KPCA和NS-LDA相结合的人脸识别研究  

Research on Face Recognition Combined KPCA and NS-LDA

作　　者：董吉文[1] 赵磊 李秀丽[1] 

机构地区：[1]济南大学信息科学与工程学院,山东济南250022 [2]山东省网络环境智能计算技术重点实验室,山东济南250022

出　　处：《计算机技术与发展》2013年第5期100-103,共4页Computer Technology and Development

基　　金：山东省自然科学基金(ZR2010FL006)

摘　　要：为了能够通过保留类内散布矩阵零空间的有效鉴别信息,并选择恰当的投影找到最大可能地区别类内类间的数据集,文章分别选用核主成分分析(KPCA)和零空间线性鉴别分析(null space LDA),其中核主成分分析(KPCA)是主成分分析(PCA)在核空间中的非线性推广,零空间线性鉴别分析利用了零空间的有效信息。文中将KPCA和NS-LDA的特征提取方法结合并应用于人脸识别研究,其综合了KPCA利用数据高阶性和经NS-LDA投影矩阵良好可分性的优点来增强人脸识别性能。实验结果证明,该方法能够有效地提高人脸识别率。In order to retain the effective identification information of scattering matrix zero space inside the class, select the appropriate projection to maximize finding the data set inside and between classes, respectively choose Kernel Principal Component Analysis （ KP- CA） and Null Space Linear Discrimination Analysis （NS-LDA） ,the KPCA is the nonlinear promotion of PCA in the kernel space,NS -LDA takes advantage of zero space information effectively. The feature extraction method of the Kt^A and NS-LDA is combined and applied to face recognition research,it combines the advantage of KPCA using data and NS-LDA good separability of projection matrix to enhance face recognition performance. The experimental results show that the method can effectively improve the face recognition rate.

关 键 词：核主成分分析 零空间线性鉴别分析 人脸识别 余弦角距离 

分 类 号：TP391.41[自动化与计算机技术—计算机应用技术]