稀疏保持典型相关分析及在特征融合中的应用
稀疏保持投影(Sparsity preserving projections,SPP)由于保持了数据间的稀疏重构性,因而获取的投影向量满足旋转、尺度和平移的不变性,并能够在无标签的情况下提取样本的自然鉴别信息,在人脸识别领域取得了较为成功的应用.本文在典型相关分析(Canonical correlation analysis,CCA)的基础上引入稀疏保持项,提出一种稀疏保持典型相关分析(Sparsity preserving canonical correlation analysis,SPCCA).该方法不仅实现了两组特征集鉴别信息的有效融合,同时对提取特征间的稀疏重构性加以约束,增强了特征的表示和鉴别能力.在多特征手写体字符集与人脸数据集上的实验结果表明,SPCCA比CCA具有更优的识别性能.
典型相关分析(CCA)、稀疏保持投影(SPP)、稀疏保持典型相关分析(SPCCA)、特征融合
38
TP391.41(计算技术、计算机技术)
国家自然科学基金60773172;教育部博士学科点基金200802880017;江苏省自然科学基金BK2008411
2012-08-27（万方平台首次上网日期，不代表论文的发表时间）
659-665
