在本实验中，所使用图像是对原始Yale人脸图像进行预处理后得到的。在预处理过程中，以每张原始的图像的中心为中心点，从中截取尺寸为64×64的部分。在构建近邻图的时候，往往根据每一类数据训练样本数量的不同，来选择近邻点数，通常是近邻点数比训练样本数小1。对建立起来的近邻图，分别用MMC、En-ULLELDA、LLDA和LLDE算法进行特征提取。常用的分类器有k近邻、贝叶斯和支持向量机。因为最近邻分类器是一种很简单方便的分类器，所以在实验中我们采用最近邻分类器来判别各种特征提取方法的分类效果。在应用最近邻分类器时，常用的距离测度有欧氏距离、差方标准化距离和余弦距离，在实验中我们选取欧氏距离。
首先检验各种特征提取方法的识别效果。在这个实验中，任意从每类数据中选取6张图像作为训练样本，剩余的5张图像作为测试样本。图6-5显示了经过20次重复实验后的结果。该实验结果是一个统计结果，对20次实验中每次的最佳结果计算平均值和标准差。从图6-6中可以发现LLDE算法能够获得最好的实验结果。LLDE、MMC、En-ULLELDA和LLDA的最大平均识别率及对应标准差分别是96.82(±1.82)%、89.33(±2.12)%、90.74(±2.38)%和92.46(±2.53)%，其中96.82、89.33、90.74和92.46是平均识别率，括号中的数字是标准差。
然后，测试LLDE、MMC、En-ULLELDA和LLDA方法提取的特征对识别率的影响。图6-6显示了不同特征提取方法提取的特征维数与识别率之间的变化曲线。在特征维数变化的开始阶段，识别率是随着特征维数的增加而增加。但是当识别率达到一定的值之后，特征维数的增加将会对识别率造成负的影响，即随着特征维数的增加，识别率将下降。当然，这只是一个总体的趋势。某些特征提取算法，例如MMC，当识别率在达到最大值之后，随着特征维数的增加，识别率会产生一定的波动。
图6-5 Yale人脸数据进行20次实验的平均识别率
图6-6 Yale人脸数据识别率随特征维数的变化曲线图(www.xing528.com)
再次，研究了训练样本数量对识别率的影响。对于每一种特征提取方法，我们从Yale人脸数据的每一类中分别选取3个、4个、5个和6个样本作为训练样本，剩余的8个、7个、6个和5个样本作为测试样本。并且对每一次实验都重复做20次。表6-2为在不同训练样本下的最大的平均识别率和标准差，以及得到最大识别率时的特征维数。从表6-2可以看出，无论训练样本数是3个、4个、5个还是6个，LLDE算法得到的识别率都是最高的。
表6-2 Yale人脸数据在不同训练样本时的最大平均识别率、标准差及相应的特征维数
最后，我们检验了缩放因子μ对识别率的影响。在实验中μ分别被设置为0.01、0.1、1、10和100，对于设置不同的缩放因子得到的识别结果记录在表6-3中。从表6-3可以发现，针对不同的缩放因子，所得到的最大识别率是相同的，但是获得这些识别率的特征维数却是不同的。例如，在缩放因子为0.01时，在特征维数为14时得到最大识别率为96.82%，然而在缩放因子等于100时，在特征维数为12时就可以得到最大识别率96.82%。
表6-3 Yale人脸数据在不同缩放因子下的最大识别率及相应的特征维数
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
