刘保龙，王勇，李丹萍，王磊

（1.西安电子科技大学青岛计算技术研究院，青岛266000；2.上海交通大学 海洋智能装备与系统教育部重点实验室，上海200240；3.西安电子科技大学 电子工程学院，西安710071； 4.中国电子科技集团公司第27研究所，郑州450047；5.西安电子科技大学 通信工程学院，西安710071）

近年来，随着计算机技术的迅速发展，人脸识别技术得到广泛研究与应用，人脸识别成为近30年里模式识别和图像处理中最热门的研究主题之一。人脸识别的目的是从人脸图像中抽取人的个性化特征，并以此来识别人的身份。

随着人们获取数据能力提高的同时，数据维数的增加引起了“维数灾难”问题，限制了人脸识别的准确度和识别效率，因此对数据进行降维预处理变得尤为必要。其中，主成分分析（PCA）［1］和线性判别分析（LDA）［2］是最早的降维方法，有效缓解了维数灾难问题，提高了实验的精确度，在目标识别、图像分割［3］和信号处理［4］等领域有着广泛的应用。为了增强投影的判别力，He等［5］考虑样本的局部信息，提出局部保持投影（LPP），进一步，根据重构误差的最小，其提出了近邻保持嵌入（NPE）［6］，但是该算法并没有考虑样本的全局结构；Sugiyama［7］将LPP算法与LDA算法结合，提出了局部费舍尔判别分析（LFDA），通过最大化类间可分性和保持类内局部结构来适当地降低多聚类结构数据的维数；2007年，Yan等［8］提出了图嵌入框架，定义了本征图和惩罚图来描述数据的特征，并提出了边界费舍尔分析（MFA）。上述算法被广泛应用于维数约简，具有良好的降维效果。……