基于核化图嵌入的最佳鉴别分析与人脸识别.pdf

《基于核化图嵌入的最佳鉴别分析与人脸识别》这篇论文主要探讨了如何利用核化图嵌入（Kernel Graph Embedding, KGE）方法在人脸识别任务中的应用，以及它与最佳鉴别分析（Optimal Discriminant Analysis, ODA）的结合。论文发表在《软件学报》2011年第22卷第7期，由卢桂馥、林忠和金忠共同撰写。文章提出了一个综合框架，旨在利用KGE和线性图嵌入（Linear Graph Embedding, LGE）的鉴别特性，以提升人脸识别的性能。 作者首先通过压缩映射和同构映射分析了KGE的本质，指出KGE可以看作是核主成分分析（Kernel Principal Component Analysis, KPCA）与各种线性降维方法在LGE上的线性扩展。KPCA是一种非线性特征提取技术，能有效处理非线性数据分布，而LGE则提供了将复杂网络结构转换为低维向量空间的手段。 接着，论文构建了一个结合框架，该框架能够同时利用零空间（null space）和非零空间（non-null space）的鉴别特性。这意味着，无论是在原始特征空间还是在降维后的特征空间，都能提取到有助于分类的信息。这一框架允许将任何核降维算法与鉴别分析相结合，形成对应的联合算法。 实验部分，研究者使用了ORL、Yale、FERET和PIE等知名人脸识别数据库进行验证。结果显示，所提出的结合方法在识别率上优于传统的单一方法，证明了该框架的有效性和优越性。 论文还讨论了如何通过核函数的选择和参数优化来进一步提高人脸识别的准确性和鲁棒性。核函数的选择对于KGE的效果至关重要，因为它决定了非线性变换的质量。通过合理地调整这些参数，可以适应不同复杂度和噪声水平的人脸图像数据。 总结来说，这篇论文揭示了KGE在人脸识别领域的潜力，并提出了一种结合ODA的新方法，提高了人脸识别的性能。这项工作对于理解和改进基于图嵌入的人脸识别技术具有重要的理论和实践价值，为后续研究提供了新的视角和工具。