改进双向二维局部保持投影的人脸识别算法.pdf

本文介绍了一种改进的双向二维局部保持投影（2DLPP）的人脸识别算法，旨在解决图像小样本问题并提高算法的鲁棒性。传统的2DLPP算法在处理局部信息时存在局限性，而该研究通过结合2DPCA（二维主成分分析）和2DLDA（二维线性鉴别分析）的优势，提出了一个优化方案。 研究中引入了样本类别信息来改进权重矩阵。这一创新点旨在增强2DLPP算法对样本变化的适应能力，使其在面对不同样本时能更好地保持数据的局部特性，从而提高识别的准确性。样本类别信息的考虑使得算法能够更好地理解和区分不同的面部特征，有助于减少误识别的可能性。 作者提出了两种融合算法：2DLPP+2DPCA和2DLPP+2DLDA。这两种算法分别应用于输入样本图像数据的行和列方向特征提取。2DPCA用于捕捉数据的主要成分，而2DLDA则侧重于最大化类间距离和最小化类内距离，以实现更好的分类效果。通过在两个方向上同时进行特征提取，可以更全面地捕获人脸图像的特征信息。 在特征选择阶段，研究者从行和列方向获取最优投影，这一步骤有助于筛选出最具代表性和区分性的特征向量，进一步提高识别效率。通过在行和列方向上对样本数据进行投影，并利用最近邻分类器进行分类，以得出最终的识别结果。最近邻分类器是一种基于实例的学习方法，它根据训练样本的最近邻来预测新样本的类别，这种方法简单且适用于小样本问题。 实验部分，该算法在ORL、YALE和AR等人脸数据集上进行了验证，结果显示，改进的双向2DLPP算法在人脸识别性能上整体超越了2DPCA、2DLDA、2DLPP、(2D)2PCA、(2D)2LDA、(2D)2PCALDA和(2D)2LPP-PCA等传统算法。这些比较证明了提出的算法在处理人脸识别任务时的有效性和优越性。 总结来说，这项研究通过引入样本类别信息改进2DLPP算法，结合2DPCA和2DLDA的优势，提出了一种新的双向特征提取策略，提高了人脸识别的准确性和鲁棒性。这种方法对于处理小样本问题尤其有效，有望在实际应用中提升人脸识别系统的性能。