基于Cholesky分解的K2DPCA人脸识别研究

摘要：

K2DPCA (kernel 2D principal component analysis)是基于非线性特征提取的重要人脸识别方法,具有成功的应用.但对大规模训练数据库,其因核矩阵K规模过大、计算代价高而不能有效实现.采用选主元Cholesky分解方法,仅需计算核矩阵的对角线上元素和部分精选列,得到迹范数意义下核矩阵K的最优Nystr(o)m型低秩近似LL ┬来解决该问题.并只需计算小规模矩阵LTL的特征值和特征向量,实现大规模K2DPCA/KPCA (kernel principal component analysis)的非线性特征提取.在加噪ORL人脸数据库上的实验结果表明,较K2DPCA/KPCA方法,新方法显著提高了识别率,并可以很大程度上克服噪声的影响;在Extended YaleB大型人脸数据库上的实验结果表明,此算法解决了K2DPCA核矩阵过大而不能有效实现的缺点.

关键词：人脸识别、KPCA、K2DPCA、Cholesky分解、Nystr(o)m型低秩近似

所属期刊栏目：36

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61179040,61173089;陕西省自然科学基金2014JM1031;陕西省科技厅项目2013JK0603 National Natural Science Foundation of China61179040,61173089;National Natural Science Foundation of Shaanxi Province2014JM1031;Foundation of Science and Technology Department of Shaanxi Province2013JK0603

在线出版日期：2017-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：528-535