代价敏感学习的稀疏局部保留投影算法.pdf

《代价敏感学习的稀疏局部保留投影算法.pdf》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20卷第3期哈尔滨理工大学学报Vo1．20No．32015年6月JOURNALOFHARBINUNIVERSITYOFSCIENCEANDTECHNOLOGYJun．2015代价敏感学习的稀疏局部保留投影算法林克正，钟岩，程卫月(哈尔滨理工大学计算机科学与技术学院，黑龙江哈尔滨150080)摘要：针对已有的局部保留投影(1ocalitypreservingprojections，LPP)算法可能将相似的类别误投影到一起，导致正确识别率降低的问题．在局部保留投影算法的基础上，提出了一种基于代价敏感学习的稀疏局部保留投影算法(

2、cost-sensitivesparselocalitypreservingprojections，CSLPP)．该算法将代价敏感学习引入到人脸识别中，首先对样本进行代价敏感思考，然后再将样本稀疏化，最后求得最优投影向量．通过在YALE人脸库和FERET人脸库上实验，结果表明CSLPP算法在投影之前将代价考虑进去，有效的避免了高风险，该算法在最近邻分类器上的的识别率明显高出其它算法的识别率．关键词：局部保留投影；人脸识别；代价敏感；稀疏化DOI：10．15938／j．jhust．2015．03．009中图分类号：TP391．

3、4文献标志码：A文章编号：1007—2683(2015)03—0045—06Cost-sensitiveSparseLocalityPreservingProjections··L／NKe—zheng，ZHONGYan，CHENGWei—yue(SchoolofComputerScienceandTechnology，HarbinUniversityofScienceandTechnology，Harbin150080，China)Abstract：InLocalityPreservingProjectionsalgorit

4、hm，facesinsimilarcategoriesareprojectedasthesameone，leadingtothedecreaseofrecognitionrate．Tosolvethisproblem，Cost—sensitiveSparseLocalityPreservingProjectionsalgorithmbasedonLPPalgorithmisproposed．InCSLPPalgorithm．inwhichCost-SensitiveLearningwasappliedtofacerecogn

5、ition，facesampleswerefirstcost-sensitivelythoughtof，andSparseness，atlasttheopti—malprojectionvectorwasfiguredout．ExperimentalresultsontheYALEandFERETfacedatabasesshowthatCS—LPPalgorithmeffectivelyavoidshighrisksanditsrecognitionrateissignificantlyhigherthanthatofot

6、hersinNea-restNeighborClassifier．Keywords：localitypreservingprojections；facerecognition；cost—sensitive；sparse的信息社会里，信息安全受到了空前的重视，身份识0引言别已经成为人们日常生活中不可或缺的重要手段．随着信息安全技术的迅速发展，生物特征识别中的在自动化智能化程度日益提高、通讯高度发达人脸识别技术渐渐取代了传统的身份识别技术．人收稿日期：2014—09—18基金项目：黑龙江省教育厅科学技术研究项目(11551087

7、)．作者简介：林克正(1962一)，男，博士，教授，E-mail：link@hrbust．edu．12n；钟岩(1990一)，男，硕士研究生；程卫月(1988一)，女，硕士研究生．哈尔滨理工大学学报第2O卷脸识别因其方式友好并且最接近人类视觉认知同时代价(cost)是指某一事情的完成结果对这个事采集十分方便而受到广泛的关注¨I2J．近几年，人脸情所引起的风险假设有c类样本，将第i类样本划识别是生物特征识别技术领域比较热的研究分正确的可能性为1％，划分成第c类的可能性为课题．99％，所以将第i类样本错误分类为第c类的可能在过去

8、的一段时间，稀疏编码技术已经在信性要大许多，或者将第c类样本错分成第i类样本号处理、图像识别等领域得到广泛的应用．稀疏表示的可能性要小许多，但是这两种情况的代价是不同可以用较少的数据来充分表示出图像的重要信息，的，为了降低风险，我们在分类时需要将代价考虑进结合LPPj，一种新的线性降维方法