推广的PCA及其在人脸识别中的应用.pdf

万方数据

叠i酉圈垦簟鬯翦簟薯鬯_簟幢囊篓鋈鲎篓隧!!!竺璺望!!!!!!曼!塑旦璺21塑!!!!竺!型堕!!!!!!堕旦Y推广的PCA及其在人脸识别中的应用黄防，刘金琨，张宝昌《微型机与应用》2010年第29卷第22期(北京航空航天大学自动化与电气工程学院，北京100191)要：基于传统的PCA方法，提出了推广的PCA人脸识别方法。推广的PCA方法先对训练图像矩阵集进行分块，再利用传统PCA对分块得到的子训练矩阵集进行分析，得到多个变换矩阵，通过这些变换矩阵将训练图片和测试图片投影到特征空间进行鉴别。与传统PCA方法相比，提高了主元的维数，有效地增加了识别的精度。在FERET人脸库上的试验结果表明，所提出的方法在识别性能上明显优于传统的PCA方法，识别率得到了提高。关键词：主成分分析；特征抽取；推广的PCA；特征矩阵；人脸识别PromotedPCAanditsapplicationinhumanfacerecognition欢迎网上投稿WWW．pcachina．corn摘一个静止或视频图像，利用已有的人脸数据库来确认图像中的一个或多个人。近年来，关于人脸图像线性鉴别分析方法的研究激起了人们的广泛兴趣，其焦点是如何抽使命：寻找针对模式的最具鉴别性的描述，以使此类模式的特征能最大程度地区别于彼类；在适当的情况下实现Analysis)I叭，又称K—L变换，被认为是最成功的线性鉴别分析方法之一，目前仍然被广泛地应用在人脸等图像识别领域。本质上PCA方法的目的是在最小(特征图)，任何人脸图像可以近似地表示为该人脸样本DAND提出了著名的“Eigenfaees”方法。1997年，BEL—共同的过程，即首先将图像矩阵转化为图像向量，然后像矢量的维数一般较高，比如，分辨率为100x80的图像中图分类号：TP391文献标识码：A文章编号：1674—7720(2010)22—0049—03Fang，LIUJin(SchoolUniversity，Beijing100191，China)人脸识别是模式识别研究领域的重要课题，也是一个目前非常活跃的研究方向[I．21。它一般可描述为：给定取有效的鉴别特征和降维。特征抽取研究肩负两方面的模式数据描述的维数压缩，当描述模式的原始数据空间对应较大维数时，这一点会非常有意义，甚至必不可缺|3】。在人脸图像识别中，主成分分析PCA(Principal均方意义下寻找最能代表原始数据的投影。SIROVICH和KIRBY最初使用PCA有效地表示人脸[51。由于人脸结构的相似性，他们认为可以收集一些人脸图像作为基图的均值与部分基图的加权和。1991年，TURK和PEN—J在主成分分析的基础上又给出了“Fisherfaces”方法。以上方法在处理人脸等图像识别问题时，遵循一个以该图像向量作为原始特征进行线性鉴别分析。由予图对应的图像向量的维数高达8000，在如此高维的图像向量上进行线性鉴别分析不仅会遇到小样本问题，而且经常需要耗费大量的时间，有时还受研究条件的限制(比如机器内存小)，导致不可行。针对这个问题，人们相继提出不少解决问题的方法。概括起来，这些方法可分为以下两类：从模式样本出发，在模式识别之前，通过降低49HUANGKun，ZHANGBaoChangElectricalAbstract：Promotedsub—sets．Secondtransformedhigherimproved．Keywords：principalComponentHUMEARN、HESPANHAJP、KRIENGMANofAutomationScienceEngineering，BeihangPCA，atechniquebased()nPCA，ispresentedthispaper．Firsdy，theoriginaltrainingisdividedintosomethewell-knownmethoddirectl)，usedsub-setsobtainedspondingmatrixes．Throughthesematrixes，trainingtestingmappedfeaturespace，doingidentifica-tion．comparedwithtraditionalPCA，thisapproachimprovesaccuracythe[)ricedimension．Topro—motcdevaluateperformance，aseriesexperimentsperformedimagedatabases：Feretdatabases．TheexperimentalresultsindicatethatperformancepromotedobviouslysuperiorPCA．Thecomponenta