一种用于人脸识别的正交邻域保护嵌入算法

被引：10

作者：

陶晓燕

姬红兵

景志宏

机构：

[1] 西安电子科技大学电子工程学院

来源：

西安电子科技大学学报 | 2008年 / 03期

关键词：

邻域保护嵌入算法; 正交邻域保护嵌入算法; 邻域保护能力; 人脸识别;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

在邻域保护嵌入算法的基础上,提出了一种新的降维方法——正交邻域保护嵌入算法.首先,从最优投影的概念出发,定义了一种反映投影向量的邻域结构保护能力的函数;然后以邻域保护函数为目标函数,在原始的优化问题中增加正交约束条件,推导得到一组具有正交性的最优投影向量的迭代公式.与邻域保护嵌入算法相比,得到的正交向量具有更好的邻域保护性能,从而带来更强的判别能力,降低了误差率.在标准人脸库上的实验结果表明,与其他降维方法相比,新算法的最低误差率可减小15%20%,且在选取的特征维数较低时就可获得最优值.

引用

页码：439 / 443

页数：5

共 9 条

[1] Eigenfaces vs Fisherfaces: Recognition using class specific linear projection. Belhumeur PN, Hespanha JP, Kriegman DJ. IEEE Transactions on Pattern Analysis and Machine Intelligence . 1997
[2] Face recognition using Laplacianfaces. X. F. He, S. Yan, Y. Hu, P. Niyogi, H. J. Zhang. IEEE Transactions on Pattern Analysis and Machine Intelligence . 2005
[3] Using discriminant eigenfeatures for image retrieval. Swets DL, Weng J. IEEE Transactions on Pattern Analysis and Machine Intelligence . 1996
[4] Face databases. Cai D. http://www.ews.uiuc.edu/dengcai2 . 2007
[5] Advances inNeural Information Processing Systems 14. Belkin M,Niyogi P. MIT Press . 2001
[6] Nonlinear Dimensionality Reduction by Locally Linear Embedding. Sam T. Roweis,Lawrence K. Sa. Science . 2000
[7] Neighborhood Preserving Embedding. He X F,Cai D,Yan S C,et al. Proc of the 10th IEEE InternationalConference on Computer Vision . 2005
[8] PCA Versus LDA. Aleix M M,Avinash C K. IEEE Transactions on Pattern Analysis and Machine Intelligence . 2001
[9] An optimal transformation for discriminant and principal component analysis. Duchene J, Leclercq S. IEEE Transactions on Pattern Analysis and Machine Intelligence . 1988

← 1 →