局部非参数子空间分析在人脸识别中的应用.pdfVIP

ComputerEngineeringandApplications计算机工程与应用

局部非参数子空间分析在人脸识别中的应用

程强，陈秀宏

CHENGQiang，CHENXiuhong

江南大学数字媒体学院，江苏无锡214122

SchoolofDigitalMedia，JiangnanUniversity，Wuxi，Jiangsu214122，China

CHENGQiang，CHENXiuhong．Localnonparametricsubspaceanalysiswithapplicationstofacerecognition．

ComputerEngineeringandApplications，2014，50(3)：141·144．

Abstract：Alocalnonparametricsubspaceanalysisalgorithmisproposedandappliedtofacerecognition．Thealgorithm，

whichcombinesnonparametricsubspaceanalysiswithlocalitypreservingprojectionandreconstructsthewithin—classscatter

matrixbytheaffiniytmatrixoflocalitypreservingprojectionalgorithm，makesitpossibletomaximizethebetween-class

scattermartixandmeanwhiletopreservetheclasslocalstructure．TheexperimentalresultsonORLandXM2VTSfacedata-

basesshowthattheperformanceoflocalnonparametricdiscriminantanalysisisbetterthanotheralgorihtms．

Keywords：facerecognition；nonparametricsubspaceanalysis；localitypreservingprojection；localFisherdiscriminant

analysis；localnonparamerticsubspaceanalysis

摘要：提出了一种局部非参数子空间分析算~(LocalNonparametricSubspaceAnalysis，LNSA)，将其应用在人脸识

别中。LNSA算法结合了非参数子空间算法(NonparametricSubspaceAnalysis，NSA)与局部保留投影算法(Locality

PreservingProjection，LPP)。它利用LPP算法中的相似度矩阵重构NSA的类内散度矩阵，使得在最大化类间散度矩

阵的同时保留了类的局部结构。在ORL人脸库和XM2VTS人脸库上作了实验并证明LNSA方法要优于其他方法。

关键词：人脸识别；非参数子空间分析；局部保留投影；局部鉴别分析；局部非参数子空间分析

文献标志码：A中图分类号：TP391doi：10．3778j／．issn．1002．8331．1204．0221

1引言类间散度矩阵的秩最大为C一1，所以最后LDA保留的

模式识别中，经常会遇到维数灾难的问题，特征维特征上限为C一1(其中c为类数)；(3)在求类间散度矩

数过高会导致分类器泛化性能变差，识别率降低，识别阵时只考虑了类的中间值，这将导致不能有效捕获类问

时间变长，因此图像降维就变得十分重要。图像降维是的边界结构；(4)对于类内有多个聚类的问题，LDA会

模式识别中重要的预处理步骤之一，其目的是在保留大将这类内多个聚类投影成唯一的聚类，破坏了数据的分

部分信息的同时将高维空间的数据样本嵌入到一个相布特征。为了增强其稳定性和识别效果，一系列改进算

对低维的空间n。法被提出】，