针对单一保局投影(LPP) 算法分类识别能力弱的问题,提出了一种随机采样子空间保局投影算法(RSSLPP) 。该算法在对训练样本的主元子空间进行随机采样的基础上,利用保局投影得到了多个既有差异且又互补的保局投影子空间,测试样本被分别投影到这些保局投影子空间上,然后利用最近邻分类器进行分类识别。最后,根据多数投票原则融合多个子空间上的分类结果来确定样本所属类别。在FERET 人脸图像子库上的实验表明:随机采样子空间保局投影算法的性能明显优于Eigenface、Fisherface、保局投影和鉴别保局投影等算法;和保局投影算法相比,本文所提出的方法人脸识别精度提高了10 %以上。结果表明,随机采样子空间保局投影算法有效地融合了各L PP 投影空间的互补信息,可以显著地提高人脸识别精度。

为了充分利用保局总体散布主元空间内的鉴别信息进行人脸识别,提出了一种完备鉴别保局投影(complete discriminant locality preserving projections,简称CDLPP)人脸识别算法.鉴于Fisher 鉴别分析和保局投影已经被广泛的应用于人脸识别,完备鉴别保局投影(locality preserving projections,简称LPP)算法将这两者结合起来,分析了保局类内散布、类间散布和总体散布的主元空间和零空间内包含的鉴别信息.该算法采用奇异值分解(singular value decomposition,简称SVD),去除了不含任何鉴别信息的保局总体散布的零空间;分别在保局类内散布的主元空间和零空间提取规则鉴别特征和不规则鉴别特征;用串联的方式在特征层融合规则鉴别特征和不规则鉴别特征形成完备的鉴别特征进行人脸识别.在ORL 库、FERET 子库和PIE 子库上的大量识别实验充分表明了完备鉴别保局投影算法的性能优于线性鉴别分析、保局投影和鉴别保局投影等现有的子空间人脸识别算法,验证了算法的有效性.

针对高维数据分类中鉴别特征降维方法的小样本问题和有效维度丢失问题，结合最新提出的片对齐框架和保局投影提出了样本保局鉴别分析方法。该方法通过分别构造每个样本的类内近邻图和类外近邻图，并将所有样本的类内近邻图和类外近邻图结合起来，形成了所有样本的类内近邻和类外近邻关系。然后，在使所有样本的类内近邻尽可能地聚集在一起的同时使类外近邻尽可能地分开，得到从高维输入空间到低维特征空间的最优映射关系。该方法有效避免了高维数据分类的小样本问题且扩展了鉴别分析的低维特征空间的有效维度。在ORL、FERET 和PIE 等人脸库上的高维数据分类实验证实，样本保局鉴别分析方法显著优于经典的鉴别特征降维方法。与基于片对齐框架提出的鉴别局部对齐方法相比，样本保局鉴别分析方法在FERET库上的分类识别精度提高了4.5%以上。

In this paper, we propose a novel bagging null space locality preserving discriminant analysis (bagNLPDA) method for facial feature extraction and recognition. The bagNLPDA method first projects all the training samples into the range space of a so-called locality preserving total scatter matrix without losing any discriminative information. The projected training samples are then randomly sampled using bagging to generate a set of bootstrap replicates. Null space discriminant analysis is performed in each replicate and the results of them are combined using majority voting. As a result, the proposed method aggregates a set of complementary null space locality preserving discriminant classifiers. Experiments on FERET and PIE subsets demonstrate the effectiveness of bagNLPDA.

In this paper, we propose a null space discriminant locality preserving projections (NDLPP) method for facial feature extraction and recognition. Based on locality preserving projections (LPP) and discriminant locality preserving projections (DLPP) methods, NDLPP comes into the characteristics of DLPP that encodes both the geometrical and discriminant structure of the data manifold, and addresses the small sample size problem by solving an eigenvalue problem in null space. Experiments on synthetic data and ORL, Yale, and FERET face databases are performed to test and evaluate the proposed algorithm. The results demonstrate the effectiveness of NDLPP.