鉴别稀疏保持投影的人脸识别算法

在人脸识别领域中遇到的数据往往是高维的,一般会导致维数灾难问题.近年来稀疏表示(Sparse representation,SR)在处理人脸识别等问题时显示出一定的有效性,而后出现的稀疏保持投影(Sparse preserving projections,SPP)算法又以保持数据的稀疏表示结构为目的成功应用于人脸识别领域,但仍存在一些问题.本文针对SPP算法在人脸识别中存在的问题进行了改进,提出了一种叫做鉴别稀疏保持投影(Discriminant sparsity preserving projection,DSPP)的算法.该算法有以下两方面的改进:(1)针对SPP算法未能有效地利用类标签信息的问题,本文利用最大散度差准则(Maximum scatter difference criterion,MSDC)重建SPP算法的目标函数;(2)针对SPP算法计算复杂度高的问题,本文利用带有相同类标签的训练样本用于稀疏重构.在ORL库、CAS-PEAL库、IMM库上的大量实验结果验证了算法的有效性.

基于指数正则化鉴别稀疏局部保持投影的人脸识别

鉴于近年来稀疏表示在人脸特征提取与降维领域的快速发展,为了解决原始的鉴别稀疏局部保持投影算法类内离散度奇异值的问题,提出了一种基于指数正则化鉴别稀疏局部保持投影的人脸特征提取算法。首先基于鉴别稀疏保持投影和正则化鉴别分析,对类内离散度矩阵进行正则化处理;其次对类内离散度矩阵和类间离散度矩阵进行指数化运算,将其投影到非线性空间,在求解特征方程时,引入零空间鉴别分析的思想,从而获取更多信息。在ORL库、Yale库和扩展Yale-B库上的大量实验验证了算法的有效性。