基于支持向量的Kernel判别分析

摘要：

提出了一种新的基于支持向量的核化判别分析方法(SV-KFD).首先深入地分析了支持向量机(SVM)以及核化费舍尔判别分析(Kernel Fisher)方法的相互关系.基于作者证明的SVM本身所固有的零空间性质:SVM分类面的法向量在基于支持向量的类内散度矩阵条件下,具有零空间特性,提出了利用SVM的法向量定义核化的决策边界特征矩阵(Kernelized Decision Boundary Feature Matrix,KDBFM)的方法.进一步结合均值向量的差向量构建扩展决策边界特征矩阵(Ex-KDBFM).最后以支持向量为训练集合,结合零空间方法来计算投影空间,该投影空间被用来从原始图像中提取判别特征.以人脸识别为例,作者在FERET和CAS-PEAL-R1大规模人脸图像数据库上对所提出的方法进行了实验验证,测试结果表明该方法具有比传统核判别分析方法更好的识别性能.

关键词：人脸识别、支持向量机、核分析、判别分析、零空间

所属期刊栏目：29

分类号：TP3(计算技术、计算机技术)

资助基金：国家自然科学基金60332010;中国科学院"百人计划"NCET-04-0320;上海银晨智能识别科技有限公司资助项目;教育部跨世纪优秀人才培养计划NCET-04-0320

在线出版日期：2007-01-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：2143-2150