一种改进的线性判别分析算法在人脸识别中的应用

J4 ›› 2011, Vol. 33 ›› Issue (7): 89-91.

一种改进的线性判别分析算法在人脸识别中的应用

刘忠宝

（1.江南大学信息工程学院，江苏无锡 214122；2.山西大学商务学院信息学院，山西太原 030031）

收稿日期:2010-07-20 修回日期:2010-11-18 出版日期:2011-07-21 发布日期:2011-07-25
作者简介:刘忠宝(1981),男,山西太谷人，博士，助教，CCF会员（E200015757G），研究方向为模式识别和人工智能。

An Improved LDA Algorithm and Its Application to Face Recognition

LIU Zhongbao

(1.School of Information Engineering,Jiangnan Univerisity,Wuxi 214122;
2.Department of Information Engineering,School of Business,Shanxi University,Taiyuan 030031,China）

Received:2010-07-20 Revised:2010-11-18 Online:2011-07-21 Published:2011-07-25

摘要/Abstract

摘要：

线性判别分析算法是一种经典的特征提取方法，但其仅在大样本情况下适用。本文针对传统线性判别分析算法面临的小样本问题和秩限制问题，提出了一种改进的线性判别分析算法ILDA。该方法在矩阵指数的基础上，重新定义了类内离散度矩阵和类间离散度矩阵，有效地同时提取类内离散度矩阵零空间和非零空间中的信息。若干人脸数据库上的比较实验表明了ILDA在人脸识别方面的有效性。

关键词: 线性判别分析, 类内离散度矩阵, 类间离散度矩阵, 人脸识别

Abstract:

Linear discriminant analysis (LDA) is a typical feature extraction method, but there exist at least two critical drawbacks in LDA: the small sample size problem and the rank limitation problem. In order to solve the above problems, this paper presents an improved LDA method (ILDA) which redefines the betweenclass scatter matrix and the withinclass scatter matrix. ILDA can effectively extract the discriminative information included in the null subspace and the nonnull subspace of a withinclass scatter matrix. Numerical experiments on some facial databases show ILDA achieves good performance of face recognition.

Key words: linear discriminant analysis(LDA);withinclass scatter matrix;betweenclass scatter matrix;face recognition

刘忠宝. 一种改进的线性判别分析算法在人脸识别中的应用[J]. J4, 2011, 33(7): 89-91.

LIU Zhongbao. An Improved LDA Algorithm and Its Application to Face Recognition[J]. J4, 2011, 33(7): 89-91.

[1]	任拓, 闫玮, 况立群, 谢剑斌, 谌钟毓, 高峰, 郭锐, 束伟, 谢昌颐. 基于多对抗性鉴别网络的人脸活体检测[J]. 计算机工程与科学, 2023, 45(09): 1611-1620.
[2]	严春满, 张昱瑶, 张迪. 改进标签一致KSVD字典学习的人脸识别算法[J]. 计算机工程与科学, 2022, 44(02): 291-297.
[3]	吴张倩, 苏兆品, 武钦芳, 张国富, . 实际噪声下基于时序卷积网络的手机来源识别[J]. 计算机工程与科学, 2021, 43(08): 1461-1469.
[4]	孙雨浩, 陶洋, 胡昊. 基于判别低秩矩阵恢复和协同表示的遮挡人脸识别[J]. 计算机工程与科学, 2020, 42(12): 2199-2207.
[5]	钟国韵,王檬檬,汪宇玲,常艳荣,吴忠粱. 旋转均值跳动特征及其在模糊人脸识别中的应用[J]. 计算机工程与科学, 2020, 42(03): 474-482.
[6]	冯璋，裴东,王维. 基于改进灰狼算法优化支持向量机的人脸识别[J]. 计算机工程与科学, 2019, 41(06): 1057-1063.
[7]	李燕,章玥. 基于随机投影与加权稀疏表示残差的光照鲁棒人脸识别方法[J]. 计算机工程与科学, 2018, 40(11): 2015-2022.
[8]	纪明君，刘漫丹，才乐千. 基于半监督LDA特征子空间优化的人脸识别算法[J]. 计算机工程与科学, 2018, 40(10): 1851-1857.
[9]	张建明1,2，廖婷婷1,2，吴宏林1,2，刘宇凯1,2. 基于改进分数阶SVD的块协作表示的小样本人脸识别算法[J]. 计算机工程与科学, 2018, 40(07): 1237-1243.
[10]	杜弘彦，王士同，李滔. 基于非线性距离和夹角组合的最近特征空间嵌入方法[J]. 计算机工程与科学, 2018, 40(05): 888-897.
[11]	刘冀伟1，史尹嘉1，白羽1，严朝雯2. 一种脑电信息监督人脸图像的注意力分析方法[J]. 计算机工程与科学, 2018, 40(02): 298-303.
[12]	刘欢，苏士美. 基于EHMM-SVM的人脸识别算法研究[J]. 计算机工程与科学, 2017, 39(05): 925-930.
[13]	崔鹏，张雪婷. 一种基于块共同特征值的人脸识别方法[J]. 计算机工程与科学, 2017, 39(04): 777-784.
[14]	丁铭，贾维敏. 基于L1范数的分块二维局部保持投影算法[J]. 计算机工程与科学, 2017, 39(03): 519-523.
[15]	傅俊鹏，陈秀宏，葛骁倩. L2,1范数正则化的不相关判别分析及其在人脸识别中的应用[J]. 计算机工程与科学, 2017, 39(02): 343-350.