最大间距准则与局部保持结合的特征提取方法

《最大间距准则与局部保持结合的特征提取方法》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、万方数据第35卷、，oL35第14期No．14计算机工程ComputerEngineering2009年7月July2009·人工智能及识别技术·文章编号：l删¨428(20∞J14枷20则3文献标识码tA中圈分类号。TP391最大间距准则与局部保持结合的特征提取方法王超，王士同(江南大学信息工程学院，无锡214122)囊蔓：利用最大间距准则(MMC)寻求一组最佳鉴别矢景，使投影变化后的特征空间的类问散度最大，类内散度最小，并克服小样本问题。与原MMC相比，新特征提取方法通过对原来的散度加乘权真及对参数的调整，能够在特征提取的同时更好地保持人脸图像的局部

2、流形结构。在ORL人脸库上的实验结果表明，该方法能够更为有效地识别人脸图像，提高识别率。关健词：最大间距准则；局部保持；特征提取；人脸识别FeatureExtractionMethodonIntegrationofMaximumMarginCriterionandLocalityPreservingWANGChao，WANGShi-tong(SchoolofInformationEngineering，JiangnanUniversity，Wuxi214122)IAbstractlThepurposeoftheMaximumMarginCriterion

3、(MMClistomaximizetheinter．classscatterwhilesimultaneouslyminimizingtheintra·classscatteraftertheprojection，anddoesnotsufferfromthesmallsamplesizeproblem．ComparedwithoriginalMMCmethod，bymultiplyingthedefinedweightsandregulatingtheparameter,thencwmethodcallstillbettermanifoldlocals

4、tructureinformation．ExperimentalresultsonOlivettiResearchLaboratory(ORL)facedatabaseshowthatthemethodCanrecognizethe触imagesefficientlyandenhancetherecognitionrate．[KeywordslMaximumMafgiIlCriterion(MMC)；localitypreserving；featureextraction；facerecognitionl概述线性鉴别分析(LinearDistinguis

5、hAnalysis，LDA)11】是一种普遍用于特征提取的分类方法。LDA下的线性鉴别分析方法的构架都建立在大样本情况下，即要求类内散布矩阵是非奇异的。然而，在人脸图像识别领域存在大量的典型小样本问题，在该类问题中，类内散布矩阵通常是奇异的。为了避免模式识别中的小样本问题，文献【2l提出了一种基于最大间距准则(MaximumMarginCriterion，MMC)的特征提取方法，MMC是基于特征空间的类问散度与类内散度的差的最大化寻求一组最佳鉴别矢量进行投影变换，使特征空间样本的类间散度的最大，类内散度最小¨J。本文提出一种新的特征提取方法，经过对原来最

6、大间距准的散度加乘权重及对参数的调整，能够在特征提取的旧时更好地保持人脸图像的局部流形结构144J，同时避免了人脸识别中的小样本问题(ePs。的可逆性l、HJ题)。2传统的最大阅距准则特征提取方法设在高维欧氏空间中有样本集妊=h，工2，⋯JⅣ}，寻求一个投影矩阵w，希单将这些样本映射到一个相对低维的特征空间R。(扫<

7、。由其定义知，瓯，S。和S均为非负定矩阵，且满足S，=S。+&。设&’和S。’分别表示经过y=wlx投影变换后特征空间中样本的类间散布矩阵和类内散布矩阵，即Sb'=w1&眦Sw'=w1S，．．W。其中，瓦=EPi(u，-uXu；一口)T(1)扭Is。=∑∑(‘一qx‘一H，)7(2)r=l～E‘其中，P祧，Ⅳ是第f类的先验概率；U表示所有样本的均值；“f表示第i类训练样本的均值；Ni是第i类训练样本的个数；Ⅳ是所有样本的个数。文献【2l提出的最大间距准则函数定义如下：max‘，(W)=tr(Sb'-S。’)(3)最大间距准则函数是将特征空间中的样本所构成

8、的类问离散度和类内离散度结合在一起，其物理意义是投影变换后特征空间的样本具有最大