基于零空间核判别分析的人脸识别

摘要：

提取有效特征对高维数据的模式分类起着关键作用.零空间线性判别分析(null-space linear discriminant analysis,NLDA)在数据降维和特征提取上表现出较好的性能,但是该方法本质上仍是一种线性方法.为有效提取数据的非线性特征,提出了零空间核判别分析算法(null-space kernel discriminant analysis,NKDA)并将其应用于人脸识别.利用核函数将原始样本隐式地映射到高维特征空间后,采用一次瘦QR分解求核类内散布矩阵的零空间鉴别矢量集,最后再进行一次Cholesky分解求得具正交性的核空间鉴别矢量集.与NLDA相比,NKDA具有更好的识别性能且在大样本情况下也能应用.另外,基于NKDA,提出了增量NKDA算法,当增加新的训练样本时能正确地更新NKDA鉴别矢量集.在ORL库、Yale库和PIE子库上的实验结果表明了算法的有效性和效率,在有效降维的同时能进一步提高鉴别能力.

关键词：人脸识别、特征提取、零空间核判别分析、零空间线性判别分析、增量学习、瘦QR分解

所属期刊栏目：50

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金项目F020508;中央高校基本科研业务费专项基金项目JUSRP211A70

在线出版日期：2013-10-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1924-1932