基于改进的局部保持投影的人脸识别-计算机应用技术专业论文.docxVIP

摘要 摘要 摘要 人脸识别是最主要的生物特征识别方法，也是模式识别的热点研究课题。自上 世纪 70 年代，已经提出了大量的算法。目前越来越多的研究表明，人脸图像可能 分布在高维观测空间的非线性流形上，因此流形学习方法受到更多学者的关注。 He 等人提出的局部保持投影（Locality Preserving Projection, LPP）算法有效地解决 了新样本的特征提取问题，并将其成功地应用到人脸识别中。 LPP 算法有两个明显的优势：能够保持人脸图像空间的局部信息；它是一个 线性的方法。但 LPP 是一种无监督的方法，没有考虑样本的类别信息。由此，本 文提出一种改进的 LPDP 算法。该算法融合了最大间距准则（Maximum Margin Criterion, MMC）和 LPP 算法的优点，将人脸图像投影在低维子空间上，使其具有 最佳鉴别能力，从而获得更好的识别效果。LPDP 算法的基本思想是原始空间中相 距较近的样本点投影后在低维特征空间中也离得较近，同时保持类别间的距离尽 可能大。实验表明 LPDP 算法比 LPP 算法更适用于人脸识别。 传统的人脸识别方法都是用向量表示人脸图像的。实质上现实世界中的图像 是以张量形式存在的，用向量表示图像忽略了像素点之间的相关性。近几年， He 等人提出的张量子空间分析（Tensor Subspace Analysis , TSA ）方