一种最近邻线非参数鉴别分析算法.docVIP

一种最近邻线非参数鉴别分析算法 　　摘 要： 特征提取是模式识别研究领域的一个热点问题。为了更好地解决人脸识别中的特征提取问题，在分布的非参数间距最大准则算法的基础上，根据最近邻线的算法思想，在点?线距离的基础上，提出一种新的算法，即最近邻线非参数鉴别分析算法，并通过在人脸数据库上的识别，验证了该算法的有效性。 　　关键词： 特征提取； 最近邻线非参数鉴别分析； 算法； 人脸识别 　　中图分类号： TN702.2?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2015）13?0145?04 　　Abstract： Feature extraction is one of the hot topics in the field of pattern recognition. To solve the problem of feature extraction in face recognition， a new algorithm which is called nearest neighbor line nonparametric discriminating analysis （NNL?NDA） algorithm is proposed. It is based on the algorithm of distributed nonparametric maximum spacing criteria， according to nearest neighbor line idea and in comparison with point to line distance. The validity of the algorithm is verified by recognition in face database. 　　Keywords： feature extraction； NNL?NDA； algorithm； face recognition 　　在线性特征提取方法中，通常采用Fisher线性鉴别准则[1?2]。但做特征提取时Fisher线性鉴别准则对原始样本的分布情况提出两个要求[3]：样本的分布须是单峰值的；每类样本均值须不同。但在实际应用中很难达到这两个要求。因此，Fukunaga等提出了非参数鉴别分析[4?5]（Nonparametric Discriminant Analysis，NDA）的方法，这个方法将原先的Fisher鉴别准则法进行优化，即利用相应的散布矩阵差替代相应的散布矩阵的比值，不过NDA方法仍受相应的散布矩阵奇异的影响。因此，可用分步的非参数间距最大准则[6]算法来解决这个问题。根据最近邻线思想[7?10]，在点?线距离的基础上提出了一种新的称为最近邻线非参数鉴别分析[11]的算法，并且通过在ORL人脸库进行实验识别验证了此算法的有效性。 　　1 间距最大准则（MMC） 　　MMC准则的目的是要将原始的高维空间数据压缩到低维空间并且仍然能够保证较好的可分性。所以，在特征提取的过程中，应当在变化之后的低维空间内保持类间距离的最大化。那么，特征提取的准则定义如下： 　　[J=12i=1Cj=1CdCi，Cj] （1） 　　式（1）表示的是任意两类之间的距离，可定义其为最大鉴别准则，MMC的准则目的就是要使这个[J]值尽可能大。 　　类与类之间的距离，通过类中心点的距离来度量，即： 　　[dCi，Cj=dmi，mj] （2） 　　式中：[mi，][mj]分别代表类别[Ci]和[Cj]的类中心，但是如果简单就以[dCi，Cj]作为分类依据，在距离度量中，可能会出现散布矩阵的奇异。所以在出现不同样本分布混乱或重叠时，这种分类就不可行。 　　重新对类间距离进行定义： 　　[dCi，Cj=dmi，mj-SCi-SCj] （3） 　　式中：[SCi]表示[Ci]的散布度量的值。在实际使用时，用[trSi]来代替[SCi]，表示类别[Ci]的散布度量的信息。 　　将[trSi]代入式（3），得出： 　　[J=12i=1Cj=1Cdmi，mj-SCi-SCj=12i=1Cj=1Cdmi，mj-trSi-trSj=12i=1Cj=1Cdmi，mj-12i=1Cj=1CtrSi+trSj] （4） 　　其中式（4）的后半部分可以简化成如下形式： 　　[12i=1Cj=1CtrSi+trSj=i=1CtrSi=tri=1CSi=trSw] （5） 　　对于公式（4）的前半部分，采用欧氏距离，可以得出： 　　[12i=1Cj=1Cdmi，mj=12i=1Cj=1Cmi-mjTmi-mj =12i=1Cj=1Cmi-m0+m0-mjT