小样本下类内保持的正交人脸识别特征提取算法

本文主要探讨的是在人脸识别领域中的一种新型特征提取算法，针对小样本问题提出了一个具有类内保持的正交特征提取方法。传统的具有正交性的特征提取算法在增强人脸识别任务中的区分性信息方面表现出色，然而它们在样本数量较少的情况下会遇到挑战，因为样本数量可能小于特征维度，导致所谓的“小样本问题”。 文章的核心贡献是基于正交判别保持投影的思想，这种方法旨在保持同类样本内部的结构信息，以提高特征提取的稳健性和有效性。原有的特征提取过程中，类内散度矩阵和类间散度矩阵的定义被重新审视和调整，从而构建了一个新的目标函数。尽管这个新目标函数在解决人脸识别问题时仍面临小样本问题，作者通过引入低维子空间的概念来解决这个问题。通过降维，作者避开了总体散度矩阵可能变得奇异的问题，并且理论证明了在低维子空间中寻找判别向量集的过程与在原始空间中相同，这意味着可以在样本量有限的情况下仍能得到有效的特征表示。 实验部分展示了该算法在实际人脸库上的应用，结果表明了算法在处理小样本情况下显著提高了人脸识别的性能，证实了其有效性和鲁棒性。关键词包括特征提取、小样本问题、目标函数以及总体散度矩阵，这些概念都是理解和评估算法核心原理的关键点。 这篇文章提供了一种创新的方法来克服小样本问题，通过结合正交性、类内保持和低维子空间技术，使得特征提取在人脸识别任务中更具实用价值。这对于在实际应用中处理有限样本的数据集具有重要的意义，尤其是在那些样本稀缺但特征复杂的情境下。