论文部分内容阅读
标准KCCA方法需要存储和计算核矩阵,而核矩阵的大小是训练样本数的平方,随着样本数的增加,计算量逐渐增大、特征提取缓慢。为了提高特征提取的效率,提出了一种基于特征向量集的KCCA特征提取方法。采用特征选择方法,选择一个训练样本子集并将其映射到再生核希尔伯特空间(RKHS)。用KCCA进行特征提取,将计算复杂度由3降到2(<<),并将改进后的KCCA与SVDD的优势相结合应用于人脸识别中。实验结果表明,相对传统的KCCA方法,所提出的方法在不影响识别率的前提下,显著提高了人脸识别速度,减小了系统的存储量。