基于正交判别定位保持投影的人脸识别-----论文.docVIP

基于正交判别定位保持投影的人脸识别 摘要 人脸图像数据与各种各样的特征器官通常是多维的，并且不适用于精确的分类。目前，很多的流形学习算法曾经应用于人脸识别领域，在它们中间，定位保持投影Locality Preserving Projections（LPP）Orthogonal Discriminant Locality Preserving Projections（ODLPP）1.引言 Locally Linear Embedding（LLE）Isometric Feature Mapping（Isomap）2.OLPP的观点 …,xN],且{x1,x2,…,xN}∈RD 。OLPP寻找一种图像使矩阵A投影到多维数据X为低维变量Y=[y1,y2,…,yN]中，这个局部的结构X能被保持，命名Y=A TX，{y1,y2,…,yN} ∈RD,(dD)。 取可选择的矩阵A组成正交的基本变量[a1,a2,…,aN]。解决下列最小化问题中包括： a1= argamin aTXLXTa/aTXDXTa=argaminaTSLa/aTSDa ak=argaminaTXLXTa/aTXDXTa=argaminaTSLa/aTSDa (1) 目标是 aTKa1=aTKa2=…=aTKak-1=0,aTKSDak=1, (2) 条件是SL=XLXT, SD=XDXT,L=D-S是Laplacian矩阵,Dii=∑Sij,S构造通过的最近的图形。如果xi是在l最近的领域xj或者xj是在最近的xi，则Sij=e-（||xi-xj||2/t），否则Sij=0。 定义 Ak-1=[a1,a2,…,ak-1], (3) B(k-1）(k-1)]TS-1DAk-1. (4) 这个正交基变量{a1,a2,…,ak}能计算使用正如下迭代的过程。 计算a1作为eigen变量与S-1D SL最小eigen值有关。 计算ak作为eigen变量与P （k）= {I-S-1D A （k-1）[B （k-1）]-1 [A （k-1）]T}S-1D SL最小值P （k）有关。 3.ODLPP 正如上所说,判别信息在识别问题中是相当重要的。这儿我们引入在类内离散度约束的LPP准则函数，且尝试提取人脸图像更多的判别信息。 取原始人脸图像数据xi属于C{x1,x2,…,xC}的一个目标类。ODLPP的准则函数描述为 J=(∑Ni,j=1(yi-yj)(yi-yj)TSij)/(∑Ci=1ni(ui-u)(ui-u)T), (5) 条件是 e-（||xi-xj||2/t） xi和xj属于同一个类， Sij=｛ 0 否则 (6) 是一个相似性矩阵。u=(1/N) ∑Ni=1yi, ui=(1/ni)∑yj∈xiyj, ni是ith类的一些样本。 考虑到投影Y=A TX，公式（5）能描述为 J(A)=（∑Ni,j=1||A Txi-A Txj||2 Sij / (∑Ci=1ni||(1/ni)∑xk∈Xi A Txk-(1/N) ∑Ni=1A Txi||2) =tr(ATSLA)/(ATSBA), (7) 条件是 SB=∑Ci=1ni||(1/ni)∑xk-(1/N)∑Ni=1xi||2 (8) 是这个类内离散度矩阵中源图像xi，信号tr追寻的操作。 投影矩阵A=[a1,a2,…,ad]最小化的准则函数能解决一般的特征值问题： SLai=λiSBa1,λ1λ2…λd. (9) 到目前为止，基本变量ai还不是正交变量。Deng增加了LPP正交约束的一般特征值问题。但这个理论是复杂的。这儿，我们给出了一种获得正交基变量的另一种方法。 取b1=a1且假设包括了k-1个正交基变量b1,b2 ,…,bk-1。这个kth变量bk能计算如下： bk=ak-∑k-1i=1biTakbi/biTbi.