局部统计不相关非线性鉴别变换

子空间学习方法是研究人脸识别问题的经典算法。然而,在实际中,人脸图像通常是高维线性不可分的,此时线性方法很难提取出更有效的特征;同时,人脸图像不满足理想的高斯分布,而传统的统计不相关方法使用所有样本的均值来估计期望,这种估计方法在样本数很少的情况下会出现较大的偏差。为了解决上述问题,文中提出了局部统计不相关非线性鉴别变换(LUNLDT)方法。该方法在核空间中,通过改良的统计不相关约束,迭代地求解出最优的鉴别向量集。AR人脸库和CAS-PEAL人脸库的实验结果验证了所提算法的有效性。