融合局部结构和差异信息的监督特征提取算法
针对监督局部保持投影(Supervised locality preserving projection,SLPP)存在过学习和不能较好地保持图像空间的差异信息等问题,造成算法性能不够好,提出了一种新的基于流形学习的监督特征提取方法(Supervised local structure and diversity projection,S-LSDP).S-LSDP从信息统计量角度引入差异信息,并给出度量差异信息大小的准则(差异离散度)及明确的物理含义;然后通过最小化局部离散度和最大化差异离散度准则提取投影方向.投影后的特征既能有效地保持图像之间的局部结构属性,又能较好地保持图像之间的差异信息,向且避免了过学习问题.在UMIST,Yale,PIE和AR数据库上的实验结果表明了该算法的有效性.
特征提取、流形学习、局部离散度、差异离散度、人脸识别
36
TP3(计算技术、计算机技术)
国家自然科学基金60802075;60872141;综合业务网理论及关键技术国家重点实验室自主研究课题ISN090403;高等学校学科创新引智计划B08038
2010-09-29（万方平台首次上网日期，不代表论文的发表时间）
1107-1114
