LLDE：人脸识别的新方法

"局部线性判别嵌入：一种有效的人脸识别方法" 本文重点介绍了一种创新的特征提取技术——局部线性判别嵌入（Local Linear Discriminant Embedding，简称LLDE），该技术旨在提升人脸识别的准确性和效率。局部线性嵌入（LLE）是一种非线性降维方法，它通过保留数据点与其邻近点之间的局部结构来进行特征提取。然而，LLE在分类任务中表现有限，因为它的权重对旋转、缩放和平移等变换不敏感。LLDE就是针对这一局限性的改进，它引入了分类信息，使得权重能够反映样本间的类别差异。 在LLDE中，不同类别的数据点会通过不同的向量进行平移，而同一类别的数据则共享同一平移向量。此外，为了增强同类数据的聚类效果，还引入了重新缩放步骤。这样的转换和调整增强了数据的可分性，有助于提高识别系统的性能。 论文对比了LLDE与其他特征提取方法，如最大 margin 准则（Maximal Margin Criterion，MMC）以及一些监督流形学习方法，如集成统一LLE和线性判别分析（En-ULLELDA）和局部线性判别分析（LLDA）。实验结果在Yale和CMU PIE人脸数据库上进行，结果显示LLDE在保持类别信息和提升识别精度方面具有优势。 局部线性判别嵌入（LLDE）的贡献在于它结合了局部线性嵌入的保结构特性与线性判别分析的分类能力。这种方法不仅降低了数据的维度，简化了复杂性，还提升了识别系统的分类性能，因此对于人脸识别领域具有重要价值。通过对不同数据点进行适当的平移和缩放，LLDE能够在保持原始数据结构的同时，强化了类别间的差异，从而实现更高效的人脸识别。