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流形学习方法，称为邻域判别投影（NDP），用于鲁棒的人脸识别。 NDP的目的是保留图像空间的类内相邻几何，同时保持不同类的样本的投影向量。 为了表示固有的类内相邻几何结构和不同类样本的相似性，使用类内亲和力权重和类间亲和力权重对样本的类内子流形和类间子流形建模， 分别。 对人脸识别进行了全面的比较和广泛的实验，以证明我们提出的方法的有效性和鲁棒性。