基于加权多核学习的FLDA在人脸识别中的应用

模式识别技术的应用及研究表明,单核学习在人脸识别中的应用已经很成熟,但是,在单核学习中分类的效果并不是很好。基于此,提出了一种多核构造方法,即基于加权多核学习的FLDA方法(WMKL-FLDA),通过一系列带有权值约束的基本内核线性组合构建内核,并且利用权值优化迭代方案对最大边缘准则(MMC)进行优化。在FERET及CMU PIE人脸数据库上的实验表明,与以往的单核FLDA方法相比,提出的多核学习方法不仅实现了更高的识别性能,在构造内核方面也放松了参数的选择要求。