稀疏子空间学习近来受到越来越多的关注。 但是，大多数稀疏子空间学习方法是无监督的，不适合分类任务。 本文提出了一种新的稀疏子空间学习算法，即判别式稀疏邻域保留嵌入（DSNPE），它是将判别信息添加到稀疏邻域保留嵌入中（SNPE）。 DSNPE不仅保留了SNPE的稀疏重构关系，而且还从以下两个方面充分利用了全局判别结构：（1）在DSNPE的目标函数中增加了最大余量准则（MMC）； （2）仅使用与当前样本具有相同标签的训练样本来计算稀疏重建关系。 在三个面部图像数据集（Yale，Extended Y

我们提出了一种新的用于面部识别的特征提取方法，称为邻域判别嵌入（NDE），该方法结合了图形嵌入和Fisher准则，并包括一个个体判别因子（IDF）。 图形嵌入能够从底层的非线性人脸数据结构中揭示代表性和区分性特征。 Fisher准则被认为是用于区分特征的有效技术。 提议将IDF作为每个样本的单独属性来描述对分类的贡献。 在降维期间，NDE可以保留每个数据点最近邻居的局部结构，并可以在低维投影空间中收集类内点并分离类间点。 利用费舍尔准则并考虑到IDF，NDE的辨别能力得到了进一步增强。 使用Ol

我们提出了一种新颖的基于外观的面部识别方法，称为marginFace方法。 通过使用平均邻域余量最大化（ANMM），将人脸图像映射到人脸子空间中进行分析。 与主成分分析（PCA）和线性判别分析（LDA）只能有效地看到人脸空间的整体欧几里得结构不同，ANMM旨在根据本地信息来区分不同人的人脸图像。 更具体地，对于每个面部图像，其将同一个人的相邻图像尽可能地拉向它，同时将不同人的相邻图像尽可能地推离它。 此外，我们提出了一种自动方法来确定嵌入式子空间的最佳尺寸。 本文还导出了ANMM的核化（非线性）