资源描述：
《1554.基于正交判别定位保持投影的人脸识别-----论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、基于正交判别定位保持投影的人脸识别摘要人脸图像数据与各种各样的特征器官通常是多维的，并且不适用于精确的分类。目前，很多的流形学习算法曾经应用于人脸识别领域，在它们中间，定位保持投影LocalityPreservingProjections（LPP）是特征提取技术最有前途的之一。在本篇论文中，推荐了一种新的基于正交判别定位保持投影OrthogonalDiscriminantLocalityPreservingProjections（ODLPP）的人脸识别方法。考虑到基于LPP，ODLPP在两者之间的信息，改变了准则函数，然而正交
2、化是人脸子空间变量化的基础。在Yale和AR人脸数据库，这种推荐方法比较了特征人脸，线性判别人脸，正交定位保持投影和拉普拉斯人脸方法。实验结果表明推荐方法的出色表现。关键词：定位保持投影；正交定位保持投影；判别信息提取；人脸识别1.引言人脸识别是计算机模式识别研究的一个热门领域。在过去几年里，许多人脸识别方法迅速发展。自从1990年，基于子空间的方法表现相当优秀，并且成为人脸识别领域最出色的方法之一。目前，许多研究表明，人脸图像与非线性子流形表现相似。因此，学习一门压缩子空间人脸图像的保持定位结构受到很大的吸引。局部线性嵌入L
3、ocallyLinearEmbedding（LLE），立体特征映射IsometricFeatureMapping（Isomap），和拉普拉斯特征映射是最著名的流形学习算法。但这些算法有一些局限性，并且不适合于人脸识别，因为他们不能给一个明确的子空间映射，并且因此不能详细地处理这个多维的样本问题。他提出了一种新的线性降维方法命名为LPP并且成功地应用于人脸识别的研究。在一种压缩的Rie人脸流形中，线性相似的LaplaceBeltrami操作和LPP的源驱动是一致的。然而，LPP的准则函数不包括正交。这个导致了它不能方便地重构数据
4、。因此将来，Deng提出了算法被称为OLPP。OLPP能获得一系列的正交基和比LPP有更多的定位保持能力。不幸的是，OLPP是一个迭代的过程且算法比较复杂。除此之外，OLPP不能强调判别信息在识别问题当中的重要性。在本篇论文中，提出了一种新的人脸识别方法称为ODLPP。这种方法增加了类内离散度约束准则函数的LPP且强调了判别信息。在另一方面，这种方法使用了一种人脸区域获得正交基两者中更容易的方法。按如下结构组织了本文。在第二节中，给出了一种OLPP算法的主要观点。在第三节中，提出了一种新的人脸识别方法——ODLPP。在第四节中
5、，给出了在Yale和AR人脸数据库中的实验结果。在第五节中，给出了最终的结论。2.OLPP的观点取一系列的人脸图像变量X=[x1,x2,…,xN],且{x1,x2,…,xN}∈RD。OLPP寻找一种图像使矩阵A投影到多维数据X为低维变量Y=[y1,y2,…,yN]中，这个局部的结构X能被保持，命名Y=ATX，{y1,y2,…,yN}∈RD,(d<6、k=argaminaTXLXTa/aTXDXTa=argaminaTSLa/aTSDa(1)目标是aTKa1=aTKa2=…=aTKak-1=0,aTKSDak=1,(2)条件是SL=XLXT,SD=XDXT,L=D-S是Laplacian矩阵,Dii=∑Sij,S构造通过的最近的图形。如果xi是在l最近的领域xj或者xj是在最近的xi，则Sij=e-（
7、
8、xi-xj
9、
10、2/t），否则Sij=0。定义Ak-1=[a1,a2,…,ak-1],(3)B(k-1）=[A(k-1)]TS-1DAk-1.(4)这个正交基变量{a1,a2
11、,…,ak}能计算使用正如下迭代的过程。计算a1作为eigen变量与S-1DSL最小eigen值有关。计算ak作为eigen变量与P（k）={I-S-1DA（k-1）[B（k-1）]-1[A（k-1）]T}S-1DSL最小值P（k）有关。3.ODLPP正如上所说,判别信息在识别问题中是相当重要的。这儿我们引入在类内离散度约束的LPP准则函数，且尝试提取人脸图像更多的判别信息。取原始人脸图像数据xi属于C{x1,x2,…,xC}的一个目标类。ODLPP的准则函数描述为J=(∑Ni,j=1(yi-yj)(yi-yj)TSij)/(
12、∑Ci=1ni(ui-u)(ui-u)T),(5)条件是e-（
13、
14、xi-xj
15、
16、2/t）xi和xj属于同一个类，Sij=｛0否则(6)是一个相似性矩阵。u=(1/N)∑Ni=1yi,ui=(1/ni)∑yj∈xiyj,ni是ith类的一些样本。考虑到投影Y=ATX，公式（5）
