基于Fisher准则改进线性判别回归分类的人脸识别.pdf

【基于Fisher准则改进线性判别回归分类的人脸识别】是一种提高人脸识别准确性和鲁棒性的算法。在本文中，作者曾贤灏和李向伟针对线性回归分类（LRC）的局限性，提出了一种基于Fisher准则的改进方法。 线性回归分类是一种机器学习算法，用于通过构建线性模型来预测目标变量。然而，原始的LRC算法可能在处理具有复杂特征分布和高维度数据，如人脸识别时，表现不佳。为了提高其鲁棒性，作者引入了Fisher准则。 Fisher准则，也称为Fisher判别分析（FDA），是一种优化分类性能的方法。它的主要思想是最大化类间距离（不同类别之间的差异）同时最小化类内距离（同一类别内的样本间的差异）。在人脸识别中，这个准则有助于找到能最好地区分不同人脸的特征子空间。 论文中，作者首先使用Fisher准则来最大化类间重建误差与类内重建误差的比值，以确定最佳投影矩阵。这个最佳投影矩阵可以将原始图像数据映射到一个低维空间，在这个空间中，不同类别的样本更容易被区分。接着，利用这个最佳投影矩阵，训练集和测试集的图像都被投射到各自类别的特征子空间。通过计算测试图像与每个训练图像之间的欧氏距离，并结合K近邻分类器，进行人脸识别。K近邻算法是一种基于实例的学习方法，它根据最近的k个邻居的类别来决定测试样本的类别。 实验部分，作者在FERET和AR两个常用的人脸数据库上验证了所提出的算法。实验结果显示，与传统的回归分类算法相比，基于Fisher准则的改进线性判别回归分类算法在人脸识别任务上取得了更优的识别效果。这表明，结合Fisher准则的优化策略能够有效地提升LRC在人脸识别中的性能。 总结来说，该论文提出了一种创新的改进算法，通过应用Fisher准则增强线性判别回归分类在人脸识别任务中的能力，特别是在处理复杂和高维数据时。这种方法不仅提高了识别的准确性，还增强了算法对噪声和变异性的影响的抵抗力，为实际的人脸识别应用提供了有价值的理论支持和实践参考。