约束线性描述分析与人脸识别

针对高维、小样本模式识别中的特征提取问题,提出了一种约束线性描述分析方法(CLDA)。以线性变换后样本的类内距离与类间距离之比最小作为准则函数,同时加上约束条件使变换后的样本中心沿着特定的正交方向,通过白化变换、Gram-Schimdt正交化和正交子空间投影求解约束准则函数得到最优变换矩阵。针对人脸识别的小样本问题,根据奇异值分解定理实现白化变换。对ORL和UMIST人脸库进行了仿真研究,结果表明CLDA方法的性能接近于某些Fisher描述分析方法如直接Fisher描述分析(DDA)和改进的Fisher描述分析(R-LDA)。