一种基于双向模块2DLDA的人脸识别方法.docx

一种基于双向模块2DLDA的人脸识别方法
摘要：
本文提出了一种基于双向模块2DLDA的人脸识别方法。该方法将双向模块2DLDA应用于人脸识别任务中，对比传统的单向2DLDA，有效地提高了识别率。该方法不仅减少了维数，还能缩短训练时间，同时减少了数据计算量。实验结果表明，该方法的识别性能相比传统方法有了显著提高。
关键词：人脸识别；双向模块2DLDA；维数减少；训练时间缩短；数据计算量减少
引言：
人脸识别是计算机视觉中一个重要的研究方向，其应用范围广泛，如安全监控、人脸支付等。对于人脸识别问题，提取特征是关键步骤。传统人脸识别方法如PCA（PrincipalComponentAnalysis）、LDA（LinearDiscriminantAnalysis）等常用于特征提取。但是当数据维度较高时，传统方法的计算量会变得非常大，无法应用于实际场景。因此，维数减少等方法成为解决高维数据问题的重要方法之一。2DLDA是一种经典的维数减少方法，但是单靠2DLDA提取特征，识别率仍然存在一定的缺陷。
针对2DLDA的不足，本文提出了一种基于双向模块2DLDA的人脸识别方法。该方法在传统2DLDA基础上增加了双向模块，改进了传统2DLDA的识别效果。同时，该方法减少了维数，缩短了训练时间，减少了数据计算量，提高了识别率。实验结果表明，与传统方法相比，该方法在人脸识别任务中具有更好的性能。
本文的主要工作如下：首先，介绍了2DLDA方法以及其不足之处；然后，详细介绍了双向模块2DLDA方法及其实现过程；随后，通过实验验证了该方法的有效性，并与传统方法进行对比；最后，总结了本论文的研究成果，并对未来的研究提出了展望。
二、2DLDA方法介绍
2DLDA（Two-DimensionalLinearDiscriminantAnalysis）是一种维数约束的线性判别方法，由Krizhevsky和Hinton在论文“LearningMultipleLayersofFeaturesfromTinyImages”中提出。
2DLDA方法在传统LDA的基础上，对数据进行了二维的投影操作，将数据从高维空间映射到低维空间。通过最大化投影后的类间距离和最小化投影后的类内距离，可以有效地提取出能够判别不同类别的特征。
2DLDA方法通常使用SVD（SingularValueDecomposition）进行实现。通过特征值分解，可以计算出投影矩阵W，从而得到投影后的数据。但是，当数据的维度非常高时，SVD的计算量也会非常大，导致方法无法应用于大规模数据。
三、双向模块2DLDA方法介绍
双向模块2DLDA是针对传统2DLDA方法的不足进行改进而提出的。在传统2DLDA中，数据只能进行单向投影操作，对于决策面复杂的数据，可能会出现投影后类别间重叠的情况。因此，为了更好地判别不同类别的特征，本文提出了一种双向模块2DLDA方法。
该方法的基本思路是：在传统2DLDA方法的基础上，增加一个从低维空间反向映射到高维空间的操作。具体来说，双向模块2DLDA方法由两个步骤组成：正向投影和反向投影。
正向投影：首先，将原始数据通过传统2DLDA的方法进行投影，得到投影矩阵W1和映射后的数据Z1（即低维表征）。然后，将Z1进行分类判别学习，得到投影矩阵W2。
反向投影：反向投影是指将低维表征Z1通过投影矩阵W2反向映射到高维空间（即原始数据空间），得到反向映射后的数据Z2。然后，将Z2再通过传统2DLDA方法进行投影，得到投影矩阵W3和映射后的数据Z3。
最终的低维表征为Z3，也就是通过正向和反向投影得到的映射结果。这种双向映射的方式，能够更好地提取出数据的判别特征，从而提高识别率。
图1双向模块2DLDA示意图
四、实验设计及分析
为了验证双向模块2DLDA方法的有效性，本文在ORL数据库上进行实验。ORL数据库包含40个人的400张人脸图像，每个人包含10张不同的表情。本文将每个人的前8张图像作为训练集，后两张图像作为测试集。通过在ORL上进行实验，本文采用了KNN（K-NearestNeighbor）进行分类，对比了传统2DLDA和双向模块2DLDA方法的识别效果。
首先，对比了传统2DLDA和双向模块2DLDA方法的识别准确率。实验结果如图2所示，蓝色条形代表传统2DLDA的识别率，橙色条形代表双向模块2DLDA的识别率。从图中可以看到，双向模块2DLDA方法在ORL上进行人脸识别任务时，取得了更好的识别效果。
图2传统2DLDA和双向模块2DLDA方法的识别准确率对比
另外，本文还对比了传统2DLDA和双向模块2DLDA方法的维数以及训练时间。实验结果如表1所示，可以看到双向模块2DLDA方法不仅减少了维数，同时缩短了训练时间。这主要得益于两个方面：一是在正向投影时已经减