10.3778/j.issn.1673-9418.1510052
L2,1范数正则化的广义核判别分析及其人脸识别
特征选取和子空间学习是人脸识别的关键问题.为更准确选取人脸中丰富的非线性特征,并解决小样本问题,提出了一种新的L2,1范数正则化的广义核判别分析(generalized kemel discriminant analysis based on L2,1-norm regularization,L21GKDA).利用核函数将原始样本隐式地映射到高维特征空间中,得到广义核Fisher鉴别准则,再利用一种有效变换将该非线性模型转化为线性回归模型;为了能使特征选取和子空间学习同时进行,在模型中加入了一种L2,1范数惩罚项,并给出该正则化方法的求解算法.因为方法借助于L2,1范数惩罚项的特征选取能力,所以它能有效地提高识别率.在ORL、AR和PLE人脸库上的实验结果表明,新算法能有效选取人脸的非线性特征,提高判别能力.
人脸识别、特征选取、子空间学习、L2、1范数、核判别分析
11
TP391(计算技术、计算机技术)
The National Natural Science Foundation of China under Grant No.61373055
2017-05-03(万方平台首次上网日期,不代表论文的发表时间)
共10页
124-133