基于二维邻域保持判别嵌入的人脸识别.pdf

本文介绍了一种名为“二维邻域保持判别嵌入(2DNPDE)”的人脸识别算法，该算法由浙江大学电气工程学院的张大尉和朱善安提出。2DNPDE是一种有监督的特征提取方法，特别关注于在二维图像矩阵上保持样本的邻域结构和类别间距离关系。 在人脸识别领域，特征提取是关键步骤，2DNPDE算法的核心在于构建类内邻接矩阵和类间相似度矩阵。这两个矩阵分别用于描述同一类别内部样本的邻域结构和不同类别间的距离关系。通过这样的方式，算法能够在降低维度的同时，保持原始数据的重要特性，使得不同类别的数据点在低维空间中能够被有效区分，同时同类样本的邻域结构得以保留，确保了识别的准确性。 具体来说，2DNPDE首先对人脸图像进行预处理，然后将图像转换为二维矩阵形式。接着，算法会计算每个样本与其邻居之间的相似性，构建类内邻接矩阵，反映样本内部的紧密程度。同时，通过比较不同类别样本间的相似度，形成类间相似度矩阵，以体现类别间的差异。这两矩阵的构造是基于监督学习的，因为需要已知的类别信息来指导这一过程。 在得到这两个矩阵后，2DNPDE算法利用优化技术寻找一个投影空间，使得在这个空间中，类内邻域结构尽可能保持不变，而类间距离最大化。这样，不同类别的数据点在低维空间中会尽可能地分散开来，提高识别效率。实验结果表明，2DNPDE在ORL和AR两个常用的人脸数据库上表现优秀，相比其他方法，其识别效果更佳。 总结来说，2DNPDE算法是一种创新的、基于图像矩阵的特征提取方法，它有效地结合了邻域保持和判别分析，适用于人脸识别任务。通过保持样本的类内邻域结构和类间距离关系，该算法在降低维度的同时保持了识别性能，为实际应用提供了有力的工具。