基于改进双向二维局部保持投影的人脸识别新算法

"本文提出了一种改进的双向二维局部保持投影的人脸识别算法，结合了2DPCA和2DLDA的特性，增强了2DLPP在处理图像小样本问题时的性能，并提高了对样本变化的鲁棒性。" 人脸识别是生物识别技术的一种，常用于安全和身份验证领域。该技术的核心在于从面部图像中提取有效的特征，然后用这些特征来区分不同个体。二维局部保持投影（2DLPP）是一种非线性的降维方法，它旨在保持数据的局部结构，但其本身对于小样本问题处理能力有限，并且无法充分利用样本类别信息。 针对这些问题，文中提出了一种改进的双向2DLPP算法。首先，通过引入样本类别信息来优化权重矩阵，增强了2DLPP算法对样本变化的适应性，提高了算法的稳定性。接着，结合2DPCA和2DLDA的特性，提出了2DLPP+2DPCA和2DLPP+2DLDA两种融合算法，分别用于行和列方向的特征提取。2DPCA强调数据的方差，而2DLDA则考虑了类别之间的差异，这两种方法的结合有助于获取更丰富的面部特征。 在特征选择阶段，通过比较行和列方向上的投影效果，选取最优投影，进一步压缩数据维度，减少计算复杂度。最后，利用最近邻分类器对经过行、列方向投影后的样本数据进行分类，从而实现人脸识别。 实验在ORL、YALE和AR等人脸数据库上进行，结果显示，改进的双向2DLPP算法在人脸识别性能上总体优于传统的2DPCA、2DLDA、2DLPP，以及一些结合了PCA和LDA的变种算法，如(2D)2PCA、(2D)2LDA、(2D)2PCALDA和(2D)2LPP-PCA。这些结果证明了改进的双向2DLPP算法的有效性和优越性。 该研究为解决人脸识别的小样本问题提供了新的思路，改进的双向2DLPP算法在保持局部结构的同时，结合了线性鉴别分析的分类优势，提高了人脸识别的准确性和鲁棒性。这一方法对于未来的人脸识别系统设计具有重要的参考价值。