基于半监督LDA特征子空间优化的人脸识别算法

计算机工程与科学

基于半监督LDA特征子空间优化的人脸识别算法

纪明君，刘漫丹，才乐千

（华东理工大学信息科学与工程学院,上海 200237）

收稿日期:2017-09-17 修回日期:2017-12-01 出版日期:2018-10-25 发布日期:2018-10-25
基金资助:
中央高校基本科研业务费专项资金(WH1213010)

A face recognition algorithm based on semi-supervised

LDA feature subspace optimization

JI Mingjun，LIU Mandan,CAI Leqian

（School of Information Science and Engineering,East China University of Science and Technology,Shanghai 200237,China）

Received:2017-09-17 Revised:2017-12-01 Online:2018-10-25 Published:2018-10-25

摘要/Abstract

摘要：

人脸特征提取是人脸识别流程最重要的步骤，特征的好坏直接影响了识别效果。为了得到更好的人脸识别效果，需要充分利用样本的信息。为了充分利用训练样本和测试样本包含的信息，提出了利用样本散度矩阵将主成分分析PCA算法和线性判别分析LDA算法加权组合的半监督LDA（SLDA）特征提取算法。同时，受组合优化问题的启发，利用二进制遗传算法对半监督特征提取算法得到的特征空间进行优化。在ORL人脸数据库上的实验结果表明：与人脸识别经典算法和部分改进算法相比，SLDA算法获得了更高的识别率。

关键词: PCA算法, Fisher判别分析, 二进制遗传算法, 特征选择, 人脸识别

Abstract:

Facial feature extraction is the most important step in face recognition process, and the quality of the feature directly affects the recognition rate. In order to get better face recognition effect, it is necessary to make full use of sample information. To make full use of the information contained in training samples and test samples, we propose a semisupervised linear discriminant analysis (SLDA) feature extraction method based on weighted combination of principal component analysis (PCA) and linear discriminant analysis (LDA). At the same time, inspired by the combinatorial optimization problem, we use the binary genetic algorithm to optimize the feature space obtained by the semisupervised feature extraction method. Experimental results of ORL face database show that the proposed method achieves higher recognition rate than the classical face recognition algorithm and some improved methods.

Key words: PCA algorithm, Fisher discriminant analysis, binary genetic algorithm, feature selection, face recognition

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.

JI Mingjun，LIU Mandan,CAI Leqian.

A face recognition algorithm based on semi-supervised

LDA feature subspace optimization

[J]. Computer Engineering & Science.

[1]	刘振超, 苑迎春, 王克俭, 何晨. 融合特征权重与改进粒子群优化的特征选择算法[J]. 计算机工程与科学, 2024, 46(02): 282-291.
[2]	钟卓辉, 陈黎飞, . 基于模型的非凸聚类算法[J]. 计算机工程与科学, 2024, 46(02): 292-302.
[3]	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.
[4]	赵瑞平, 降爱莲. 基于自编码器和局部嵌入的无监督特征选择[J]. 计算机工程与科学, 2023, 45(07): 1282-1291.
[5]	顾楚梅, 曹建军, 王保卫, 徐雨芯, . 基于蚁群参数优化的LightGBM辐射源个体识别[J]. 计算机工程与科学, 2023, 45(01): 85-94.
[6]	韩辉, 麦合甫热提, 吾尔尼沙·买买提, 朱亚俐, 库尔班·吾布力, . 基于Gist和IPCA算法的多文种离线手写签名识别[J]. 计算机工程与科学, 2022, 44(11): 2048-2055.
[7]	文武, 万玉辉, 文志云, . 基于正余弦算法的文本特征选择[J]. 计算机工程与科学, 2022, 44(08): 1467-1473.
[8]	刘云, 肖添, 王梓宇. 动态特征选择算法对恶意行为检测的优化研究[J]. 计算机工程与科学, 2022, 44(04): 665-673.
[9]	吴尚智, 徐丹丹, 王旭文, 夏宁. 基于广义重要度和runner-root算法的特征选择[J]. 计算机工程与科学, 2022, 44(04): 723-729.
[10]	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.
[11]	李雨晨, 魏巍, 白伟明, 王达. 基于标签共现关系的多标签特征选择[J]. 计算机工程与科学, 2021, 43(11): 2049-2055.
[12]	文武, 万玉辉, 张许红, 文志云, . 基于改进CHI和PCA的文本特征选择[J]. 计算机工程与科学, 2021, 43(09): 1645-1652.
[13]	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.
[14]	李向军1,2，孔珂2，魏智翔1，王科选1，肖聚鑫1. 面向Android恶意应用静态检测的特征频数差异增强算法[J]. 计算机工程与科学, 2020, 42(06): 993-1002.
[15]	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.