基于主元分析和线性判别分析降维的稀疏表示分类

• 作者: 宋晓宁 於东军 那天
• 来源期刊: 南京理工大学学报（自然科学版）
• 学科: 工学
• 关键词: 主元分析 线性判别分析 降维 稀疏表示分类 人脸识别 协同表达分类
• 年，卷（期）: 2018,（3）
• 页码范围: 286-291
• 页数: 6页
• 分类号: TP391
• 字数: 4252字
• 语种: 中文
• DOI: 10.14177/j.cnki.32-1397n.2018.42.03.005

摘要

为解决传统的稀疏表示分类( SRC)算法在小样本人脸识别过程中的过大时间开销问题,该文提出2种基于降维的SRC算法.扩展主元分析( EPCA)算法利用PCA算法构造约束优化稀疏模型,对测试样本进行线性表示,通过比较测试样本和每类训练样本的重构PCA系数进行决策分类. EPCA+线性判别分析( EPCA+LDA)算法在EPCA算法的基础上增加LDA约束模型,提高重构样本的稀疏表示的鉴别性.将该文算法应用于AR和FERET人脸数据库,与扩展SRC( ESRC) 、SRC、SRC_PCA、协同表达分类( CRC)算法相比,该文算法有较高的识别率和较低的时间复杂度.将 EPCA 算法和 EPCA+LDA 算法应用于 FETET 数据集,识别率分别为61.46%和59.17%,运行时间分别为383.02 s和220.62 s.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	於东军	南京理工大学计算机科学与工程学院	64	503	15.0	19.0
2	宋晓宁	江南大学物联网工程学院	21	48	3.0	6.0
3	那天	江南大学物联网工程学院	2	6	1.0	2.0