本文提出了一种有效的特征提取方法,称为局部线性判别嵌入(LLDE),用于人脸识别。 众所周知,点可以通过其邻居进行线性重构,并且重构权重在经典局部线性嵌入(LLE)中的总和一约束下。 因此,约束权重遵循重要的对称性:对于任何特定的数据点,权重对于旋转,缩放和平移都是不变的。 将后两者引入到所提出的方法中,以增强原始LLE的分类能力。 具有不同类别标签的数据将通过相应的向量进行翻译,而属于同一类别的数据将通过相同的向量进行翻译。 为了使具有相同标签的数据更接近地聚类,它们也在一定程度上进行了缩放。 因此,在转换和重新缩放后,数据的可分辨性将得到显着改善。 将该方法与一些相关的特征提取方法(例如最大余量准则(MMC))以及其他基于监督的基于流形学习的方法进行了比较,例如集成统一LLE和线性判别分析(En-ULLELDA),局部线性判别分析(LLDA)。 在Yale和CMU PIE人脸数据库上的实验结果使我们确信,该方法可更好地表示类别信息,并获得更高的识别精度。