毛麗民 朱培逸 盧振利 彭偉偉

摘 要：針對(duì)訓(xùn)練樣本不足時(shí)，對(duì)數(shù)據(jù)的低維子空間估計(jì)可能會(huì)產(chǎn)生嚴(yán)重偏差的問題，提出了一種基于QR分解的正則化鄰域保持嵌入算法。首先，該算法定義一個(gè)局部拉普拉斯矩陣保留原始數(shù)據(jù)的局部結(jié)構(gòu)；其次，將類內(nèi)散度矩陣的特征譜空間劃分成三個(gè)子空間，通過倒數(shù)譜模型定義的權(quán)值函數(shù)獲得新的特征向量空間，進(jìn)而對(duì)高維數(shù)據(jù)進(jìn)行預(yù)處理；最后，定義一個(gè)鄰域保持鄰接矩陣，利用QR分解獲得的投影矩陣和最近鄰分類器進(jìn)行人臉分類。與正則化廣義局部保持投影（RGDLPP）算法相比，所提算法在ORL、Yale、FERET和PIE庫(kù)上識(shí)別率分別提高了2個(gè)百分點(diǎn)、1.5個(gè)百分點(diǎn)、1.5個(gè)百分點(diǎn)和2個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明，所提算法易于實(shí)現(xiàn)，在小樣本（SSS）下有較高的識(shí)別率。

關(guān)鍵詞：圖嵌入；正則化；局部拉普拉斯矩陣；鄰域保持嵌入；QR分解

中圖分類號(hào)： TP391.4 文獻(xiàn)標(biāo)志碼：A英文標(biāo)題