判别近邻保持嵌入人脸识别算法提升识别率

"判别近邻保持嵌入人脸识别 (2011年) - 一种针对人脸识别的算法，结合了近邻保持嵌入和最大散度差准则，旨在提高识别率，尤其在处理小样本问题时。该算法在AT&T和Yale人脸数据库上的实验结果表明，相对于主成分分析(PCA)、线性判别分析(LDA)和近邻保持嵌入(NPE)，识别率有显著提升。" 人脸识别是计算机视觉领域的一个关键问题，尤其在安全监控、身份验证和人机交互中广泛应用。传统的识别方法如PCA和LDA主要依赖于数据的统计特性来降维并提取特征，但它们可能忽视了样本之间的类别信息。 本文提出的判别近邻保持嵌入算法(DNPE)是在近邻保持嵌入(NPE)的基础上发展起来的。NPE算法强调保留样本的局部结构，即保持样本之间的相对距离，以便在低维空间中重构原始数据的邻域结构。然而，NPE并未充分考虑样本的类别信息，这在处理小样本问题时可能导致分类性能下降。 DNPE算法通过引入最大散度差准则来解决这一问题。最大散度差是衡量两个概率分布差异的一种度量，将这个准则融入到目标函数中，使得在降维过程中，不仅保持样本的局部结构，还能增强类间差异，使不同类别的样本在低维空间中分离得更明显。这样，提取出的特征更具判别性，有利于提高识别准确性。 实验部分，DNPE在AT&T和Yale人脸数据库上与PCA、LDA及NPE进行了比较。结果显示，DNPE在AT&T数据库上的识别率比PCA、LDA和NPE分别提高了15.35%、6.47%和6.94%，在Yale数据库上则分别提高了20.27%、5.63%和2.27%。这些显著的提升证明了DNPE在处理人脸识别任务，特别是小样本问题时的有效性和优越性。 判别近邻保持嵌入人脸识别算法是一种结合局部结构保持和类别判别信息的新型人脸识别方法，其在实际应用中有望提高人脸识别系统的性能，特别是在资源有限或样本数量不足的情况下。这项工作对于理解如何优化特征提取，以及在有限数据条件下提高识别率具有重要的理论和实践意义。