基于马氏距离的局部边界Fisher分析降维算法

doi:10.11772/j.issn.1001-9081.2013.07.1930

计算机应用 ›› 2013, Vol. 33 ›› Issue (07): 1930-1934.DOI: 10.11772/j.issn.1001-9081.2013.07.1930

基于马氏距离的局部边界Fisher分析降维算法

李峰¹,王正群¹,徐春林²,周中侠¹,薛巍¹

1. 扬州大学信息工程学院，江苏扬州 225127
2. 北方激光科技集团有限公司激光应用技术部，江苏扬州 225009

收稿日期:2013-01-06 修回日期:2013-02-26 出版日期:2013-07-01 发布日期:2013-07-06
通讯作者: 李峰
作者简介:李峰(1987-),男,江苏淮安人，硕士研究生，主要研究方向：模式识别、人工智能；王正群(1965-),男,江苏如东人,教授,博士,主要研究方向：模式识别、机器学习;徐春林(1969-),男,江苏兴化人,研究员级高级工程师,主要研究方向：信号处理;周中侠(1988-),男,山东菏泽人,硕士研究生,主要研究方向：机器学习;薛巍(1989-),男,江苏苏州人,硕士研究生,主要研究方向：模式识别。
基金资助:
国家自然科学基金资助项目(61175111);江苏省高校自然科学基金资助项目(10KJB510027)

Dimensionality reduction algorithm of local marginal Fisher analysis based on Mahalanobis distance

LI Feng¹,WANG Zhengqun¹,XU Chunlin²,ZHOU Zhongxia¹,XUE Wei¹

1. College of Information Engineering, Yangzhou University, Yangzhou Jiangsu 225127, China
2. Department of Laser Application Technology, North Laser Technology Group Company Limited, Yangzhou Jiangsu 225009, China

Received:2013-01-06 Revised:2013-02-26 Online:2013-07-06 Published:2013-07-01
Contact: LI Feng

摘要/Abstract

摘要： 针对人脸识别应用中的高维数据图像以及欧氏距离不能准确体现样本间的相似度的问题，提出了一种基于马氏距离的局部边界Fisher分析(MLMFA)降维算法。该算法从现有的样本中学习得到一个马氏度量，然后在近邻选择以及新样本降维过程中用马氏距离作为相似性度量。同时，通过马氏度量构造出类内“相似”图和类间“代价”图来描述数据集的类内紧凑性和类间分离性。MLMFA很好地保持了数据集的局部结构。用YALE和FERET人脸库进行实验，MLMFA的最大识别率比传统基于欧氏距离算法的最大识别率平均分别提高了1.03%和6%。实验结果表明，算法MLMFA具有很好的分类和识别性能。

关键词: 马氏距离, 局部边界Fisher分析, 降维, 人脸识别

Abstract: Considering high dimensional data image in face recognition application and Euclidean distance cannot accurately reflect the similarity between samples, a Mahalanobis distance based Local Marginal Fisher Analysis (MLMFA) dimensionality reduction algorithm was proposed. A Mahalanobis distance could be ascertained from the existing samples. Then, the Mahalanobis distance was used to choose neighbors and to reduce the dimensionality of new samples. Meanwhile, to describe the intra-class compactness and the inter-class separability, intra-class “similarity” graph and inter-class “penalty” graph were constructed by using Mahalanobis distance, and local structure of data set was preserved well. With the proposed algorithm being conducted on YALE and FERET, MLMFA outperforms the algorithms based on traditional Euclidean distance with maximum average recognition rate by 1.03% and 6% respectively. The results demonstrate that the proposed algorithm has very good classification and recognition performance.

Key words: Mahalanobis Distance, Local Marginal Fisher Analysis, Dimensionality Reduction, Face Recognition

中图分类号:

TP391.413

李峰王正群徐春林周中侠薛巍. 基于马氏距离的局部边界Fisher分析降维算法[J]. 计算机应用, 2013, 33(07): 1930-1934.

LI Feng WANG Zhengqun XU Chunlin ZHOU Zhongxia XUE Wei. Dimensionality reduction algorithm of local marginal Fisher analysis based on Mahalanobis distance[J]. Journal of Computer Applications, 2013, 33(07): 1930-1934.

参考文献

［1］TURK M, PENTLAND A. Eigenface for recognition ［J］. Journal of Cognitive Neuroscience, 1991, 3(1)： 72-86.

［2］ZHENG W S, LAI J H, YUEN P C, et al. Perturbation LDA： learning the difference between the class empirical mean and its expectation ［J］. Pattern Recognition, 2009, 42(5)： 764-779.

［3］HYVARINEN A. Survey on independent component analysis ［J］. Neural Computing Surveys, 1999, 2(1)： 94-128.

［4］TENENBAUM J B, de SILVA V, LANGFORD J C. A global geometric framework for nonlinear dimensionality reduction ［J］. Science, 2000, 290(5500)： 2319-2323.

［5］ROWEIS S T, SAUL L K. Nonlinear dimensionality reduction by locally linear embedding ［J］. Science, 2000, 290(5500)： 2323-2326.

［6］BELKIN M, NIYOGI P. Laplacian Eigenmaps for dimension reduction and data representation ［J］. Neural Computation, 2001, 15(6)： 1373-1396.

［7］ZHANG Z Y, ZHA H Y. Principal manifolds and nonlinear dimensionality reduction via tangent space alignment ［J］. Journal of Shanghai University, 2004, 8(4)： 406-424.

［8］BENGIO Y, PAIEMENT J, VINCENT P, et al. Out-of-sample extensions for LLE, Isomap, MDS, eigenmaps, and spectral clustering ［J］. Neural Computation, 2004, 6(10)： 2179-2219.

［9］HE X F, NIYOGI P. Locality preserving projections ［C］// Proceedings of the 2003 Conference on Advances in Neural Information Processing Systems. Cambridge： MIT Press, 2003： 153-160.

［10］YAN S C, XU D, ZHANG B Y, et al. Graph embedding and extension： a general framework for dimensionality reduction ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 29(1)： 40-51.

［11］AOUADA D, BARYSHNIKOV Y, KRIM H. Mahalanobis-based adaptive nonlinear dimension reduction ［C］// Proceedings of the 2010 International Conference on Pattern Recognition. Piscataway： IEEE Press, 2010： 742-745.

［12］XING E P, NG A Y, JORDAN M I, et al. Distance metric learning, with application to clustering with side-information ［M］. Cambridge： MIT Press, 2003： 505-512.

［13］XIANG S M, NIE F P, ZHANG C S. Learning a Mahalanobis distance metric for data clustering and classification ［J］. Pattern Recognition, 2008, 41(12)： 3600-3612.

［14］张兴福,黄少滨.基于马氏距离的局部线性嵌入算法［J］.模式识别与人工智能,2012,25(2)：318-324.

［15］CAI D, HE X F, ZHOU K, et al. Locality sensitive discriminant analysis ［C］// Proceedings of the 20th International Joint Conference on Artificial Intelligence. San Francisco： Morgan Kaufmann, 2007： 708-713.

[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]	张阳, 王小宁. 基于Word2Vec词嵌入和高维生物基因选择遗传算法的文本特征选择方法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3151-3155.
[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]	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.
[6]	王锦凯, 贾旭. 基于加权正交约束非负矩阵分解的车脸识别算法[J]. 计算机应用, 2020, 40(4): 1050-1055.
[7]	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.
[8]	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.
[9]	黄功, 赵永平, 谢云龙. 基于局部密度的加权一类支持向量机算法及其在涡轴发动机故障检测中的应用[J]. 计算机应用, 2020, 40(3): 917-924.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	来杰, 王晓丹, 李睿, 赵振冲. 基于去噪自编码器的极限学习机[J]. 计算机应用, 2019, 39(6): 1619-1625.
[15]	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.

基于马氏距离的局部边界Fisher分析降维算法

Dimensionality reduction algorithm of local marginal Fisher analysis based on Mahalanobis distance

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