融合典型相关与最大散度差的特征抽取方法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (1): 72-74.

融合典型相关与最大散度差的特征抽取方法

彭倩倩¹,陈才扣^1,2,刘永俊^1,3

1.扬州大学计算机科学与工程系，江苏扬州 225009
2.南京理工大学计算机科学与工程系，南京 210094
3.常熟理工学院软件工程系，江苏常熟 215500

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-01 发布日期:2008-01-01
通讯作者: 彭倩倩

Combination of canonical correlation analysis and maximum scatter dfference discriminate analysis for feature extraction

PENG Qian-qian¹,CHEN Cai-kou^1,2,LIU Yong-jun^1,3

1.Department of Computer Science and Engineering，Yangzhou University，Yangzhou，Jiangsu 225009，China
2.Department of Computer Science and Engineering，Nanjing University of Science and Technology，Nanjing 210094，China
3.Department of Software Engineering，Changshu Insitute of Technology，Changshu，Jiangsu 215500，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-01 Published:2008-01-01
Contact: PENG Qian-qian

摘要/Abstract

摘要： 提出了一种融合典型相关分析与最大散度差鉴别分析的特征抽取新方法。该方法首先利用典型相关分析方法实现了特征信息的融合，有效地消除了特征之间的信息冗余。然后，通过采用最大散度差鉴别分析方法将训练样本中的类别信息加以充分的利用，从而有效的提高了人脸识别的正确率。最后，在ORL标准人脸库上和Yale人脸库上的实验结果验证了本文算法的有效性。

关键词: 典型相关分析, 最大散度差鉴别分析, 人脸识别

Abstract: A new method of combination of Canonical Correlation Analysis（CCA） and Maximum Scatter Difference Discriminate Analysis（MSDDA） is developed in this paper.According to the idea of CCA，it suits for information fusion；What is more，it eliminates the redundant information within the features.According to the idea of Maximum Scatter Difference Discriminate Analysis （MSDDA），the information of classes is fully utilized so the correct rate of face recognition is increased much more.Finally，extensive experiments performed on both ORL face database and YALE face database verify the effectiveness of the proposed method.

Key words: Canonical Correlation Analysis, Maximum Scatter Difference Discriminate Analysis, face recognition

彭倩倩¹,陈才扣^1,2,刘永俊^1,3. 融合典型相关与最大散度差的特征抽取方法[J]. 计算机工程与应用, 2008, 44(1): 72-74.

PENG Qian-qian¹,CHEN Cai-kou^1,2,LIU Yong-jun^1,3. Combination of canonical correlation analysis and maximum scatter dfference discriminate analysis for feature extraction[J]. Computer Engineering and Applications, 2008, 44(1): 72-74.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[3]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[4]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[5]	李俊瑶，黎智辉，谢兰迟，侯欣雨，叶东. 基于老化模型的跨年龄人脸识别研究进展[J]. 计算机工程与应用, 2021, 57(24): 27-38.
[6]	刘金金，李清宝，李晓楠. 基于对抗学习和知识蒸馏的神经网络压缩算法[J]. 计算机工程与应用, 2021, 57(21): 180-187.
[7]	徐遐龄，刘涛，田国辉，于文娟，肖大军，梁陕鹏. 有遮挡环境下的人脸识别方法综述[J]. 计算机工程与应用, 2021, 57(17): 46-60.
[8]	徐然然，吴小俊，尹贺峰. 鉴别性非负表示分类及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(13): 147-153.
[9]	王钰，刘凡，王菲. 基于自编码器和稀疏表示的单样本人脸识别[J]. 计算机工程与应用, 2021, 57(1): 168-172.
[10]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.
[11]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[12]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[13]	张飞翔，余学儒，何卫锋，李琛. 结合改进的损失函数与多重范数的人脸识别[J]. 计算机工程与应用, 2020, 56(24): 144-150.
[14]	蒋亚芳，严馨，李思远，徐广义，周枫. 多重CCA算法的柬汉双语词向量构建方法[J]. 计算机工程与应用, 2020, 56(17): 167-172.
[15]	陈哲，吴小俊. 基于结构化低秩恢复的鲁棒人脸识别算法[J]. 计算机工程与应用, 2019, 55(6): 126-132.