K2DPCA(Kernel-based 2D Principal Component Analysis)能够刻画图像的非线性特征,同时保留原始图像的二维数据结构和邻域信息,在人脸识别领域具有成功的运用,但其对异常值比较敏感。为克服此问题,将“角度”的概念引入非线性空间,基...K2DPCA(Kernel-based 2D Principal Component Analysis)能够刻画图像的非线性特征,同时保留原始图像的二维数据结构和邻域信息,在人脸识别领域具有成功的运用,但其对异常值比较敏感。为克服此问题,将“角度”的概念引入非线性空间,基于核方法提出Sin-K2DPCA,并采用F范数度量,将样本数据经非线性映射到高维空间后极小化相对重构误差。为进一步解决非线性的核矩阵规模较大、计算复杂度高的问题,利用Cholesky分解方法,计算大规模核矩阵K的低秩近似,提出了基于Cholesky分解的Chol+SinK2DPCA。实验结果表明,在ORL、Yale人脸数据库中,Chol+SinK2DPCA提高了识别率,并克服噪声的影响;在大规模数据集Extended YaleB中,Chol+SinK2DPCA有效解决了K2DPCA由于核矩阵规模过大而不能实现的问题。展开更多
