稀疏改进的边缘费舍尔分析用于面部表情识别

边际Fisher分析(MFA)是一种有效的降维方法,可以提取有用的判别特征进行图像识别。 由于稀疏学习可以实现更好的泛化能力并减少识别任务中的计算量,因此本文将稀疏性引入MFA,并提出了一种新颖的稀疏改进MFA(SMMFA)方法用于面部表情识别。 SMMFA的目标是通过使用所得的稀疏投影矩阵来提取判别特征。 首先,提出了一种改进的MFA,以找到原始的投影矩阵。 与MFA相似,修改后的MFA还定义了类内图和类间图,以分别描述同一类中的几何结构和不同类之间的局部判别结构。 此外,修改后的MFA会删除总散布矩阵的空空间。 通过使用线性化的Bregman迭代对原始投影矩阵求解l1-最小化问题,可以获得SMMFA的稀疏解。 实验结果表明,所提出的SMMFA可以有效地提取固有特征,并且具有比最新方法更好的判别能力。