摘要
提出一种有效的非线性子空间学习方法——核最大散度差判别分析(KMSD),并将其用于人脸识别。核最大散度差判别分析首先把输入空间的样本非线性映射到特征空间,然后通过核方法的技巧,采用最大散度差判别分析(MSD)方法在特征空间里求解。在Yale和ORL人脸数据库上的实验结果表明,提出的核最大散度差判别分析方法用于人脸识别具有较高的识别率。
An efficient nonlinear subspace learning method, kernel maximum scatter difference discriminant analysis （KMSD） ,was proposed for face recognition in this paper. The main idea of KMSD is to map the input sample data into feature space by nonlinear function,and then adopt maximum scatter difference discriminant analysis（MSD） to find the solution in feature space by kernel trick. The experimental results on the Yale and ORL face image database show that the proposed KMSD method for face recognition has higher recognition rate and more effective.
出处
《计算机科学》
CSCD
北大核心
2010年第6期286-288,302,共4页
Computer Science
基金
河南省自然科学研究资助计划项目(2008A520003)资助
关键词
核最大散度差判别分析
子空间学习
人脸识别
Kernel maximum scatter difference discriminant analysis（KMSD）, Subspace learning, Face recognition
