L2,1范数正则化的广义核判别分析及其人脸识别

• 作者: 傅俊鹏 葛骁倩 陈秀宏
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 人脸识别 特征选取 子空间学习 L2,1范数 核判别分析
• 年，卷（期）: 2017,（1）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 124-133
• 页数: 10页
• 分类号: TP391
• 字数: 6837字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1510052

摘要

特征选取和子空间学习是人脸识别的关键问题.为更准确选取人脸中丰富的非线性特征,并解决小样本问题,提出了一种新的L2,1范数正则化的广义核判别分析(generalized kemel discriminant analysis based on L2,1-norm regularization,L21GKDA).利用核函数将原始样本隐式地映射到高维特征空间中,得到广义核Fisher鉴别准则,再利用一种有效变换将该非线性模型转化为线性回归模型;为了能使特征选取和子空间学习同时进行,在模型中加入了一种L2,1范数惩罚项,并给出该正则化方法的求解算法.因为方法借助于L2,1范数惩罚项的特征选取能力,所以它能有效地提高识别率.在ORL、AR和PLE人脸库上的实验结果表明,新算法能有效选取人脸的非线性特征,提高判别能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈秀宏	江南大学数字媒体学院	90	480	12.0	17.0
2	葛骁倩	江南大学数字媒体学院	3	20	3.0	3.0
3	傅俊鹏	江南大学数字媒体学院	4	20	3.0	4.0