王博林， 闫德勤， 楚永贺

(1.辽宁师范大学 数学学院，辽宁 大连 116029；2.辽宁师范大学 计算机与信息技术学院，辽宁 大连 116081)



基于稀疏排列的LPP和ELM的人脸识别

王博林1， 闫德勤2， 楚永贺2

(1.辽宁师范大学 数学学院，辽宁 大连 116029；2.辽宁师范大学 计算机与信息技术学院，辽宁 大连 116081)

在人脸图像识别中人脸图像数据中有很多是稀疏的，对于稀疏数据的降维是流形学习算法面临的一个问题。为了有效地从高维图像数据中提取人脸图像的敏感信息，提高人脸识别的速度，文章提出了一种基于流形学习的有监督稀疏排列的局部保持投影算法(SSLPP)的极端学习机(ELM)。

流形学习；极端学习机

0 引言

近年来在流形学习的基础上研究人员提出了不同的降维算法，例如，局部保持嵌入(Locally Linear Embedding, LLE)[1]、拉普拉斯特征映射(Laplacian Eigenmaps, LE)[2]，这些非线性方法在人脸图像识别中取得了理想的效果，然而人脸图像数据往往具有非常高的维数,利用这些非线性方法是非常耗时，对如何构建测试数据的邻接图关系是未知的。为了解决上述非线性方法的耗时问题，研究人员提出了有监督的邻域保持嵌入(Supervised Neighborhood Preserving Embedding, SNPE)[3]、判别信息增强的邻域保持嵌入(Discriminant-Enhanced Neighborhood Preserving Embedding, DNPE)[4]、局部最大间隔判别嵌入(Local Maximal Margin Discriminant Embedding, LMMDE)[5]等能够很好地提取人脸图像数据的判别信息，并且解决了非线性方法的耗时问题。目前在人脸图像识别中降维算法面临的问题是：基于流形学习的各种算法对人脸图像数据的判别信息的提取效果不佳，极大地影响着极端学习机的分类性能。降维算法的有效性取决于对人脸图像数据判别信息的有效提取。……