基于加权不相关鉴别分析的人脸识别

doi:10.3724/SP.J.1087.2005.01764

计算机应用 ›› 2005, Vol. 25 ›› Issue (08): 1764-1766.DOI: 10.3724/SP.J.1087.2005.01764

基于加权不相关鉴别分析的人脸识别

梁毅雄，龚卫国，潘英俊，李伟红

重庆大学光电技术及系统教育部重点实验室

发布日期:2011-04-07 出版日期:2005-08-01
基金资助:
教育部科学技术重点资助项目(02057);;教育部春晖计划资助项目(2003589)

Face recognition based on uncorrelated weighted discriminant analysis

LIANG Yi-xiong,GONG Wei-guo,PAN Ying-jun,LI Wei-hong

The Key Laboratory of Optoelectronic Technology and System,Ministry of Education,Chongqing University,Chongqing 400044,China

Online:2011-04-07 Published:2005-08-01

摘要/Abstract

摘要： 提出了一种基于加权不相关鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以改善样本在低维线性空间中的可分性;然后,以给出的加权Fisher准则为目标函数,在共轭正交的约束下求解其最佳投影方向,从而保证所提取的最佳鉴别特征之间的统计不相关性。实验结果表明,与经典的特征脸方法和Fisher脸方法相比,该方法对光照变化、表情变化以及时间变化等不敏感,具有更好的鲁棒性。

关键词: 线性鉴别分析, 加权Fisher准则, 人脸识别, 统计不相关

Abstract: A novel method based on weighted uncorrelated discriminant analysis for face recognition was proposed. First, the Fisher criterion was redefined by introducing a weighting of the contributions of individual class pairs to the overall criterion. Then, the weighted Fisher criterion was optimized under the conjugated orthogonal constrain, which can guarantee the derived projection directions were statistically uncorrelated. Experiments were carried out to compare the proposed method with classical Eigenfaces method and other LDA-based methods such as Fisherfaces and ULDA. The experimental results on the AR face database show the effectiveness of the proposed algorithm and its insensitivity to the variants of face expression, illumination and sessions.

Key words: LDA(Linear Discriminant Analysis), weighted Fisher criterion, face recognition, statistically uncorrelated

中图分类号:

TP391.41

梁毅雄，龚卫国，潘英俊，李伟红. 基于加权不相关鉴别分析的人脸识别[J]. 计算机应用, 2005, 25(08): 1764-1766.

LIANG Yi-xiong,GONG Wei-guo,PAN Ying-jun,LI Wei-hong. Face recognition based on uncorrelated weighted discriminant analysis[J]. Journal of Computer Applications, 2005, 25(08): 1764-1766.

[1]	高工, 杨红雨, 刘洪. 基于深度学习的三维点云人脸识别[J]. 计算机应用, 2021, 41(9): 2736-2740.
[2]	李虹霞, 秦品乐, 闫寒梅, 曾建潮, 鲍骞月, 柴锐. 基于面部特征图对称的人脸正面化生成对抗网络算法[J]. 计算机应用, 2021, 41(3): 714-720.
[3]	方书雅, 刘守印. 基于学生人体检测的无感知课堂考勤方法[J]. 计算机应用, 2020, 40(9): 2519-2524.
[4]	赵青, 余元辉. 基于分层特征化网络的三维人脸识别[J]. 计算机应用, 2020, 40(9): 2514-2518.
[5]	李东博, 黄铝文. 重加权稀疏主成分分析算法及其在人脸识别中的应用[J]. 计算机应用, 2020, 40(3): 717-722.
[6]	龚锐, 丁胜, 章超华, 苏浩. 基于深度学习的轻量级和多姿态人脸识别方法[J]. 计算机应用, 2020, 40(3): 704-709.
[7]	陈放, 刘晓瑞, 杨明业. 基于活体检测和身份认证的人脸识别安防系统[J]. 计算机应用, 2020, 40(12): 3666-3672.
[8]	任珍文, 吴明娜. 基于熵自加权联合正则化最近点的图像集分类算法[J]. 计算机应用, 2019, 39(9): 2547-2551.
[9]	丁莲静, 刘光帅, 李旭瑞, 陈晓文. 加权信息熵与增强局部二值模式结合的人脸识别[J]. 计算机应用, 2019, 39(8): 2210-2216.
[10]	方国康, 李俊, 王垚儒. 基于深度学习的ARM平台实时人脸识别[J]. 计算机应用, 2019, 39(8): 2217-2222.
[11]	桑高丽, 闫超, 朱蓉. 基于多区域融合的表情鲁棒三维人脸识别算法[J]. 计算机应用, 2019, 39(6): 1685-1689.
[12]	杨亮东, 杨志霞. 稀疏限制的增量式鲁棒非负矩阵分解及其应用[J]. 计算机应用, 2019, 39(5): 1275-1281.
[13]	李秋珍, 栾朝阳, 汪双喜. 基于卷积神经网络的人脸图像质量评价[J]. 计算机应用, 2019, 39(3): 695-699.
[14]	谢志华, 江鹏, 余新河, 张帅. 基于VGGNet和多谱带循环网络的高光谱人脸识别系统[J]. 计算机应用, 2019, 39(2): 388-391.
[15]	张芳艳, 王新, 许新征. 基于结构化遮挡编码和极限学习机的局部遮挡人脸识别[J]. 计算机应用, 2019, 39(10): 2893-2898.

基于加权不相关鉴别分析的人脸识别

Face recognition based on uncorrelated weighted discriminant analysis

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics