基于2D-KPCA的拉普拉斯特征映射人脸识别-计算机应用研究.PDF

优先出版 计 算 机 应 用 研 究 第33 卷 基于2D-KPCA 的拉普拉斯特征映射人脸识别* a b b 徐梦珂 ，许道云 ，魏明俊 (贵州大学 a．数学系,b．计算机科学系，贵阳 550025) 摘 要：针对拉普拉斯特征映射(LE)只能保持局部近邻信息，对新测试点无法描述的不足，提出一种基于二维核主成分 分析的拉普拉斯特征映射算法(2D-KPCA+LE) 。与核二维主成分分析算法(K2DPCA)不同，该算法首先对训练样本空间 进行二维主成分分析（2DPCA ），在保留样本空间结构信息的同时通过去相关性得到低秩的投影特征矩阵；然后用核 主成分分析法(KPCA)提取全局非线性特征；由于其核函数需要大量存储空间，再用拉普拉斯特征映射(LE)进行降维。 在ORL 和FERET 人脸数据库中的仿真实验结果表明，基于2D-KPCA 的拉普拉斯特征映射算法不但可以有效处理复杂 的非线性特征，又可以降低算法复杂度，提高流形学习的识别率。 关键词：二维主成分分析；核主成分分析；拉普拉斯特征映射；人脸识别 中图分类号：TP391.41 Face recognition with laplacian eigenmaps based on 2D-KPCA a b b Xu Mengke , Xu Daoyun , Wei Mingjun (a. Dept of Mathematics, b. Dept of Computer Science, Guizhou University, Guiyang 550025, China) Abstract: To overcome the shortage of the new samples existing in Laplacian eigenmaps, the paper proposed face recognition with laplacian eigenmaps based on 2D-KPCA, namely, the 2D-KPCA+LE algorithm. First of all, different from the kernel two-dimensional principal component analysis(K2DPCA), the 2DPCA applied to the training sample space. So the algorithm not only could retain the structural information of sample space ,but also could obtain a low-rank projection matrix by decorrelation . Then used the KPCA to extract nonlinear features. But the kernel function needed a lot of storage. The algorithm utilized laplacian eigenmaps to reduce dimensions again. Experimental results in ORL and FERET face