一种新的核线性鉴别分析算法及其在人脸识别上的应用

被引：3

作者：

郑宇杰 ^{[1
]}

杨静宇 ^{[1
]}

吴小俊 ^{[2
]}

王卫东 ^{[1
]}

张丽丽 ^{[1
]}

机构：

[1] 南京理工大学计算机系

[2] 江苏科技大学电子信息学院

来源：

计算机科学 | 2006年 / 07期

关键词：

核策略; 核Fisher鉴别分析; 模糊核Fisher鉴别分析; 特征提取; 人脸识别;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

基于核策略的核Fisher鉴别分析(KFD)算法已成为非线性特征抽取的最有效方法之一。但是先前的基于核Fisher鉴别分析算法的特征抽取过程都是基于2值分类问题而言的。如何从重叠(离群)样本中抽取有效的分类特征没有得到有效的解决。本文在结合模糊集理论的基础上,利用模糊隶属度函数的概念,在特征提取过程中融入了样本的分布信息,提出了一种新的核Fisher鉴别分析方法———模糊核鉴别分析算法。在ORL人脸数据库上的实验结果验证了该算法的有效性。

引用

页码：223 / 226

页数：4

共 14 条

[1]

The Nature of Statistical Learning Theory. Vapnik V. . 1995

[2]

The Nature of Statistical Learning Theory. Vapnik V. . 1995

[3]

KPCA plus LDA:A Com-plete Kernel Fisher Discri minant Framework for Feature extrac-tion and Recognition. Yang J,Frangi A F,Yang J Y,et al. IEEE Transactions on Pattern Analysis and Machine Intelligence . 2005

[4]

Fisher discri minant analysis with kernels. Mika S,Ratsch G,Weston J,et al. In:IEEE International Workshop on Neural Networks for Signal Processing IX,Madison(USA),August . 1999

[5]

ORLface database. http://www.uk.research.att.com/facedata-base.ht ml .

[6]

Essence of kernel Fisher discri mi-nant:KPCAplus LDA. Yang J,Jin Z,Yang J Y,et al. Pattern Recognition . 2004

[7]

An introduction to kernel-basedlearning algorithms. M櫣ller K R,Mika S,Ratsch G,et al. IEEE Transactions on Neural Net-works . 2001

[8]

Nonlinear component analysis as a kernel eigenvalue problem. Sch lkopf B,Smola A,Muller K R. Neural Computation . 1998

[9]

Generalized discri minant analysis using a kernel approach. Baudat G,Anouar F. Neural Computation . 2000

[10]

Invariant feature extraction and classificationin kernel spaces. Mika S,Ratsch G,Sch lkopf B,et al. Advancesin Neural Infor-mation Processing Systems12 . 1999

← 1 2 →