基于最大散度差的核判别局部保留投映人脸识别方法.docVIP

基于最大散度差的核判别局部保留投映人脸识别方法 齐永锋1，2 张家树2 （1 西北师范大学数学与信息科学学院，兰州 730070） （2 西南交通大学信号与信息处理四川省重点实验室，成都 610031） 摘要：为了有效提取人脸的非线性结构信息，一种新的基于最大散度差的核判别局部保留投影方法（Kernel Discriminant Locality Preserving Projection, KDLPP）被提出。首先通过核函数将样本数据映射到高维特征性空间，计算特征空间中样本的散度矩阵；其次将样本原始空间中的近邻图嵌入到散度矩阵，然后采用最大散度差准则进行特征提取。KDLPP是一种有监督的、非线性特征提取方法，能够有效地提取人脸的非线性结构信息。在PIE 与Yale人脸数据库上的试验结果表明KDLPP是一种高性能的特征提取方法。 关键字：人脸识别；核函数；最大散度差；局部保留投影 中图分类号： TP391 Kernel discriminant locality preserving projection for face recognition based on maximum scatter difference Qi Yong-feng1,2 Zhang Jia-shu2 (1 College of mathematics and Information,Northwest Normal University, Lanzhou 730070 ) (2 Sichuan Province Key Lab of Signal and Information Processing, Southwest Jiaotong University, Chengdu 610031 ) Abstract：To effectively extract non-linear structure information of face images, a novel method called Kernel Discriminant Locality Preserving Projection(KDLPP) based on maximum scatter difference rule is proposed in this paper. Firstly, the kernel function is used to map original sample data into high dimension feature space and the scatter matrices are obtained. Secondly, the nearest graphs of original sample data are embedded into scatter matrices then the maximum scatter difference is used to extract the feature of samples. KDLPP is a supervised and nonlinear method which can effectively extract the non-linear feature of face images. Experimentalresults on Pie and Yale face databases demonstrate the efficiency of the KDLPP Key words: face recognition; kernel function; maximum scatter difference; locality preserving projection 1 引言 近年来，研究者提出了许多人脸识别方法，其中基于子空间的方法是最为成功与被高度关注的方法之一。基于子空间的方法通常利用降维技术将高维的人脸向量投映到低维的特征空间，然后在低维特征空间进行分类。其中主成分分析（Principal Component Analysis, PCA）与线性判别式分析（Linear Discriminant Analysis, LDA）是最常见的两种降维方法。PCA是一种在最小均方误差意义下的最佳重构方法，由于其忽略了样本的类别信息，因此不是最佳的识别方法。LDA充分利用了样本的类别信息，但在人脸识别任务中，由于数据维数远远高于训练样本数，因此存在“小样本”问题。散度差准则（Maximum Scatter Difference，MSD）[1]是最近提出的一种线性降维方法，其目的是通过最大化样本散度差来发现最佳投影轴。MSD本