论文部分内容阅读
为了使增强的Fisher鉴别准则(EFDC)避免因PCA降维带来的鉴别信息丢失问题,本文将其进行二维推广,提出基于二维类内差异信息保持(2D-IDP)的人脸识别方法,该方法建立了一个鲁棒性更强的鉴别准则,使得投影后不同类的样本点尽量远离的同时,类内紧致性和差异信息都得到有效保持,避免了过学习现象的产生。同时对EFDC近邻图中的参数t作了重新定义,使其能根据不同的输入样本自适应的变化,避免了t选择不当导致的识别性能下降的问题。在YALE和AR人脸库上的实验表明了本文方法的有效性。