基于最大边界准则的稀疏局部嵌入特征提取方法

针对局部线性嵌入算法(LLE)无法利用样本的鉴别信息,最大边界准则算法(MMC)对非线性数据处理能力较弱的不足,提出一种基于最大间距准则的稀疏局部嵌入(SLE/MMC)特征提取算法。在保持局部近邻的前提下,首先在类内紧致图中使同类样本尽可能地聚集在一起;然后在类间惩罚图中使不同类别的样本尽可能分离;最后使用弹性网回归算法得到一个最优的稀疏投影矩阵。为了避免小样本问题,采用MMC的形式构造目标函数。在ORL、Yale以及UMIST人脸库上的实验结果可以看到,同其他几种方法(PCA、LLE和MMC)相比,SLE/MMC具有更高的识别率,表明该方法具有更高效的特征提取能力。

无监督的稀疏差分嵌入特征提取方法

人脸数据中的有效特征是提高识别率的关键,因此特征提取是人脸识别领域的重要步骤.为了能够同时保留人脸数据的局部结构和全局结构,并得到一个更具有解释性的结果,综合主成分分析算法和局部线性嵌入算法,并加入稀疏约束,提出一种无监督的稀疏差分嵌入(Unsupervised Sparse Difference Embedding,USDE)的特征提取方法.在满足局部最小嵌入和全局最大方差的同时,使用弹性网回归算法得到一个稀疏特征向量.在ORL人脸库、AR人脸库以及UMIST人脸库上的实验结果表明,同其他几种方法相比,USDE具有更好的效果.