洪岚，魏莱

基于核方法的相关自适应子空间分割

洪岚，魏莱

（上海海事大学信息工程学院，上海 201306）

人脸识别是模式识别研究的热门课题，有很重要的应用价值。针对在高维非线性人脸数据集的识别困难问题，提出一种基于核方法的相关自适应子空间分割方法（KCASS）。将相关自适应子空间分割（CASS）与核方法相结合，构成Kernel CASS方法。实验证明，该方法在效率上和识别效果上较之前的分类方法有进一步改善。

人脸识别；核方法；子空间分割

0 引言

人脸识别[1]是近年来模式识别的研究热点，有着广泛的应用。但人脸图像是非线性数据集，而且还是高维度小样本问题，再加上光照、表情、姿态、遮挡、化妆、发型等等的变化都使识别增加了难度。人脸识别有很多方法：稀疏表示、协同表示等。这些方法取得了很好的识别效果。本文在研究它的基础之上，发现稀疏表示的表示系数过于稀疏，协同表示的表示系数过于稠密。导致它们的识别率不最佳。CASS方法可以改进它们的缺点，CASS的表示系数兼具二者的特点。但是CASS只能用于数据集是线性分类的情况，不能作非线性分类。人脸图像是高维非线性数据集，CASS无法直接处理。核方法解决了这一个难题，本文将CASS与核方法相结合，构成Kernel CASS方法。在非线性人脸数据集的识别上取得了良好的效果。

1 相关研究

目标识别问题是给定一个训练样本集和测试样本，从给定的类别中判别测试样本的类别。这里介绍三个经典的算法：稀疏表示、协同表示、相关自适应子空间分割。……