基于正则化边界Fisher分析和稀疏表示分类的人脸识别方法

摘要

边界Fisher分析(MFA)应用于人脸识别时会遇到小样本问题,如果用主成分分析进行降维来处理该问题,则会丢失一些对分类有益的分量；如果把MFA的目标函数用最大间距准则代替,则较难得到最佳参数.提出了一种正则化的MFA方法,该方法用一个较小的数乘上单位阵构造正则项,然后加到MFA的类内散度矩阵中,使得所得矩阵是可逆的,并且不会丢失对分类有益的分量,也容易确定其中的参数.因为一个样本通常能被少数几个距离比较近的同类样本很好地线性表达,在正则化MFA降维之后结合使用稀疏表示分类算法进一步提高识别率.在FERET和AR数据库上的实验表明,对比一些经典的降维方法,使用该方法能显著提高识别率.