一种正交局部鉴别嵌入的人脸识别算法_黄蓓.pdf

《一种正交局部鉴别嵌入的人脸识别算法_黄蓓.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43卷第6期东南大学学报(自然科学版)Vol．43No．62013年11月JOUＲNALOFSOUTHEASTUNIVEＲSITY(NaturalScienceEdition)Nov．2013doi:10．3969/j．issn．1001－0505．2013．06．014一种正交局部鉴别嵌入的人脸识别算法黄蓓(东南大学信息科学与工程学院，南京210096)摘要:为了解决局部鉴别嵌入(LDE)算法的高维小样本泛化能力弱和分解致密矩阵计算量较大的问题，提出了一种基于谱回归的正交局部鉴别嵌入算法(SＲ-OLDE)，采用谱回归理论与正交化技术相结合的方法，将投影函数

2、的求解转化为回归问题的求解．该算法首先计算训练样本的特征向量;然后通过回归方法计算投影向量，得到测试数据集，从而将n×n维的致密矩阵的特征分解转化为m×m维矩阵的特征分解，n，m分别为人脸特征矩阵维数和人脸样本数;最后对投影向量进行Gram-Schmidt正交化，得到正交的投影矩阵，从而可准确估计高维数据的内在维数，提高了样本的泛化能力．实验结果表明，该算法在降低人脸特征矩阵维数和提高人脸识别率的同时，缩短了计算时间．关键词:人脸识别;局部鉴别嵌入;谱回归;正交化中图分类号:TP391文献标志码:A文章编号:1001－0505(2013)06-1208-04O

3、rthogonallocaldiscriminantembeddingforfacerecognitionHuangBei(SchoolofInformationScienceandEngineering，SoutheastUniversity，Nanjing210096，China)Abstract:Thespectralregression-basedorthogonallocaldiscriminantembedding(SＲ-OLDE)algo-rithmisproposedtoimprovethegeneralizationperformanceof

4、high-dimensionalsmallsamplesandtheefficiencyofdecomposingdensematrixinthelocaldiscriminantembedding(LDE)algorithm．Theprojectionfunctionistransformedintotheregressionproblembyusingthespectralregressiontheoryandorthogonalizationtechnology．First，theeigenvectorofthetrainingsamplesiscalc

5、ulated．Andtheninordertoobtainthetestdatasets，theprojectionvectoriscalculatedthroughtheregres-sionmethod．Therebytheeigendecompositionofn×ndimensionaldensematrixistransferredintothatofm×mdimensionalmatrix，wherenisthedimensionofeigenfacematrixandmisthenumberoffacesamples．Finally，thepro

6、jectionvectorisorthogonalizedbyGram-Schmidtmethodtoobtaintheorthogonalprojectionmatrix，whichcanaccuratelyestimatetheintrinsicdimensionofhigh-di-mensionaldataandimprovethegeneralizationperformanceofthesample．TheexperimentsshowthattheSＲ-OLDEalgorithmhasbetterperformanceinreducingdimen

7、sionsofeigenfacematrixandrecognitionratethantheLDEalgorithm，anditscomputationtimeisdecreased．Keywords:facerecognition;localdiscriminantembedding;spectralregression;orthogonalization由于人脸属于三维非刚性体对象，因此其图像存在的分类误差，但只能发现全局的欧式结构．当易受到多种因素的影响，如人脸的相似性、姿态的数据呈现高度非线性时，只能描述统计意义下的数［1-8］［9］多样性和光照影响

8、等．传统子空间分析方法以据分布．为此，