则；特征提取；人脸识别 O 概述 远则A(iJ)较小。换言之，A(i√)是节点轧和≈上的处理。因此，这些新 的权重矩阵描述训练样本之间的局部结构和邻近关系。通常，仿射矩 由于人脸识别技术在公共安全 、人机互动 、金融安全等方面有着 阵A(i，n被定义为 ： 巨大 的潜在应用 ，因此吸引了许多在模式识别和机器学 习(Machine Learning)领域的研究人员 。近二十年来已发展 了多种方法 。自从线性 A√)=exp{一Jj }，其中，为局部放缩参数(正值)，}I·ll 鉴别分析 (LinearDistinguishAnalysis，LDA)、最大间距准则 (MMC)和 为R 中的欧氏范数 。 局部保持映射 (LocalPreservingProjection，；LPP)被引入人脸识别 以 最后 ，定义 LMMC中V∈R 的变换矩 阵： 来，线性子空间分析(LinearSubspaceAnalysis)将特征空间看作为一 V=ragmaxtr(Vr(otS6一(1一)Js )， (3) 组基 的线性组合 ，已被广泛地研究并成为一种常用 的特征提取方法 。 其 中打为矩阵的迹算子(traceoperator)，a∈[0，1]是可调参数 ，用 所有 的这此方法都被应用于许 多机器学 习的研究如类聚和分类 。 于取舍局部类 间散布和局部类 内散布。 LDA2[]是一种超级学习算法，它产生一个投影将不同的类尽可能 1．3 通过 QR分解提高LMMC的效率 的分离 ，同时将类 内尽可能的压缩 。因此 ，LDA在多方面都可以被成功 现实世界中的应用例如高分辩率图像和人脸识别，向量化的样本 应用。然而，LDA的明显局限是由小样本尺寸或下采样问题产生的日。 维数通常很大 ，直接应用 LMMC方法对mxm矩 阵的特征 向量解 6一 MMC是从另一个角度作为一种替代 Fisher准则 的有效的特征提取准 (1-a)s仍十分困难 。为解决这个问题，