L2,1范数正则化的广义核判别分析及其人脸识别

来源：计算机科学与探索杂志2017年第1期北京时间：

作者：傅俊鹏，陈秀宏，葛骁倩

单位：江南大学 数字媒体学院，江苏 无锡 214122

摘要：特征选取和子空间学习是人脸识别的关键问题。为更准确选取人脸中丰富的非线性特征，并解决小样本问题，提出了一种新的L2,1范数正则化的广义核判别分析（generalized kernel discriminant analysis based onL2,1-norm regularization，L21GKDA）。利用核函数将原始样本隐式地映射到高维特征空间中，得到广义核Fisher鉴别准则，再利用一种有效变换将该非线性模型转化为线性回归模型；为了能使特征选取和子空间学习同时进行，在模型中加入了一种L2,1范数惩罚项，并给出该正则化方法的求解算法。因为方法借助于L2,1范数惩罚项的特征选取能力，所以它能有效地提高识别率。在ORL、AR和PIE人脸库上的实验结果表明，新算法能有效选取人脸的非线性特征，提高判别能力。

关键词：人脸识别,特征选取,子空间学习,L2,1范数,核判别分析