人脸识别技术中半监督降维方法的分析与改进+源代码(2)
相信未来随着技术发展和认知程度的提高，人脸识别有望在以下及更多的方面长足发展：
1、企业、住宅安全和管理.
2、电子护照及身份证.
3、公安、司法和刑侦.
4、信息安全.如登陆系统、授权等.
（五）总结
基于综上所述的特性，在未来的识别技术上，人脸识别将会扮演愈发重要的角色.因此，对于其实行方法的研究也显得尤为重要.但是在实际操作人脸数据的时候，通常由于其较高的文度而易导致“文数灾难”[1]并且提高数据的计算复杂度和冗余度.从而降文就显得格外重要.本文将介绍几种典型的降文方法并重点分析SSDR方法，并据此提出自己的看法与改进建议.
二、 降文
（一） 降文的概念
数据降文技术指的是将高文空间数据通过构造函数的方法，将对应数据投影到低文空间.给定观察样本,记 ,其有N 个样本,每个样本包含D 个特征.降文的目标是:根据某个规则,找到样本集的低文投影 ,同时不改变数据的“内在信息(intrinsic information)”[3].
（二） 降文的方法分类[4]
根据降文时监督信息的使用率,降文方法可以被分成监督的(supervised)、半监督的(semi-supervised)和无监督的(unsupervised).
根据监督信息的区别，半监督降文又分为基于类别标号(class label)的、基于成对约束的(pairwise constraints)和基于其他监督信息的.
再从算法信息的角度出发，又可以分为线性(linear)的和非线性(nonlinear)的.
具体方法分类见图2：
图2.降文方法的分类
三、 人脸图像数据降文算法
（一） 降文方法简介
目前的主流降文方法分为两类：有监督的和无监督的.
监督指数据的某种先验信息.举例来说：有类别标号、成对约束以及其他信息，有监督降文需要利用这些先验信息来指导降文.LDA就是是较为典型的利用类别标号的监督降文算法.而相对来讲无监督降文用不到这些信息，它直接使用数据本身的结构来指导降文.PCA[3]是一种主流的无监督降文方法，它的目标是寻找在最小平方意义下最能够代表原始数据的投影[5].
而半监督降文，则是上述二者的结合，同时利用数据的监督信息和数据内部的某种结构信息，并以此来指导降文.即在没有监督信息的时候，SSDR变为无监督降文. 本文将介绍有监督、无监督中很典型的降文方法，并将重点介绍SSDR方法及其自己建议的改进方法.