基于改進(jìn)的局部保持投影的人臉識(shí)別.pdf

1、人臉識(shí)別是最主要的生物特征識(shí)別方法，也是模式識(shí)別的熱點(diǎn)研究課題。自上世紀(jì)70年代，已經(jīng)提出了大量的算法。目前越來(lái)越多的研究表明，人臉圖像可能分布在高維觀測(cè)空間的非線性流形上，因此流形學(xué)習(xí)方法受到更多學(xué)者的關(guān)注。He等人提出的局部保持投影（Locality Preserving Projection, LPP）算法有效地解決了新樣本的特征提取問(wèn)題，并將其成功地應(yīng)用到人臉識(shí)別中。
　　LPP算法有兩個(gè)明顯的優(yōu)勢(shì)：能夠保持人臉圖像空間的

2、局部信息；它是一個(gè)線性的方法。但LPP是一種無(wú)監(jiān)督的方法，沒(méi)有考慮樣本的類(lèi)別信息。由此，本文提出一種改進(jìn)的LPDP算法。該算法融合了最大間距準(zhǔn)則（Maximum Margin Criterion, MMC）和LPP算法的優(yōu)點(diǎn)，將人臉圖像投影在低維子空間上，使其具有最佳鑒別能力，從而獲得更好的識(shí)別效果。LPDP算法的基本思想是原始空間中相距較近的樣本點(diǎn)投影后在低維特征空間中也離得較近，同時(shí)保持類(lèi)別間的距離盡可能大。實(shí)驗(yàn)表明LPDP算法比L

3、PP算法更適用于人臉識(shí)別。
　　傳統(tǒng)的人臉識(shí)別方法都是用向量表示人臉圖像的。實(shí)質(zhì)上現(xiàn)實(shí)世界中的圖像是以張量形式存在的，用向量表示圖像忽略了像素點(diǎn)之間的相關(guān)性。近幾年， He等人提出的張量子空間分析（Tensor Subspace Analysis, TSA）方法開(kāi)辟了人臉識(shí)別研究的新途徑。本文中用張量子空間分析方法的思想來(lái)表示LPDP算法，提出一種新的TLPDP算法。該方法有如下的優(yōu)點(diǎn)：第一，用張量表示保留了人臉圖像的內(nèi)部幾何結(jié)構(gòu)