TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.4, April 201 4, pp. 2574 ~ 2 5 8 1   DOI: http://dx.doi.org/10.11591/telkomni ka.v12i4.4825          2574     Re cei v ed Se ptem ber 7, 2013; Re vi sed  Octob e r 17, 2 013; Accepte d  No vem ber  19, 2013   Recognition Based on Metric-optimized Neighborhood  Preserving Embedding      Chen  Bo*, Z h ang Ye   Dep a rtment of Electrical E ngi neer ing,  Xi n Xi ang U n ivers i t y ,    East Jin Sui Street, Xi n X ia ng  cit y , HeN an pr ovinc e , Chin a   *Corres p o ndi n g  author, em ail :  chenbo 81 09 1 8 @so hu.com       A b st r a ct   F a ce reco gn iti on is  a  bio m etric tech nol ogy  w i th gr eat  dev elo pab le  pote n t ial. It has  a gr eat d eal  o f   potenti a l a p p l i c ations  in p ubl ic security a n d  infor m atio n s e curity. T o  ov erco me th e pr obl e m  in th e h i gh- di me nsio nal  fa ce d a ta  proces sing, th e k-n e a r est ne igh bors   is ch ose  by  Lin ear D i scri m i nat e An alysis  (LD A ).   A Metric-opti m i z e d  is  pro pos ed for N e ig hb orho od  Pres er ving E m bed di n g  (MONPE). MONPE alg o ri thm,   w i th the dime n s ions of data r educ ed  by LD A, w ill be reaso nab le in NPE  a l gorit hm. On the other ha nd, L D A   max i mi z e s the  betw een-cl ass scatter and mi ni mi z e s the w i thin-cl a ss scatter, so the neig hbors of a sa mpl e   w ill hav e hi gh e r  possi bility to  be p i cked fro m  the sa me  c l as s. With the ORL face d a tab a s e  an d the Y a le   datab ase, the   recog n itio n rat e  an d ru n ti me is  co mpare d  amon g NPE,  MONPE and  CLMONPE.  T he  simulati on res u lts show  that CLMONPE  has  obvi ous a d vant age i n  ap plic ati on.     Ke y w ords : face recog n itio n, ma nifo ld, sup e r vised n e ig hb o r hoo d pres ervi ng e m b e d d in g         Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Manifold  re aching  ha s b e e n  g r eat  used  in  th e field  o f  data  dinnin g , ma chin e  studying,  comp uter visual re ce ntly.  The aim of m anifold  stu d y is to gain the  topology st ru cture  and its l a w  among  the d a ta sp ace, when the  colle cted d a ta  p e rform the  man i fold structu r e  [1]. When  th e  face and g e st ure chan ge, the gene ral fa ce re co gniti o n  method will  becom e less effective. That’s   why manifold  study is cho s en in face recognition.  Whe n  face an d ge sture  cha nge s, the colle cte d   data will  ch a nge in  nonli n ear  way. So t he ge neral d a ta dime nsio n de crea se  way su ch a s  P C A  [2, 3] and  L D A [4] ca n not  perfo rm th e  true in ne r  structure of i m a ge  spa c e. Bu t the manifol d   study  can  do  it well. T he t y pical p ape rs abo ut face  reco gnition i s   publi s hed  in  Scien c e i n  th e  same  i ssu e  b y  Tene nbau m [5] an d  Ro wel s  [6]. Th e y  sho w   different ma nifold  study m e thod s a s   Isometri cal M appin g  (ISO MAP) [7] and Locally Linea r Embeddi ng  (LLE) [8].       2. Rese arch  Metho d   ISOMAP is a  kind of b e st  whol e situatio n  nonlin ea r di mensi on d e crease metho d . It can  ensure  data  conve r ge nce  grad ually. The ori g inal  i dea is th at: geod esi c  di stance is a g o o d   dissimila rity measurement , which ne ed  to solve  the  p r oble m  of ge ode sic  dista n c e b e twe en n on- neigh borhoo d  dots. T he  problem  ca n  b e  solved by  computing  the  dista n ce ma trix to co nst r uct  sub s p a ce of the nonli nea r manifold di stribution. The d i mensi on can  be decrea s e d  in this way.   Locally Linea r Embeddi ng  (LLE) ai ms to  con s tr u c t an  weig ht vector betwee n  the sampl e   and its  neigh borh ood, a n d  it also  keep s an  co nst a n t  weight valu e for ea ch  n e ighb orh ood  in  decrea s e d  di mensi on  sp a c e. T h is me a n s th at the  e m body m ap i s  u nde r l o cal  linea r  co nditi on   and  th e reco nstru c t error seem s  to  b e  the  lea s t.  Thi s  a pproa ch  can n o t only fi nd the  no nlin ear  con s tru c t effi ciently, but  also  ha s the i n varian ce   of transl a tion a n d  rotation.  Do n oho [9] i n vented  the HL LE fro m  LLE. The  HLLE  can fin d  the latent  e qual di stan ce  para m eter i n  local m anifol d .  Zhang  Ch ang sui p r e s ente d  a metho d  wh ich  can  map f r om lo w e m b ody sp ace to  high  spa c e  a n d   the metho d  h a s b een  proved in m u ti-ge s ture  face  im age  re con s tru c tion exp e rim ent [10-11]. T h is  approa ch imp r oved the no n linear d e crea se metho d  be tter.  Re cently different kin d s of  manifold stu d y  methods sp ring up, e.g., Lapla c ian Eig enmap,  local  tang ent  sp ace ali g n m ent (LTSA), and  so  o n . Lapl aci an E i genma p   solv e the  nonli n ear  function   throu gh  L apla c ia n operator, by whi c h  th e clo s ed   poi nts  i n  high dimen s i on spa c e   can   be  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re cog n ition  Based o n  Me tric-optim ized   Neigh borhoo d Preserving  Em bedding (Che n Bo)  2575 mappe d to low dimen s io n spa c e  with little distan ce  ch ange d. Local tangent spa c e alignme n t first  con s tru c t the  local lo w di mensi on ma n i fold by t he tange nt spa c e  of every sa mple point, then it  get the whol e  low embo dy coo r din a te by  the arra nge ment of  tangent spa c e.   Saul an d Ro wei s  the  LLE  algo rithm i s  applie d to t he fa ce p o se  image to  ob tain its   distrib u tion. Z hang  co mbin edthe L L E al gorithm  with  t he SVR  (Sup port Ve ctor  Regre s sion ) in  the  real fa ce p o se estimatio n  to get better  e x perime n tal result s. But the manifold l e arnin g  meth o d s  have a  co m m on d r a w ba ck: they did  n o t give an  ex plicit ma ppin g  fun c tion,  so can't extract the   cha r a c teri stics of the new  sampl e . He X i aofei  gives a  Lapla c ian Ei genma p  linea r app roximati on  method, the Locality Preserving Proj ections, refe rre d  to as "LPP, obtained explicit proj ecti on  mappin g , an d apply it to  face  re co gn ition. Z han g  gives th e lo cal tange nt space alig nm ent  algorith m  of l i near ap proximation m e th od, line a r local tang ent  sp ace  alig nmen t (LLTSA ), a n d   applie d to face re cog n ition  to achi eve effective re sults.  Later, Pan g Y anWei et al.,  on the b a si s  of  the locally lin ear e m be ddi ng (L LE) p r o posed a n  e fficient  n onlin e a r sub s pa ce learni ng  m e thod,  kernel nei ghb orho od keep  proje c tion, its main idea is   a linear tran sformatio n  matrix is introd uced   to app roxima te the  classi cal lo cal  line a r e m bed din g , and th en  by the m e thod  of nu cle a r  techni que i n  high di men s ion a l spa c e  to solve. Z hang, et c. T h is p ape r p r opo se s a fa ce  recognitio n  m e thod ba se d on nea re st n e ighb or ma nifold. The met hod ad opts  manifold lea r ning  algorith m  to cal c ulate th e  mappin g  of  the high di mensi on  spa c e to lo w di mensi on lin e a r  manifold, the  discrimina nt analysis b a s ed on n earest neigh bo r rule of manifold. Wu, a   discrimi nant  of manifol d  l earni ng  algo rithm is p r op ose d , will  fa ce  data  in  h i gh-di men s io nal  observation  space of ne ste d  in low di me nsio nal  ma nifold sp ace. Un like LLE, ISO M AP algorith m ,  this method  USES the correl a tion  com ponents anal ysis (RCA ) to  establi s h a  nonlinear nested   discrimi nant  rule in the d a ta. Yang, such  a s  face  reco gnition  method ba se d on extend ed   ISOMAP is p u t forwa r d. T he key is to e s timate the g eode si c dista n ce, the m e th od an d geo d e si c  distan ce a s  a  feature vecto r , in pairs wit h   FLD finally find the be st proje c tion di re ction.   Re cog n ize fa ce s mai n ly according  to the  feature s  of  a  face, that i s  t o  say th at the r e i s  a  big differen c e  between  different  individu als  with th e  same  perso n i s  m o re  sta b le  mea s u r eme n t,  due to the  co mplexity of face  cha ngin g , so the  expression fe ature s   and featu r e  e x traction i s  ve ry  difficult. Du e  to the dim e n s ion s   of the  origin al ima g e  is  quite  hig h , on the  ba sis of the  o r igi nal  image i s  processed  dire ctl y , will  increa se the co mple xity of t he algorithm, an d the pe rform a n c e  is al so  a  ch allenge  to the   comp uter ha rdwa re,  so  th e feature extraction  to b e come o ne  of the   most  b a si c  pr oblem i n  f a ce  re cog n it ion,  extraction  of  effective ide n t ification feat ure s  i s  the  ke y to   solve the pro b lem.    It should be  pointed o u t that the cha r a c terist i cs  of the choi ce of go od or b ad an d adop t   corre s p ondin g   cla s sifier h a s clo s e rela tionshi p.  For example, u n der  a cl assifi er  cla ssifi cati on  effect goo d chara c te risti c , unde r an othe r cl assifier   m a y get wo rse  cla ssifi cation  effect. Ho w  to  maximize  the  extra c tion to  the characte ri stics of th e  cl assificatio n , i s  the  ultimate  goal  of p a ttern  recognitio n , and it is also th e core proble m  of pattern reco gnition  system.       3. The NPE Algorithm   NPE algorith m  and lo cal  proje c tion  (L LP) ther e are  some  simila r pro pertie s ,  but their  obje c tive function is comp letely differen t. NPE is  a li near al gorith m , so its fast and suitability for  pra c tical a ppli c ation.   As stated ea rlier, NPE method s is the li near a pproximation of LLE method. And PCA  method, P C A method  is d e sig ned to  ke ep the  glob al  stru ctu r al  ch ara c teri stics,  and th e meth od  of NPE i s  to  keep th e lo cal   feature s . Th e  so -calle d   ke ep lo cal  featu r es i s  to  use t he  combi nati o n   of the adjace n t point to one point on lin ear said this.   In ha s b een  unde r the  co ndition  of dat a set, we  ca n choo se  clo s e  neig hbo rs,  and  the  adja c en cy graph. In so me  ca se s, the d a ta point   di stribution on  a nonlin ear su b - manifol d s,  b u t  only unde r th e co ndition o f  con s ide r ing  local n earby, assumed to  be linea r, this app ro ach i s   likely to  be  reasona ble. I n  this  way,  we  ca n  th ro ugh a point by  its neig h b o ring   the   wei ght  coeffici ent of  the line a r sai d  lo cal  ch ara c teri stics  of  a d jacent to  ref l ect thi s  p o int .  By minimizi ng   the recon s tru c tion erro r, the fixed weight  coefficie n t is as follo ws:     2 ( ) || || ji j i ji Wx w x            (1)   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2574 – 2 581   2576 The re co nst r uction e r ror i s  the sum of e a ch  p o int by its neigh bori n g re con s tru c ti on erro r .   In ord e r to  re alize th e line a r rep r e s enta t ion in nei gh borin g poi nts,  we h a ve to  think a bout t he  initial point is mappe d to a line. If you want  to get  a good m a p ,  should m a ke the followi ng  obje c tive function to get the minimum.         2 ( ) || || ii j j ij Yy w y                        ( 2 )    j x refers to  val ues for the j t h face  ima g e  an d  ij x prefo r ms th e n e ig hborhoo d of   j x  in  k   distan ce.     12 {, , , } n Xx x x            (3)     12 {, , , } T m Yy y y            (4)     TT YA X             ( 5 )     A is  a   go od ma p  which can  fit  Equation (5) better.  A s sumin g   i x  is the   i th vec t or  o f   matrix  X ,  we can define  ii i j j j Z yw y  a nd the  extend matrix () Z IW Y .Then th e   followin g  can  be simplify as:    2 () ( ) ii j j ij Yy w y     2 () i i Z   T Z Z   () () TT T YI W I W X A    () () TT T A XI W I W X A    TT A XM X A              ( 6 )     () () T M IW IW  .Obviously ， t o  get TT A XM X A mean s to solve the fo llowing  equati o n ：     TT XM X a X X a          ( 7 )     T XU S V            (8)     T XU X S V               ( 9 )     1, 2 {, , } l UU U U  is  th e e i ge nve c to r o f  ma tr ix T X X and  12 {, , , } l VV V V  is t he  eigenve c tor o f  matrix  T X X . S are  diago nal matrix coming fro m  the non-ze ro eige nvalue s of X . S and  V are both  diago nal matrix. So  X is full rank mat r ix. The pro b lem  can be sim p lify as:     TT X MX a X X a                                                  (10)          Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re cog n ition  Based o n  Me tric-optim ized   Neigh borhoo d Preserving  Em bedding (Che n Bo)  2577 4. The MONPE and CMO N PE Algorithm  NPE algo rith m ca n be  eit her  un sup e rvi s ed  al go rithm  also  can b e   sup e rvised  al gorithm.  W h en  a kn ow n   c l ass  la be l, N PE a l gor ith m  be   sup e rvise d  al gori t hm. Experim ents  sh ow th at:  sup e rvised NPE algorithm  than unsu p e r vised  N PE algorithm h a s  obviou s  adva n tage s: on the  one h and, in  the actu al face datab ase, the same  fa ce  data of  simil a r d egree i s   greate r  tha n  the   face d a ta of  different p e o p le. Data  of  simila r de gre e  is  high er, t he smalle r th e re co nstruct i on   error of the li near  rep r e s e n tation sh oul d. So  the su pervisi on of  a neigh borho od of embe d d ing   algorith m  tha n  unsupe rvised ke ep n e ig hborhoo d em beddi ng alg o r ithm re co nst r uctio n  erro r  is   smalle r; Keep  neighb orhoo d, on t he oth e r ha nd, due  to the sup e rvi s ion  whe n  sel e cting n e igh b o r  embed ding a l gorithm to d i stingui sh the  classifi catio n  label, makes the ran g e  of paramet er  values th an  keep  sup e rvisi on mu ch  sm aller n e igh b o r hoo d em bed ding al gorith m , which g r e a tly  redu ce the  prog ram  run n ing time. Ho wever,  whether  NPE algorithm  of supe rvise d  or  unsupe rvise d  NPE al gorith m , unde r th e  Euclide an  me tric, hig h  di m ensi onal  face  data m a y sh ow   thin an d  em pty spa c e.  T o  solve thi s   probl em  we   NPE alg o rith m was put  forward. Fo r  the  purp o ses of  writing,  the i m prove d  al g o rithm fo r  M O NPE. Fo r t he p u rp ose  of differe nce, the  origin al still consi der the  supervi sion  cla ss  la bel NPE  algorith m  call ed NPE algo rithm.  On the thoug hts of the above,  we prop ose d  MONP E algorithm o f  two situations: First,  sele cting  nei ghbo r  con s id er  cla s s lab e l .  In ord e r to   facilitate the  discu ssi on in  this  articl e, i t  is  calle d CLM O NPE.Secon d , sele cting nei ghbo r cla s s label. It is still remem b e r ed as MO NPE.  MONPE can  be don e in the followin g  st eps:   Step 1 ： Selec t  the k  neigh b o rho od of the  original d a ta.  Step 2: Reco nstru c t the weight co efficie n t under the  constraint of minimum erro rs.    2 a r g m in || || ji j i ji x wx                        (11)    j x is the neig h b o rho od of i x  in the sam e  cla s s 1, 2 , 3 , , j k  .  Step 3 ： Take  PCA algo rithm to deal with X and get X . Compute the followi n g   equatio n to get its minimu m value.    2 arg m in | | || ii j j ij yw y                   ( 1 2 )     Due to flip,  scale tran sform, su ch a s  l o cal  geom etri c st ru cture i s  relatively un cha nge d,  so in the third  step cal c ulat ion data dime nsio n red u cti on is in the seco nd ste p  in the right und er  the premi s e o f  coefficient  matrix is co nstant.  Note: due t o  the need  to use L D A algorithm o f  data proce ssi ng, so n o  matter   CLMO NPE al gorithm  or M O NPE alg o rit h m, are  ca rri ed out u nde r con s id erin g  the cla s s lab e l.  The differe nce is: wheth e r  to con s ide r  when sele cting  neighb or cl a ss la bel.       5. Experiment and Simulation   5.1. Experiment Designa tion    (a) T he pu rpo s e of the exp e rime nt  The algo rithm  is pre s ented  in this pape r, on t he basi s  of con s ide r in g the classification of  face data i n formation, a nd co mbini n g with  the  algorith m  M O NPE algo ri thm is prop ose d ,  therefo r e, th e obje c tive  of this pa pe r is  to co mp are and eva l uate  the su pervisi on  of the   algorith m , MONPE alg o rit h m and  CL M O NPE adva n t ages and di sadva n tage s of  the  algo rithm.  There are two indicators:  (1) the  same  con d ition, different cl assification accu ra cy of the algorithm.  (2) the  same  con d ition, the  length of the different algo rithm runni ng time.  Acco rdi ng to the above two indicators, in ord e r to a c curately refle c t the ch ara c teristics  of the sa me  algorith m  an d  the co mpa r ison bet wee n   the alg o rithm,  the obje c tive  of this pa pe r is   as  follows :   (1) In ORL  face datab ase, the different  alg o rit h ms, und er different training for  comp ari s o n , the ch ang e of testing its cl a ssi fi cation a c curacy an d progra m  run n in g time.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2574 – 2 5 81   2578 (2) In the Y a l e  face d a tab a se, for  different algo rithm s , com p a r e u nder  different  training  numbe r, test the ch ang e of its cla ssifi cati on accu ra cy and prog ram  runni ng time.   (b) T he ste p s of the experiment  Both NPE al gorithm  an d  MONPE al go rithm, in  ord e r  to g e t the  result s of th e  optimal  algorith m  of the execution  of various p a rameters  t o  m a ke t he f i nal  cla ssif i cat i on  ac cur a cy  of  t h e  highe st value .  In detail in this pa per, the  spe c ific test  belo w  step s:   Step 1: Prep are te st data ;  In orde r to  co mp are the  re sults  und e r  differe nt di mensi o n   face data, thi s  pap er expe riments on the  ORL an d Yale face data b a s e data.   Step 2: Implementation alg o rithm of the optim al cla s si f i cat i on ac cu r a cy ;  I n  det er mining  the nu mbe r  o f  trainin g  a n d  traini ng  mod e , sel e ct  the  optimal valu e  of the  hig h e s t  classification   accuracy. According to th e determin a tion of a  large  number of e x perime n ts, the optimal when  testing the ne ighbo r to 1.  Step 3:  Dete rmine  the  re sults; In  O R L  and  Ya le  fa ce  datab ase, all ta ke  40   different  training m e th ods. Th en, their average.   Step 4: Di scussthe  abov e calculated  re sults,  an alyze  th e ch ara c teri stics of  ea ch  algorith m  and  compa r in g the advantag es  and disadva n tage s of the algorith m.    5.2. Face Da tabase Sele ction for Expe riment  It Is by the  AT&T Camb ridge that ORL fa ce data b a se la boratory with simult aneo us  spe e ch  at Ca mbrid ge univ e rsity,  visi on and rob o ti cs grou p,  ma de up  of 40 different peopl e  e a ch   of 10 different image s  is con s tru c te d. The s e  im age s a r e in  different p e riod s, different   illumination, u nder the  con d i tion of different fa cial expression a nd fa cial detail s. Seen a s ：           Figure 1. Face Image in the Datab a se o f  ORL           Figure 2. Face Image in the Datab a se o f  Yale      Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re cog n ition  Based o n  Me tric-optim ized   Neigh borhoo d Preserving  Em bedding (Che n Bo)  2579 Yale face  dat aba se  contai ns 1 5  16 5 im age s of the i ndividual, ea ch p e rson, 1 1  image s  contai ning  un der diffe rent l i ght co ndition s (e. g .,  on th e left side  of the light, the right lig htin g,  central lig ht),  different exp r ession s,  su ch  as ha ppy, sa d, sle ep,  su rp rise d,  blin k of  an eye) of  th e   face imag e. Seen a s  Figu re  2 ：     5.3. The Sim u lation Result   In ord e r to  re duce the influ ence of rand om ne ss an d  some  di sturb ance, on th e  premi s e   of all param eter optimal,  to con s ide r  each tr ainin g  seve ral ra ndomly selected 40 different   training  meth ods,  and th en  comp are  the ave r ag e. In ad dition, be cau s e  of the imp r o v e d   algorith m  in time co mplexit y  with little ch ange,  so  the  test re sults  o n ly  comp are the a c cura cy  of  cla ssif i cat i on.   (a) T he re sult s of ORL d a taba se             Figure 3. The  Result for 2 Traini ng Time s  Figure 4. The  Result for 3 Traini ng Time s                Figure 5. The  Result for 4 Traini ng Time s  Figure 6. The  Result for 5 Traini ng Time s      Table.  Cla s sif i cat i on A c cu r a cy  f o r  O R L Face  Ima ge Datab a se     Training time 2   Training time 3   Training time 4   Training time 5   NPE  79.45%  87.69%   91.73%  92.83%   CLMONPE   79.70%  87.41%   91.90%  93.30%   MONPE   51.56%  87.18%   91.70%  91.73%       Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2574 – 2 581   2580 (b) T he re sult s of Yale data base             Figure 7. The  Result for 2 Traini ng Time s  Figure 8. The  Result for 3 Traini ng Time s            Figure 9. The  Result for 4 Traini ng Time s  Figure 10. Th e Re sult for 5  Trainin g  Tim e s         Table 2. Class i fic a tion Ac curac y  for Yale Fac e  Image Databas e     Training time 2   Training time 3   Training time 4   Training time 5   NPE  55.87%  67.58%   73.83%  77.36%   CLMONPE   55.07%  68.33%   73.48%  77.89%   MONPE   28.35%  65.69%   72.00%  76.64%       6. Conclusio n   It  can   be   in cl uded   that:  (1 ) CLMO NPE algorith m   i s  compa r ed with  the NPE algorithm  and M O NPE  algo rithm, in  took the  opt imal pa ra m e ters,  CL MO NPE algorith m  are  supe rio r  to   NPE algorithm, less  MONPE al g o rith m in trainin g  for po or  perfo rman ce.  (2 )  CLM O NPE  algorith m  is  comp ared  with the  NPE al gorithm, the   i n crea se  of d e clin e in  dim ensi on, in th eir   respe c tive re ach e s  a ste ady state,  steady  CL MO NPE algo rith m is  sup e ri or to the  NPE  algorith m . MONPE alg o rit h m and  CL M O NPE alg o rit h m. (3 ) The  comp ari s o n  result s sho w  that  the LDA alg o r ithm is relati vely close to  the di stan ce  betwe en poi n t s in cla ss, a nd the discre t e   points of the  dista n ce bet wee n  the  cla s s this  pap er puts forward mea s u r e s   to optimize t h e   neigh borhoo d  embeddi ng algorith m .Thi s algo rith m adopt s linea r discrimina nt analysis d a t a   dimen s ion  re ductio n  algo rithm usin g th e sel e cted  k neighb or, to  some  exten t, improves t h e   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re cog n ition  Based o n  Me tric-optim ized   Neigh borhoo d Preserving  Em bedding (Che n Bo)  2581 reliability of t he Euclidean metr ic. F u rther  work i s  that high  di mensional face  data  compari s on  CLMONPE al gorithm and  NPE algo rithmwill promot e the optimizati on of the  measure to other   dimen s ion re ductio n   meth od.      Referen ces   [1]    W  Bleds oe. M an-mac h in e fa cial  Rec ogn itio n. Pa noramic   Research Inc.  Pa lo Alto,  CA. 1966; Rep  PRI:22  [2]    Berto R, P o g g i o  T .  F a ce reco gniti on: F e atur e vers us tem p l a tes.  lEEE  Trans. on PAMI . 1 993;  15( 10):   104 2-10 52.   [3]    Z i qua n Hon g . Alge braic fe atu r e extr action o f  image forrec ogn ition.  Patte rnRec ogn itio n.  1991; 2 4 (3) :   211- 219.   [4]    Nakam u ra O,  Mathur S, Minami T .  Identific ation of hum an  faces based o n  isod ensit y m aps.  Pattern  Reco gniti on.  1 991; 24( 3): 263 -272.   [5]    Lad es M, Vorb ugg en J, Bu h m ann J, et a l . Distort io n inv a r i anto b ject rec o gniti on i n  the  d y nam ic Li nk   architectur e .  IEEE Trans, onComputers . 19 9 1 ; 42(3): 30 0-3 1 1   [6]    Samari a F ,  Yo ung  S. HMM- base d  arc h itec ture  for fac e id entificati on Im age  an d Vis i o n  Com puti n g .   199 4; 12(8).   [7]      T eenba um JB, de Silva V, La ngford JC. A Glob al  Geometri c F r ame w o r k for Nonl in ear Di mensi ona li t y   Red u ction.  Se i ence.  20 00; 29 0(55 00): 23 19- 232 3.  [8]      Ro w e is  SL, S aul  L. No nli n e a r dim ensi o n a l i t y  re ducti on  b y  l o ca ll y l i ne ar  embe ddi ng.  S e ie nce.  2 000;   290( 550 0): 232 3-23 26.   [9]      Donoho DL, Grimes  C.  He SSian  ei gen maps: New  l o ca lly li ne ar e m b edd ing  tech niq ues for  hig h - di me nsio nal da ta.  Proc. of the  Natio nal Aca d e m y  of Scie nces . 2003; 10 0(10) : 5591-5 5 9 6 .  [10]    Khair udi n. RB F NN Co ntrol o f  A T w o- Link  F l e x ib le M ani pu l a tor Incorp orati ng Pa yl o ad.  TE L K OM N I KA  T e leco mmunic a tion C o mputi n g Electron ics a nd Co ntrol.  20 10; 08(2): 1 57- 164.   [11]    P Srikanth, Ash w a n i Kumar  Cha nde l. Inver s e S-T r ansform Based Dec i sion T r ee for Po w e r S y stem  Faults Identification.  T E LKO M NIKA T e leco mmu n icati o n   Co mp uting  Ele c tronics a nd  Contro l . 20 11 ;   09(1): 99- 10 6.  Evaluation Warning : The document was created with Spire.PDF for Python.