7.4.3.1 ORL人脸数据
在实验中，针对ORL人脸数据集中的每一个人，前5幅图像被选择作为训练集，剩下的5幅图像用来测试，并且每一幅图像修剪成尺寸为32×32。首先采用PCA进行预处理，将原始数据的维数降低到1000维，然后分别采用MVSM、LPP、CMVM和稀疏保持投影(Sparse Preserving Projection，SPP)算法进行特征降维，最后采用最近邻分类器对测试数据进行类别预测。在构建最近邻图时，近邻点数设置为4。
表7-6列出的是在ORL人脸数据库执行LPP、CMVM、SPP和MVSM算法所获得的最大识别率及相对应的特征维数。从表7-6可以看出，相比于LPP、CMVM和SPP算法，MVSM的识别率最好。
表7-6 LPP、CMVM、SPP和MVSM在ORL人脸数据的最大识别率比较
图7-8展示了分别用LPP、CMVM、SPP和MVSM在ORL人脸数据集上的识别率与特征维数的变化曲线。从图7-8也可以发现，MVSM算法所能获得的最大识别率在四种比较方法中是最高的。
图7-8 LPP、CMVM、SPP和MVSM在ORL人脸数据的识别率与特征维数变化曲线
7.4.3.2 Yale人脸数据
在本次实验中，从Yale人脸数据集中每一个人的11幅图像中选择前6幅图像作为训练数据，剩下的后5幅图像作为测试数据，并且每一幅图像修剪成尺寸为32×32。为了避免小样本问题，首先采用PCA进行预处理，将原始数据的维数降低到1000维，然后分别采用LPP、CMVM、SPP和MVSM算法进行特征降维，最后采用最近邻分类器对测试数据进行类别预测。在构建最近邻图时，近邻点数设置为5。
表7-7显示的是不同特征降维方法应用到Yale人脸数据的最大识别率及相应的特征维数。从表7-7可以看出MVSM方法所获得的最大识别率是超过另外三种方法所获得的最大识别率的。
表7-7 LPP、CMVM、SPP和MVSM在Yale人脸数据的最大识别率比较
(www.xing528.com)
图7-9是LPP、CMVM、SPP和MVSM四种方法应用到Yale人脸数据的识别率与特征维数变化曲线图。从图7-9中可以看出，LPP方法的识别率随着特征维数的增加在达到一个峰值后，呈现下降的趋势。而其他的三种CMVM、SPP和MVSM方法随着特征维数的增加不断增加，最后达到一个近似稳定的趋势。并且在识别率变化曲线图中，相对于LPP、CMVM和SPP方法，MVSM方法的识别率曲线在达到峰值后最稳定，识别效果最好。
图7-9 LPP、CMVM、SPP和MVSM在Yale人脸数据的识别率与特征维数变化曲线
7.4.3.3 CMU PIE人脸数据
在本次实验中，从CMU PIE人脸图像数据库中，每个人分别取70幅图像，其中前30幅图像用来训练，剩下的40幅图像用来测试，而且每一幅图像都裁剪为32×32的大小。在进行特征降维之前，采用PCA进行图像预降维，将原始图像的维数降低到1000维，然后分别采用LPP、CMVM、SPP和MVSM方法对预处理后的数据进行特征提取，最后应用最近邻分类器对所提取的特诊进行分类。在建立近邻图时，设置近邻点数为5。
表7-8列举了LPP、CMVM、SPP和MVSM方法在CMU PIE人脸数据子集上的最大识别率和所对应的特征维数。从表7-8可以看出，相对于LPP、CMVM和SPP三种方法，MVSM方法能获得最佳识别率。
表7-8 LPP、CMVM、SPP和MVSM在CMU PIE人脸数据的最大识别率比较
由于所选择的CMU PIE人脸数据子集中每一个类别的样本数为70，因此也测试了训练样本数量对最终识别率的影响。在本次试验中，分别分CMU PIE人脸数据集中每一个类别的人脸图像选择前30幅、前40幅和前50幅图像作为训练集，剩下的后40幅、后30幅和后20幅图像分别作为测试集，经过PCA预降维后，分别采用LPP、CMVM、SPP和MVSM从预处理的数据中提取特征，并进行识别。图7-10所列举的柱状图就是在不同的训练集数量下，LPP、CMVM、SPP和MVSM四种方法所能获得的最大识别率。从图7-10中可以看出，无论是采用多少数量的训练集，比较最后所获得的最大识别率，MVSM方法相对于LPP、CMVM和SPP都是最优的。
图7-10 每一个类别分别采用30、40和50个训练集的CMU PIE人脸图像应用LPP，CMVM，SPP和MVSM的最大识别率比较
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。
