Resumen

El reconocimiento de caras es un problema complejo en el campo de la visión por ordenador y el reconocimiento de patrones. Recientemente, se han presentado muchas técnicas basadas en estructuras geométricas locales para obtener una representación de baja dimensión de las imágenes faciales con un mayor poder discriminatorio. Sin embargo, estos métodos adolecen del problema del pequeño tamaño simple (SSS) o de la alta complejidad computacional de los datos de alta dimensión. Para superar estos problemas, proponemos un novedoso método de aprendizaje de estructuras múltiples locales para el reconocimiento facial, denominado análisis discriminante de vecindad directa (DNDA), que separa las muestras cercanas de interclase y preserva la geometría local dentro de clase en dos pasos, respectivamente. Además, el preprocesamiento PCA para reducir la dimensión en gran medida no es necesario en DNDA evitando la pérdida de información discriminativa. Los experimentos realizados con las bases de datos de rostros ORL, Yale y UMIST demuestran la eficacia del método propuesto.

• Materias:Análisis Matemático Algebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:análisis discriminante por vecindad directa, estructura geométrica local múltiple, estructura local múltiple novedosa, bases de datos faciales umistas, poder discriminatorio mejorado, alta complejidad computacional, tamaño simple pequeño, dnda, método, reconocimiento facial
• Keywords:direct neighborhood discriminant analysis, many local geometrical structure, novel local manifold structure, umist face databases, enhanced discriminatory power, high computation complexity, small simple size, dnda, method, face recognition