中国无线安防技术资源网

TPAMI = IEEE Transactions on PAMI 这个杂志
PAMI  是指 pattern analysis and machine intelligence这两个领域

1）PCA和LDA及其相关方法
Eigenfaces和Fisherfaces无疑是人脸识别中里程碑式的工作。就使用的方法而言，PCA和LDA都不是新方法，但是他们都是被第一次十分明确的用在人脸识别中的方法。之所以说"十分明确"，是因为就发表的时间来看，这两个论文都不是首次把这两个方法用在PAMI相关的分类识别中。这给我们一个小小的启示：一个新的方法专注于解决一个具体的问题可能会带来更大的影响，虽然这个方法具有一般性。
在现在人脸识别的方法中，这两个方法也是follow的人最多的。究其原因，除了其有效性之外，简单是其最大的特点。纵观PAMI历史风云，能经受住时间考验而流传下来的方法，除了有效之外一般都有两个特点其一：1）简单 （PCA, LDA, K-Means, Normalized Cuts etc.）；2）复杂 ，但是解决一个具有一般性而且很难被解决的问题 (在AAM、3d morphable model有深刻影响的Lucas-Kanade算法)。所以如果你的方法一般人都有能力做得到，那就尽量把你的方法做的简单明确。这就是外国人推崇备至的所谓的Ockham's Razor原理（就个人情感而言，我十分讨厌这个名词）。在这里我要强调一点是，这里说的简单并不是说原理简单，Normalized Cuts就方法本身来说简单，但是原理并不简单；微分几何中的Gauss-Bonnet定理形式非常简单，内涵何其丰富。
在此我想多提两句。由于国内有诸多发论文的方法论，其中一个流传下来的一句话就是：系统做的越简单越好，理论做的越复杂越好。不可否认，这句话有它有道理的地方，但是如果用这句话教育后人，误人子弟矣。
后来出现了许多新的与之类似的方法，就TPAMI上发表的来看，比较有代表性就是 HE Xiaofei 的LPP和 YAN Shuicheng 的MFA。关于这两个方法的评论大家可参看j.liu贴中knato的回帖。
在这里我想谈谈我的个人见解。首先这两个方法的出现有它们的意义。LPP是流形学习中Laplacian Eigenmaps线性化，这样无疑会带动其它流形学习方法在识别问题中的尝试，一个为解决问题找到一个思路，二个为进入寒冬的流形学习找到新的用武之地，虽然这两个都不是上档次的思路，但是潜在影响还是有的。后来 YANG Jian 的UDP就是在LPP号召下在TPAMI上的产物。LPP是非监督方法，所以它的识别性能比LDA好的概率极其微弱。
MFA是基于局部数据关系的监督鉴别方法。它有两个最近临近点数量的参数要调。这两个参数是这个方法双刃剑。参数调的好，MFA会比LDA效果好，调的不好则不行。这样MFA用起来比LDA复杂，这样如果MFA的性能比LDA好的有限，而用起来复杂得多的话，它终将被历史所抛弃。