改进的NPE算法在人脸识别中的应用在人脸图像的识别过程中由于人脸图像的空间邻域关系与普通平面图像相比具有较大的差异，若原始的人脸图像未经处理直接进行相关操作，不仅会加大计算机的消耗还会增加人脸识别过程的时间复杂度。最为重要的是原始图像的特征数据并不能完全地揭示出人脸图像的本质特征，提取到的特征数据容易受到拍照角度、光照强度、面部表情等诸多因素的影响。邻域保持嵌入算法(NPE)是一种广受欢迎的子空间学习算法，既能有效地降维，与此同时也保留了样本集原有的局部邻域流行结构。在此基础上，本文提出了一种改进后的邻域保持嵌入算法，即为SNPE，目的是为了进一步提高NPE在人脸识别中的识别功能。在NPE的基础上通过引入类间权值矩阵，使得类间离散度最大，类内离散度最小，增加样本类间散布约束。最后利用极端学习机（ELM）分类器进行分类，通过Yale人脸库、ORL人脸库的测试实验，结果证明SNPE算法比NPE算法和LMMDE算法以及RAF-GE算法的在识别率都高出很多。
关键字：
降维；流行学习；邻域保持；人脸识别；邻域嵌入
*若需了解更多与协助请咨询↓→[电脑QQ][手机QQ]【数据协助】
