LPP与RBF结合的人脸识别新方法

"基于局部保留映射与径向基网络的人脸识别方法 (2008年)，作者：梅健强，刘正光" 本文探讨了一种融合局部保留映射（Locality Preserving Projections, LPP）与径向基函数网络（Radial Basis Function Network, RBF）的人脸识别技术，旨在解决非线性可分问题并提高识别效率。LPP 是一种数据降维技术，它通过保持数据点之间的局部结构来选择特征，尤其适用于处理非线性数据。然而，LPP 选择的特征可能包含非线性信息，这并不利于基于最近邻（K-Nearest Neighbor, KNN）的分类方法。 针对这一问题，论文提出了一种新的方法，即利用LPP 子空间与RBF 网络的结合。RBF 网络是一种非线性分类器，能够将原本非线性可分的问题转换为线性可分问题，从而提高识别准确率。在该方法中，LPP 算法采用监督学习模式，即在训练过程中考虑了类别信息。而RBF 网络的隐层中心则通过正交最小二乘（Orthogonal Least Squares, OLS）方法进行训练，以优化网络参数。 实验结果在Yale-B 和Yale-B Extended 人脸数据库上展示了该方法的有效性，识别率达到95.67%；同时，在CMU-PIII 人脸数据库上的识别率为98.52%。这些结果显示，该方法具有良好的抗噪声能力和识别性能，优于传统的特征脸（Eigenface）、Fisher脸（Fisherface）以及拉普拉斯脸（Laplacianface）等方法。 关键词涉及人脸识别、主成分分析（PCA）、线性判别分析（LDA）、局部保留映射以及径向基函数，表明该研究结合了多种机器学习和图像处理技术，为复杂环境下的人脸识别提供了新的解决方案。文章发表在2008年4月的天津大学学报（Journal of Tianjin University），具有较高的学术价值和实际应用潜力。