改进双向2DLPP的人脸识别算法提升小样本性能

本文主要探讨了"改进双向二维局部保持投影的人脸识别算法"，由吴斌、王利龙和邵延华三位作者在2019年11月发表于《电子科技大学学报》第48卷第6期。针对图像小样本问题以及二维局部保持投影(2DLPP)算法仅能保持数据局部性质的局限性，研究者提出了一个创新的算法。 首先，他们引入样本类别信息来优化权重矩阵，这增强了2DLPP算法对样本变化的鲁棒性，使得算法能够更好地适应不同类别人脸数据的变化情况。这是对传统2DLPP算法的重要改进，提高了算法在实际应用中的稳健性和准确性。 接下来，他们将2D主成分分析(2DPCA)和二维线性鉴别分析(2DLDA)的特性结合起来，设计了两种融合算法：改进2DLPP+2DPCA和改进2DLPP+2DLDA。这两种融合方法分别用于处理输入样本图像数据在行和列方向上的特征提取。通过这种方式，他们能够从两个维度捕捉到更丰富的特征信息，提高人脸识别的精度。 在特征选择阶段，作者选取了行和列方向上的最优投影，进一步减少了噪声和冗余信息，使得特征表示更加简洁且具有区分度。然后，通过行、列方向的投影，他们采用最近邻分类器对样本数据进行分类，从而实现人脸识别任务。 实验证明，改进后的双向二维局部保持投影算法在人脸数据集ORL、YALE和AR上表现出显著的优势，相比于2DPCA、2DLDA、2DLPP以及其他基于2D的组合方法，如(2D)2PCA、(2D)2LDA、(2D)2PCALDA和(2D)2LPP-PCA，该算法在人脸识别的准确率和鲁棒性方面均有提升。因此，这项工作对于提升人脸识别技术在小样本和复杂环境下的性能具有重要的理论和实际价值。 这篇论文关注的核心知识点包括：样本类别信息的利用、二维主成分分析和线性鉴别分析的融合、多维度特征提取和选择、以及改进的2DLPP算法在人脸识别中的应用。这些创新方法不仅提升了人脸识别的效率，还展示了在处理特定问题时，结合多种分析技术的重要性。