作者：刘宗礼 曹洁 郝元宏人脸识别核典型相关分析特征向量选择支持向量数据描述
摘要：核典型相关分析（KCCA）是一种有监督的机器学习方法，可以有效地提取非线性特征。然而随着训练样本数目的增加，标准的KCCA方法的计算复杂度会随之增加。针对此缺点，提出一种改进的KCCA方法：首先用几何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），然后设计了一种提升特征提取效率的算法，该算法按照对特征分类贡献的大小巧妙地选取样本的特征值，进而求出其相应的特征向量，最后将改进的KCCA与支持向量数据描述（SVDD）多分类器相结合用于分类识别。在ORL人脸图像数据库上的实验结果表明，改进的方法相对传统的KCCA方法，在不影响识别率的情况下提高了人脸识别速度，减小了系统存储量。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
