资源描述：
《基于集成学习的规范化 LDA 人脸识别》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第36卷第14期计算机工程2010年7月Vol.36No.14ComputerEngineeringJuly2010·人工智能及识别技术·文章编号：1000—3428(2010)14—0144—03文献标识码：A中图分类号：TP391.41基于集成学习的规范化LDA人脸识别张燕平，窦蓉蓉，赵姝，曹振田(安徽大学智能计算与信号处理教育部重点实验室，合肥230039)摘要：针对人脸识别问题中经常面临的“小样本”问题，在规范化的LDA算法的基础上加以改进，并结合集成学习的方法，利用Adaboost算法，在每一次的迭代过程中引进一个加权函数对难以分离的样本增加权重。增加分类器之间的差异度，从而提高样本
2、在新的特征空间中的可分离性，将识别率提高至98.5%。通过ORL数据库的大量实验表明，该算法比传统算法有更好的性能。关键词：人脸识别；规范化线性鉴别分析；集成学习RegularizedLinearDiscriminantAnalysisforFaceRecognitionBasedonEnsembleLearningZHANGYan-ping,DOURong-rong,ZHAOShu,CAOZhen-tian(KeyLabofIntelligentComputing&SignalProcessing,MinistryofEducation,AnhuiUniversity,Hefei230039
3、)【Abstract】Fordealingwiththe“SmallSampleSize(SSS)”probleminfacerecognitiontasks,regularizedLinearDiscriminantAnalysis(LDA)basedonensemblelearningisproposed.ByusingAdaboostmethod,weightingfunctionisintroducedintothesamples,whichiscloserintheoutputspaceineachiteration.Sothattheseparabilitybetweenthese
4、classesisenhancedinthenewfeaturesubspace,andtherecognitionrateisalsoimprovedto98.5%.ExperimentalresultsonfacialdatabaseofORLshowthatthismethodachievesbetterperformancethantraditionalmethodsdo.【Keywords】facerecognition;regularizedLinearDiscriminantAnalysis(LDA);ensemblelearning1概述化fisher鉴定准则如下：T
5、
6、ψψS
7、人脸识别是模式识别中的一个重要应用，国内外的研究ψ=argmaxb(1)TT
8、
9、ηψSSψψψ+者对人脸识别问题提出多种方法，其中最著名的是基于表情bw其中，S为类间散度矩阵；S为类内散度矩阵，分别定义bw的方法，例如特征脸方法(基于PCA技术)和Fisher脸方法(基如下：于LDA技术)。这2种方法都是采用某种线性映射，将原始CC1CiTT空间的数据映射到一个低维的特征空间。但是LDA方法在处Sbi=∑∑φφbb,(Szw=∑j−−zi)(zijzi)(2)ii==11Nj=1理高维数据时经常会面临“小样本”问题，即用于训练的样11Ci其中，φbb=[,,,]φφb?φbc；φ=−(/)(C
10、N2zz)，且zz=∑本个数远远小于样本的维数。对于小样本问题，传统的解决12biiiijCj=1[1-2]i办法是利用PCA+LDA技术，但是研究表明在PCA过程中是每个类Z的类平均值。i抛弃的零空间可能含有对判别重要的信息。为解决该问题，修改的fisher准则其实是关于η的函数，η的取值控制了文献[3]提出D-LDA方法，保留了类内散度矩阵中零空间的规范化的范围。当η=0时，R-LDA等价于YD-LDA，当η=1有用信息。文献[4]进一步改进D-LDA提出的规范化的LDA，时，R-LDA等价于JD-LDA。在R-LDA中类间散度矩阵中靠通过调整规范化参数，降低类内散度矩阵零空间求解的不稳近
11、零空间的信息比远离零空间的信息对判别任务重要。定性。R-LDA的步骤如下：本文将集成学习的方法和R-LDA的方法相结合，同时拥T(1)根据式(2)定义S和S，计算φφ的前m(m≤C-1)个bwbb有boosting算法和R-LDA算法的优点，且基分类器是由R-最大的非零特征值和相应的特征向量Em=[e1,e2,⋯,em]。LDA和最邻近分类器2个部分组成。R-LDA不但是一个特征(2)计算S的前m
