二维非负偏最小二乘在人脸识别中的应用

传统的基于统计的子空间学习算法如主成分分析,通过学习只能得到一系列特征脸,忽略了人脸识别中重要的局部信息(如眼睛、鼻子)。而利用到类别信息的算法如线性判别分析,也会因为小样本问题而有所影响。为了解决这些问题,结合二维偏最小二乘与非负矩阵分解的非负性思想提出二维非负偏最小二乘(Two-Dimensional Nonnegative Partial Least Squares,2DNPLS)算法。其核心思想是在提取人脸特征时加入了非负性约束,使得2DNPLS不仅拥有偏最小二乘算法加入类别信息带来的分类效果,还保留了图像矩阵的内部结构信息,而且还使得到的基矩阵具有非负的局部的可解释性。在ORL,Yale人脸库中的实验结果表明,该算法从时间上和识别率上均优于人脸识别的主流算法。

二维非负稀疏偏最小二乘在人脸识别中的应用

近几年偏最小二乘算法在人脸识别中得到了广泛的应用,但是其各种改进算法都没有同时利用非负性算法和稀疏性来提高识别率和鲁棒性。为了解决这些问题,结合二维偏最小二乘与非负性思想和稀疏性约束提出二维非负稀疏偏最小二乘(Two-dimensional nonnegative sparse partial least squares,2DNSPLS)算法。其核心思想是在提取人脸特征时加入了非负性约束和稀疏性约束,使得2DNSPLS不仅拥有偏最小二乘算法加入类别信息带来的分类效果,还保留了图像矩阵的内部结构信息,而且还使得到的基矩阵具有非负的局部的可解释性并且具有一定的稀疏性。在Yale和PIE人脸库中的实验表明,该算法从时间上和识别率上均优于人脸识别的主流算法,并且对于遮挡有较好的鲁棒性。