基于稀疏重构判别分析.docVIP

基于稀疏重构判别分析 　　摘 要：为了解决现有判别分析算法对残缺和遮挡等外部干扰比较敏感的问题，从局部稀疏表示的角度，提出一种基于稀疏重构的判别分析（SDA）降维算法。该算法首先利用稀疏表示完成各个类内局部稀疏重构，然后通过非所在类内的样本均值完成各样本的类间局部稀疏重构，最后在降维过程中保持类间和类内的稀疏重构信息之比。在AR和UMIST人脸库人脸数据集上的实验结果表明，与基于图优化的Fisher分析（GbFA）算法和基于重构判别分析（RDA）算法相比，该算法提高了基于近邻分类的最高识别准确率2%～10%。 　　关键词：降维；判别分析；稀疏表示；稀疏重构；人脸识别 　　中图分类号： TP391.41 　　文献标志码：A 　　4 结语 　　类间和类内的判别信息是判别分析学习的重要内容。在稀疏表示的基础上，本文提出基于稀疏重构的判别分析（SDA）降维算法。SDA首先利用稀疏重构重新获取类内稀疏重构散度信息，然后通过子类样本均值的异类稀疏重构完成类间重构散度信息，最后通过最大化两者信息获取最优投影矩阵。SDA继承了稀疏学习的特性，有效地提取了可比性强的类间和类内的稀疏重构散度信息。在AR和UMIST的人脸数据上的实验结果表明，该算法具有较好降维分类性能。下一步工作的重点是在SDA的基础上，引入无监督学习方法，进行相关的半监督SDA降维研究。 　　参考文献： 　　[1]MIKA S. Kernel Fisher discriminant[EB/OL].. http：//opus4.kobv.de/opus4tuberlin/frontdoor/deliver/index/docId/482/file/mika_sebastian.pdf. 　　[2]JI S， YE J. Generalized linear discriminant analysis： a unified framework and efficient model selection[J]. IEEE Transactions on Neural Networks，2008，19（10）：1768-1782. 　　[3]LU J， PLATANIOTIS K N， VENETSANOPOULOS A N. Regularization studies of linear discriminant analysis in small sample size scenarios with application to face recognition[J]. Pattern Recognition Letters， 2005， 26（2）：181-191. 　　[4]HASTIE T， BUJA A， TIBSHIRANI R. Penalized discriminant analysis[J]. The Annals of Statistics，1995，23（1）：73-102. 　　[5]HOWLAND P， PARK H. Generalizing discriminant analysis using the generalized singular value decomposition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26（8）：995-1006. 　　[6]YE J， LI Q. A twostage linear discriminant analysis via QRdecomposition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27（6）：929-941. 　　[7]YE J. Computational and theoretical analysis of null space and orthogonal linear discriminant analysis[J]. Journal of Machine Learning Research，2006，7：1183-1204. 　　[8]XU B， HUANG K， LIU C L. Maximin discriminant analysis via online learning[J].Neural Networks，2012，34（10）：56-64. 　　[9]LU G F， ZOU J， WANG Y. Incremental complete LDA for face recognition[J]. Patt