模糊线性判别分析中距离对面部识别的影响

2012-03-14 06:12:40高建强范丽亚
井冈山大学学报(自然科学版) 2012年3期
关键词:实验

高建强,范丽亚



模糊线性判别分析中距离对面部识别的影响

*高建强,范丽亚

(聊城大学数学科学学院,山东,聊城 252059)

针对面部识别问题提出了基于QR分解的模糊线性判别分析方法, 并通过ORL、Yale和FERET人脸数据实验研究了该方法在不同距离下对面部识别率的影响;同时还研究了KNN分类器中K值的选择对面部识别率的影响。实验结果表明, 距离的选取对面部识别率的结果有明显的影响。对不同的人脸数据集来说, KNN分类器中的K的选取也会对识别率有影响。对于ORL面部图像数据来说, 在Minkowski距离下(m=3), K=1时分类效果最好; 对于YALE人脸数据,在Chebyshey距离下, K=5时分类效果最好; 对于FERET人脸数据, 在绝对距离下, K=1时分类效果最好。

模糊线性判别分析;QR分解;距离;识别率;小样本

在面部识别中,我们首先遇到的难题就是数据的维数过高,因此要去降维。降维就是把高维数据映射到低维子空间的过程。通过降维,可以极大化类间分离性。线性判别分析(Linear discriminant analysis,简记为LDA[1])和主成分分析(Principal component analysis,简记为PCA[2])是两种不同的降维方法。LDA是以模式数据的可分性为目标,寻找一组最佳判别向量使每类的类内离散度最小,同时使类间的离散度达到最大。然而,传统LDA的计算要求类内离散矩阵可逆(非奇异),可在许多实际应用场合如人脸识别、图像检索以及声音识别等, 样本维数往往大于或接近于样本个数,则类内离散矩阵不可逆(奇异)或是病态的,因此传统LDA很难直接计算或不稳定,即碰到所谓的“小样本”(S3)问题[3]。

近年来……

登录APP查看全文

猜你喜欢
实验
记住“三个字”,写好小实验
记一次有趣的实验
有趣的实验
小主人报(2022年4期)2022-08-09 08:52:06
做个怪怪长实验
NO与NO2相互转化实验的改进
实践十号上的19项实验
太空探索(2016年5期)2016-07-12 15:17:55
《实验流体力学》征稿简则
我实验,我快乐
学与玩(2004年7期)2004-04-29 00:00:00