專利名稱：人臉識(shí)別的半監(jiān)督鄰域判別分析方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)范圍，特別涉及一種人臉識(shí)別的半監(jiān)督鄰域判別分析方法。
背景技術(shù)：
在模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域中，許多應(yīng)用例如圖像分類和信息檢索，都存在著高 維數(shù)據(jù)和標(biāo)記數(shù)據(jù)過少的問題。于是降維，即構(gòu)建用以表示原始高維數(shù)據(jù)的低維表示，就成 為了分類和可視化問題中的一項(xiàng)基本任務(wù)。在類標(biāo)記信息不明確的情況下，構(gòu)造低維表示 的無監(jiān)督降維方法有PCA(主成分分析法)，KPCA(核主成分分析)。近年來，多種方式的無 監(jiān)督降維方法受到了很多注意，如LE(拉普拉斯特征映射)，等度規(guī)映射(IS0MAP)和局部線 性嵌入(LLE)。通過考慮數(shù)據(jù)的相似性，很多學(xué)習(xí)方法都可以保證局部的結(jié)構(gòu)性。監(jiān)督方 法，如線性判別分析(LDA)和核Fisher判別分析(KFDA)，都可以構(gòu)造一個(gè)低維表示用以包 含基于標(biāo)記數(shù)據(jù)的判別式信息。在許多實(shí)際應(yīng)用中，如圖像檢索和照片注釋，都存在著數(shù)據(jù)樣本豐富，但標(biāo)記數(shù)據(jù) 不足的問題。例如，可以輕易地從數(shù)碼相機(jī)、數(shù)字視頻或從互聯(lián)網(wǎng)上獲取圖像，然而，由于標(biāo) 記工作的耗財(cái)耗時(shí)性導(dǎo)致了已標(biāo)記數(shù)據(jù)的不足。因此，半監(jiān)督的學(xué)習(xí)方法引起了大家的重 視，并取得了一定的成就。我們利用譜圖作為用于半監(jiān)督降維的工具，以便充分利用已標(biāo)記和未標(biāo)記數(shù)據(jù)。 許多流行的降維方法也都是從譜圖論推導(dǎo)而來的。譜圖[2，3]及其相關(guān)的工作為許多當(dāng)前 流行的降維算法提供了統(tǒng)一的框架。PCA，LDA，IS0MAP,LLE和LE都可以看作譜圖的框架下 的特殊情況[1，2]。

發(fā)明內(nèi)容
本發(fā)明的目的是針對(duì)在模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域中，許多應(yīng)用例如圖像分類和信 息檢索，都存在著高維數(shù)據(jù)和標(biāo)記數(shù)據(jù)過少的問題而提供一種人臉識(shí)別的半監(jiān)督鄰域判別 分析(SSNDA)方法，其特征在于，針對(duì)人臉的圖像數(shù)據(jù)，利用譜圖理論作為工具，充分利用 已標(biāo)記的數(shù)據(jù)類標(biāo)簽提供的信息，以及已標(biāo)記與未標(biāo)記數(shù)據(jù)的相似度信息來構(gòu)建鄰接矩陣 ASSNM，所述人臉識(shí)別的半監(jiān)督鄰域判別分析方法包括步驟1)對(duì)于已標(biāo)記的數(shù)據(jù)，同時(shí)考慮數(shù)據(jù)的相似性和類別信息，所述數(shù)據(jù)還被分為同 類別或非同類別；2)對(duì)于未標(biāo)記的數(shù)據(jù)，只考慮數(shù)據(jù)的相似性，并根據(jù)數(shù)據(jù)的相似性，將數(shù)據(jù)劃分為 鄰近關(guān)系或非鄰近關(guān)系，從而定義了兩個(gè)鄰接矩陣的并集、交集和單個(gè)鄰接矩陣的補(bǔ)集；3)將原始高維空間映射到一個(gè)低維空間；由LDA的鄰接矩陣AlD1nLE的鄰接矩陣 ALE通過并、交和補(bǔ)運(yùn)算求得SSNDA的鄰接矩陣Assnda ；4)利用已標(biāo)記和未標(biāo)記標(biāo)簽的信息，SSNDA根據(jù)Assnda將具有邊連接的數(shù)據(jù)對(duì)匯集 在一起，將沒有邊連接的數(shù)據(jù)對(duì)分離，構(gòu)建人臉圖像數(shù)據(jù)的SSNDA構(gòu)造譜圖。
3
所述SSNDA構(gòu)造的高維空間映射到一個(gè)低維空間包含已標(biāo)記數(shù)據(jù)的判別信息，以 及已標(biāo)記與未標(biāo)記數(shù)據(jù)的局部結(jié)構(gòu)信息。所述鄰接矩陣Assnda的補(bǔ)集是將樣本分離的項(xiàng)。所述樣本，對(duì)于已標(biāo)記樣本點(diǎn)而言，連接每個(gè)樣本點(diǎn)與其鄰近且同屬于一個(gè)類別 的點(diǎn)，對(duì)于未標(biāo)記樣本點(diǎn)而言，連接每個(gè)樣本點(diǎn)與其鄰近的點(diǎn)；剩余的樣本點(diǎn)隊(duì)構(gòu)成分離 項(xiàng)。本發(fā)明的有益效果是通過實(shí)際的人臉識(shí)別實(shí)驗(yàn)驗(yàn)證了 SSNDA的高效性和穩(wěn)定性，而且 優(yōu)于LDA方法。同時(shí)，該方法也可以應(yīng)用于圖像檢索和照片注釋中，并且其性能優(yōu)于LDA方法。


圖1為在不同光照條件下人臉的例子(擴(kuò)展的耶魯人臉數(shù)據(jù)庫B的人臉圖像)。圖2顯示的是SSNDA鄰接矩陣Assnda的一部分，其中(a)為Au-Ne，(b) A!~NDA圖3顯示了不同算法的特征臉情況。圖4展示了兩個(gè)特征臉的不同特征值的映射圖像。圖5是具有3個(gè)簇、2個(gè)類的合成數(shù)據(jù)分布情況。圖6為邊連接，(a)ASSGDA和(b) As■之間的連接邊。圖7為邊連接，(a)顯示了已標(biāo)記與未標(biāo)記數(shù)據(jù)間的連接。(d)中的實(shí)線和虛線是 投影方向。
具體實(shí)施例方式本發(fā)明提供一種人臉識(shí)別的半監(jiān)督鄰域判別分析(SSNDA)方法。下面結(jié)合圖1-7 和不同的算法，基于譜圖理論對(duì)本發(fā)明予以進(jìn)一步說明。降維的譜圖理論在分類問題中，訓(xùn)練樣本集可以表示為矩陣X = [Xl，x2，. . .，xN]，x, G RM，其中N 為樣本數(shù)量，M為特征維度，Xi為第j個(gè)人臉樣本，x, G Rm表示人臉樣本Xi屬于M維實(shí)數(shù)空 間。在監(jiān)督學(xué)習(xí)問題中，樣本\的類標(biāo)簽表示為Ci e {1，2，...，11。}，其中11。為類的數(shù)量， 為屬于第j類的樣本數(shù)目。用基于圖的降維方法[2，3]構(gòu)造一個(gè)無向帶權(quán)圖G= {X，A}，其中頂點(diǎn)集為X，鄰 接矩陣或者權(quán)重矩陣為A G Rnxn。為達(dá)到降維目的，內(nèi)蘊(yùn)圖的構(gòu)造原則是選擇y e r用以 最小化目標(biāo)函數(shù)Z丨丨乃-乃丨丨2為=/辦(1)
i^J其中，yi是Xi的低維表示，m是低維表示空間的維數(shù)，滿足m << M。圖G的拉普 拉斯矩陣[3]L和對(duì)角矩陣D分別定義為L = D-A，""=2X，(2)
j*'如果樣本Xi與&之間的權(quán)重A。比較大，yi與之間的距離應(yīng)減小用以最小化目 標(biāo)函數(shù)⑴。同樣地，若Xi與Xj之間權(quán)重比較小，則應(yīng)增大yi與y」的距離。
用譜圖學(xué)習(xí)的線性形式是找到一個(gè)線性映射 則(1)可表示為，A
括J= 圖嵌入方法[2]表明，PCA，LDA，LE，ISOMAP, LLE等可以看作為(1)所構(gòu)造的不同 的鄰接矩陣A。如果權(quán)重與相鄰數(shù)據(jù)對(duì)的相似度成正比，則低維表示可以保持局部的結(jié)構(gòu) 性，大多數(shù)的方法都如此，例如LE。如果權(quán)重&彳是由Xi和\的類標(biāo)簽決定，則低維空間可 以盡量包含樣本的判別信息，例LDA就是這樣的一種方法。根據(jù)[1，2]，PCA、LDA和LE的鄰接矩陣可以構(gòu)造如下PCA的鄰接矩陣是通過連接所有頂點(diǎn)對(duì)構(gòu)造而成的，不考慮它們是否相鄰，也不考 慮它們是否屬于同一類別。PCA[1，2]的鄰接矩陣是， 則PCA的圖學(xué)習(xí)準(zhǔn)則為 其中廣 LDA的鄰接矩陣是通過連接頂點(diǎn)i和j構(gòu)建的，其中Xi和&屬于同一類。LDA通 過尋找將不同類別分離的最佳投影方向，能包含盡量多的類別差異信息。LDA[1，2]的鄰接 矩陣是， 其中，隊(duì)是第1類的樣本數(shù)量，則LDA的圖學(xué)習(xí)準(zhǔn)則為 其中 [1,2]表明(3)和⑷可以分別從原始的PCA和LDA的協(xié)方差矩陣為基礎(chǔ)的準(zhǔn)則 推理而得。LE (拉普拉斯特征映射)的鄰接矩陣A是通過連接相鄰頂點(diǎn)構(gòu)建的。LLP[1]則是 LE的線性形式。如果Xi和Xj是鄰近關(guān)系，則LE在頂點(diǎn)i和j之間連接一條邊。接近性可 通過￡近鄰或者k近鄰進(jìn)行計(jì)算。LE鄰接矩陣的簡單表示為， 其中Nk(j)表示數(shù)據(jù)Xj的k近鄰樣本集。半監(jiān)督鄰域判別分析方法為了充分利用已標(biāo)記和未標(biāo)記數(shù)據(jù)的所有信息，我們提出了一種用于降維和分類的半監(jiān)督鄰域判別分析(SSNDA)方法。基于譜圖理論，SSNDA構(gòu)造的圖包含了標(biāo)記數(shù)據(jù)的 判別信息和已標(biāo)記與未標(biāo)記數(shù)據(jù)的局部結(jié)構(gòu)信息。假設(shè)有兩個(gè)圖& = {X，A]和& = {X，A2}，它們具有相同的頂點(diǎn)集X，但各自有不 同的鄰接矩陣A1和A2。如果頂點(diǎn)i和j之間有邊連接，則集合= 1，否則集合= 0。 A1和A2相應(yīng)的拉普拉斯算子為L1和L2。定義1 和A2的鄰接矩陣交集(IM)定義為IM = A^A2,其中 IMV =min(4;，4，)，^/。相應(yīng)的A1和A2交集的拉普拉斯算子(IL)定義為其鄰接矩陣交集IM 的拉普拉斯算子，即IL = KA^A2)。定義2 -上1和A2的鄰接矩陣并集(UM)定義為UM = fUA2，其中 UMy 。同樣地，相應(yīng)的A1和A2并集的拉普拉斯算子(UL)定義為鄰接矩陣 并集UM的拉普拉斯算子，即UL = KA^A2)。定義3 -.A1的鄰接矩陣補(bǔ)集(CM)定義為⑶疋，其中=1-劣。相應(yīng)地，A1的 補(bǔ)集拉普拉斯算子(CL)定義為A1鄰接矩陣補(bǔ)集(CM)的拉普拉斯算子，即=SSNDA方法能充分利用已標(biāo)記和未標(biāo)記數(shù)據(jù)的所有信息。將標(biāo)記數(shù)據(jù)集合表示為 Lset = {1,2,. . ，N}，其中xi，x2，. . ，xN為標(biāo)記數(shù)據(jù)；未標(biāo)記數(shù)據(jù)集合表示為Uset = {N+1, N+2, . . . , N+t},其中，xN+1, xN+2, . . . , xN+t 表示未標(biāo)記數(shù)據(jù)。為了充分利用數(shù)據(jù)的相似性和類標(biāo)簽信息。SSNDA構(gòu)造如下鄰接矩陣 其中，是由未標(biāo)記數(shù)據(jù)構(gòu)建的，當(dāng)Xi和\是鄰近關(guān)系時(shí)，則在頂點(diǎn)i和j之間 連接一條邊， 其中Nk(j)表示數(shù)據(jù)Xj的k近鄰頂點(diǎn)集。通過標(biāo)記數(shù)據(jù)構(gòu)建的A1可以有不同的形式，分別用Aij;da和A1-nda表示。UAl-GM 如果Xi和Xj屬于同一個(gè)類，則可以通過在頂點(diǎn)i和j之間增加一條邊來 構(gòu)造A1，我們可以將式(6)看為一種基于LDA的半監(jiān)督圖學(xué)習(xí)方法，我們稱之為GDA，其監(jiān) 督方式稱為SSGDA， 2,Al-wa 如果Xi和Xj是k近鄰關(guān)系且屬于同一個(gè)類，則可以通過在頂點(diǎn)i禾P j之 間增加一條邊來構(gòu)造A1，我們稱之為鄰域判別分析(NDA)，其半監(jiān)督方法被稱為SSNDA，^^KO)orJeK(i),iJeLset⑶其中，A^仿表示數(shù)據(jù)\的k近鄰且與\屬于同一類的頂點(diǎn)集。根據(jù)定義1，可以 推斷AL-碰=AL-Ne n Alda其中，除了數(shù)據(jù)是屬于標(biāo)記集外，AL-Ne與式(7)有相似的形式。
6
將式⑶或式(9)與式(7)結(jié)合，SSGDA和SSNDA的鄰接矩陣構(gòu)造如下， 以及 式(11)中，SSNDA的鄰接矩陣的構(gòu)造是當(dāng)Xi和\均屬于已標(biāo)記且在同一類中又 是近鄰，或者均屬于未標(biāo)記且是近鄰的情況下，連接接頂點(diǎn)i和j。最小化目標(biāo)函 數(shù)⑴時(shí)，當(dāng)兩個(gè)頂點(diǎn)Xi和\之間有邊相連接時(shí)，也就是Au= 1的情況下，相應(yīng)的yjPyj 在低維空間內(nèi)就會(huì)彼此接近。然而，當(dāng)兩個(gè)頂點(diǎn)Xi和Xj之間不存在邊連接，也就是Aij = 0的情況下，函數(shù)(1) 對(duì)于相應(yīng)的Ii和&無任何限制。因此，我們構(gòu)建Assa鄰接矩陣的補(bǔ)集(CM)，即一,將不 近鄰或不同類的數(shù)據(jù)相分離，我們稱一為分離項(xiàng)。SSNDA的準(zhǔn)則是選擇Yi e Rm最大化如下目標(biāo)函數(shù)
其中，Lssa是鄰接矩陣Assa的拉普拉斯算子，一是Assa的補(bǔ)集拉普拉斯算子。根 據(jù)(12)可知，如果Aij = 0，或^=I時(shí)，SSNDA會(huì)分離yjOy」。所以，如果Xi和Xj不鄰近或 者屬于不同類，Ii與&之間的距離將會(huì)增大。由于Assa利用了已標(biāo)記數(shù)據(jù)集的類別信息和相似信息以及標(biāo)記數(shù)據(jù)集的相似信 息，則其低維特征表示會(huì)包含最具有判別力的信息，同時(shí)能夠保持?jǐn)?shù)據(jù)的局部結(jié)構(gòu)信息。SSNDA的線性形式如下， 擴(kuò)展的耶魯人臉數(shù)據(jù)庫B實(shí)驗(yàn)擴(kuò)展的耶魯人臉數(shù)據(jù)庫B包含38個(gè)人在9中不同姿勢和64種光照條件下的16128 圖像。加上采用耶魯人臉數(shù)據(jù)庫B，我們共采用了 38個(gè)人在不同光照下64種正面形象共 2414幅圖像的數(shù)據(jù)集。當(dāng)訓(xùn)練樣本數(shù)為La( = 5，10，20，30，40，50)時(shí)，對(duì)應(yīng)相應(yīng)的六種訓(xùn) 練測試集，抽取每個(gè)人的已標(biāo)記圖像形成訓(xùn)練集，該人其余的圖像作為測試集。每給定一個(gè) La，對(duì)應(yīng)著50個(gè)隨機(jī)選取的數(shù)據(jù)集。在本方法中，我們均使用剪裁和調(diào)整大小后為32X32像素的人臉圖片，圖1為在 不同光照條件下人臉的例子。我們沒有使用任何去光照技術(shù)，只是調(diào)整圖像矢量至W，l] 區(qū)間內(nèi)，這樣可以更好地比較不同方法的魯棒性。表1顯示了 LDA，MFA[2]，SSGDA和SSNDA的性能比較，從中可以看出SSNDA的性能 優(yōu)于其它方法，尤其是在每個(gè)人只有少量圖像樣本被標(biāo)記的情況下。從圖中可以看出，LDA 和MFA的性能在每個(gè)人有30個(gè)標(biāo)注圖像的情況下比起20個(gè)標(biāo)記圖像反而有所下降的，但 SSNDA相對(duì)來說非常穩(wěn)定。這表明當(dāng)數(shù)據(jù)存在偏差的情況下，未標(biāo)記數(shù)據(jù)的相似性是至關(guān)重 要的。表1.擴(kuò)展耶魯人臉數(shù)據(jù)庫B實(shí)驗(yàn)
在40和50個(gè)已標(biāo)記數(shù)據(jù)的情況下，最佳的性能并不是SSNDA，而是監(jiān)督算法MFA 和LDA。考慮到每個(gè)人都有約64張圖像分別包含在訓(xùn)練集和測試集中，當(dāng)標(biāo)記圖像多于未 標(biāo)記圖像時(shí)，從標(biāo)記圖像中獲得的信息就會(huì)更魯棒。所以在這種情況下沒有必要使用半監(jiān) 督策略，監(jiān)督方法反而成為一個(gè)較佳的選擇。圖2顯示的是SSNDA鄰接矩陣的一部分。黑色點(diǎn)相應(yīng)于Au = l。(a)是未標(biāo)注樣 本，相連的鄰近樣本形成了一個(gè)點(diǎn)云。(b)是標(biāo)注樣本，相連的同類且鄰近的樣本。圖3顯示了不同算法的特征臉情況。我們使用了每個(gè)人有5個(gè)標(biāo)注訓(xùn)練樣本的第 一個(gè)隨機(jī)集來訓(xùn)練PCA，LDA，MFA[2]，SSGDA和SSNDA，并展示了這些方法的前7個(gè)特征臉。 基于每種方法的映射向量，臉部圖像通過相對(duì)應(yīng)的“特征臉”可以映射到一個(gè)各自的子空間 內(nèi)。每種方法后面的數(shù)字是隨機(jī)集上相應(yīng)識(shí)別率。研究特定特征值是很有意義的。我們發(fā)現(xiàn)，特征值為1的特征臉，GDA會(huì)將訓(xùn)練集 映射到同樣的坐標(biāo)值；在如果沿著特征值小于1時(shí)的特征向量，GDA則將訓(xùn)練集映射到了不 同的坐標(biāo)值。圖4展示了(a)兩個(gè)特征臉的特征值均為1的映射圖像，(b) 一個(gè)特征臉的與 特征值為1 (x軸)而另一小于1 (y軸)的映射圖像，(c)兩個(gè)特征臉的特征值均小于1的 映射圖像。圖5是具有3個(gè)簇、2個(gè)類的合成數(shù)據(jù)分布，其中圓點(diǎn)為同屬一個(gè)類，圓圈屬于另 一個(gè)類。在這種情況下，ASSGM和Assnda之間的連接邊如圖6和圖7所示。圖7 (a)顯示了已 標(biāo)記與未標(biāo)記數(shù)據(jù)間的連接。(d)中的實(shí)線和虛線是投影方向。我們會(huì)發(fā)現(xiàn)，Ass■的投影 方向優(yōu)于ASS(M。當(dāng)數(shù)據(jù)沿實(shí)線投影時(shí)，ASSNM可以將兩種不同的數(shù)據(jù)分離，但ASS(M卻無法做 到。參考文獻(xiàn)[4]X. He, S. Yan, Y. Hu, P. Niyogi, H. -J. Zhang. Face recognition usinglaplacianfaces.IEEE Transactions on Pattern Analysis and Machinelntelligence, 27(3) :328_340，2005.[5] S. Yan, D. Xu, B Zhang, H Zhang, Q Yang, S. Lin, Graph EmbeddingandExtensions :A General Framework for Dimensionality Reduction, IEEETrans. Pattern Analysis and Machine Intelligence, vol. 29, No. 1, pp. 40-51 Jan. 2007
[6]F. R. K. Chung, Spectral Graph Theory, Proc. Regional Conf. Seriesin Math.，no. 92，1997.
權(quán)利要求
一種人臉識(shí)別的半監(jiān)督鄰域判別分析方法，其特征在于，針對(duì)人臉的圖像數(shù)據(jù)，利用譜圖理論作為工具，充分利用已標(biāo)記的數(shù)據(jù)類標(biāo)簽提供的信息，以及已標(biāo)記與未標(biāo)記數(shù)據(jù)的相似度信息來構(gòu)建鄰接矩陣ASSNDA，所述人臉識(shí)別的半監(jiān)督鄰域判別分析方法包括步驟1)對(duì)于已標(biāo)記的數(shù)據(jù)，同時(shí)考慮數(shù)據(jù)的相似性和類別信息，所述數(shù)據(jù)還被分為同類別或非同類別；2)對(duì)于未標(biāo)記的數(shù)據(jù)，只考慮數(shù)據(jù)的相似性，并根據(jù)數(shù)據(jù)的相似性，將數(shù)據(jù)劃分為鄰近關(guān)系或非鄰近關(guān)系，從而定義了兩個(gè)鄰接矩陣的并集、交集和單個(gè)鄰接矩陣的補(bǔ)集；3)將原始高維空間映射到一個(gè)低維空間；由LDA的鄰接矩陣ALDA和LE的鄰接矩陣ALE通過并、交和補(bǔ)運(yùn)算求得SSNDA的鄰接矩陣ASSNDA；4)利用已標(biāo)記和未標(biāo)記標(biāo)簽的信息，SSNDA根據(jù)ASSNDA將具有邊連接的數(shù)據(jù)對(duì)匯集在一起，將沒有邊連接的數(shù)據(jù)對(duì)分離，構(gòu)建人臉圖像數(shù)據(jù)的SSNDA構(gòu)造譜圖。
2.根據(jù)權(quán)利要求1所述人臉識(shí)別的半監(jiān)督鄰域判別分析方法，其特征在于，所述SSNDA 構(gòu)造的高維空間映射到一個(gè)低維空間包含已標(biāo)記數(shù)據(jù)的判別信息，以及已標(biāo)記與未標(biāo)記數(shù) 據(jù)的局部結(jié)構(gòu)信息。
3.根據(jù)權(quán)利要求1所述人臉識(shí)別的半監(jiān)督鄰域判別分析方法，其特征在于，所述鄰接 矩陣Assnda的補(bǔ)集是將樣本分離的項(xiàng)。
4.根據(jù)權(quán)利要求1所述人臉識(shí)別的半監(jiān)督鄰域判別分析方法，其特征在于，所述樣本， 對(duì)于已標(biāo)記樣本點(diǎn)而言，連接每個(gè)樣本點(diǎn)與其鄰近的點(diǎn)同屬于一個(gè)類別的點(diǎn)，對(duì)于未標(biāo)記 樣本點(diǎn)而言，連接每個(gè)樣本點(diǎn)與其鄰近的點(diǎn)；剩余的樣本點(diǎn)對(duì)構(gòu)成分離項(xiàng)。
全文摘要
本發(fā)明公開了屬于圖像處理技術(shù)范圍的一種人臉識(shí)別的半監(jiān)督鄰域判別分析方法。該方法能夠保留數(shù)據(jù)的局部結(jié)構(gòu)而且具有判別能力。半監(jiān)督鄰域判別分析(SSNDA)方法是針對(duì)人臉的圖像數(shù)據(jù)，利用譜圖理論作為工具，充分利用已標(biāo)記的數(shù)據(jù)類標(biāo)簽提供的信息，以及已標(biāo)記與未標(biāo)記數(shù)據(jù)的相似度信息來構(gòu)建鄰接矩陣ASSNDA，充分利用已標(biāo)記的數(shù)據(jù)類標(biāo)簽提供的信息，以及已標(biāo)記與未標(biāo)記數(shù)據(jù)的相似度信息。該方法這樣來構(gòu)建鄰接矩陣A-SSNDASSNDA的低維特征表示包含了標(biāo)記數(shù)據(jù)的判別信息以及已標(biāo)記和未標(biāo)記數(shù)據(jù)的局部結(jié)構(gòu)信息。通過實(shí)際的人臉識(shí)別實(shí)驗(yàn)驗(yàn)證了SSNDA的高效性和穩(wěn)定性，并且其性能優(yōu)于LDA方法。
文檔編號(hào)G06K9/62GK101877053SQ20091023833
公開日2010年11月3日 申請(qǐng)日期2009年11月25日 優(yōu)先權(quán)日2009年11月25日
發(fā)明者王文秀, 田媚, 羅四維, 趙嘉莉, 黃雅平 申請(qǐng)人:北京交通大學(xué)