改进双向2DLPP：提升人脸识别算法的小样本性能

本文主要探讨了《改进双向二维局部保持投影的人脸识别算法》这一主题，针对人脸识别领域中的小样本问题以及二维局部保持投影(2DLPP)算法存在的局限性——仅能保持数据的局部性质，提出了一种创新的方法。研究者吴斌、王利龙和邵延华来自西南科技大学信息工程学院，他们旨在提升算法的鲁棒性和性能。 首先，作者注意到在处理图像时，样本类别信息对于提高算法的识别能力至关重要。因此，他们引入了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。这种方法有助于算法更好地捕捉不同类别间的区别，从而增强其区分力。 其次，论文提出了两种融合算法：改进的2DLPP+2DPCA和2DLPP+2DLDA。这两种融合策略分别在输入样本图像数据的行和列方向上进行特征提取，利用了2DPCA（二维主成分分析）和2DLDA（二维线性鉴别分析）的优点。通过这种方式，作者试图捕捉到数据的多维度信息，提高特征的区分度和代表性。 特征选择是关键步骤，通过这种方式找到最优的行和列方向投影，使得提取的特征能够最大限度地保留数据的局部结构信息，同时减少冗余。这样做有助于降低噪声干扰，提高识别精度。 最后，通过将样本数据按行和列方向投影，作者利用最近邻分类器对样本进行分类，这种方法简单高效，适用于小型数据集。实验结果显示，在ORL、YALE和AR等常用的人脸数据集上，这种改进的双向二维局部保持投影算法在人脸识别性能上超越了包括2DPCA、2DLDA、2DLPP、(2D)2PCA、(2D)2LDA、(2D)2PCALDA和(2D)2LPP-PCA在内的多种同类算法。 这篇论文的核心贡献在于提出了一种结合了2DPCA和2DLDA特性的改进双向二维局部保持投影方法，有效地解决了小样本问题，并在人脸识别任务中展现了优越的性能。这种算法对于实际应用中的人脸识别系统具有显著的价值，特别是在处理复杂环境下的图像识别挑战时。