摘要
K2DPCA(kernel 2D principal component analysis)是基于非线性特征提取的重要人脸识别方法,具有成功的应用.但对大规模训练数据库,其因核矩阵K规模过大、计算代价高而不能有效实现.采用选主元Cholesky,分解方法,仅需计算核矩阵的对角线上元素和部分精选列,得到迹范数意义下核矩阵K的最优Nystr(o|¨)m型低秩近似LL~T来解决该问题.并只需计算小规模矩阵L~TL的特征值和特征向量,实现大规模K2DPCA/KPCA(kernel principal component anialysis)的非线性特征提取.在加噪ORL人脸数据库上的实验结果表明,较K...
学科与关键词
关键词
人脸识别KPCAK2DPCACholesky分解Nystrm型低秩近似 face recognitionKPCAK2DPCACholesky decompositionNystrom-type low-rank approximation
- 基于图像协方差无关的增量特征提取方法研究王肖锋; 孙明月; 葛为民电子与信息学报, 2019, (11): 2768-2776.
- 基于拉普拉斯金字塔降维的人脸识别算法亢洁; 林欣; 吴星驰陕西科技大学学报(自然科学版), 2015, (01): 165.
- 基于PCA-L1范式特征提取的大学图书馆人脸识别曹伟; 殷守林*安阳工学院学报, 2021, 20(06): 43-46.
