资源描述：
《基于集成主成分分析的人脸识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、第28卷第1期计算机应用Vol.28No.12008年1月ComputerApplicationsJan.2008文章编号:1001-9081(2008)01-0120-02基于集成主成分分析的人脸识别王正群,邹军,刘风(扬州大学信息工程学院,江苏扬州225009)(yzwzq@126.com)摘要:设计了一种基于主成分分析的分类器集成方法。应用随机子空间法获得多个初始分类器,由它们的分类性能给出分类器的保留分值,从而确定它们的保留优先级别,最后由保留优先级别选择一组分类器组成集成。理论分析和在人脸数据库ORL上的实验结果表明
2、,这种基于集成PCA的分类方法能够更好地对模式进行分类。关键词:维数约简;主成分分析;分类器集成;人脸识别中图分类号:TP391文献标志码:AFacerecognitionbasedonensemblePCAWANGZheng2qun,ZOUJun,LIUFeng(SchoolofInformationEngineering,YangzhouUniversity,YangzhouJiangsu225009,China)Abstract:AclassifiersensembleapproachbasedonPrincipalCo
3、mponentAnalysis(PCA)wasproposed.LotsoforiginalclassifiersweregotfromRandomSubspaceMethod(RSM).Accordingtotheirclassificationperformance,theirpreservationscoresweregiven,sothepreferentialranksforclassifierspreservationwereordered,bywhichasetofclassifierswasselectedfr
4、omoriginalclassifiers.TheoreticanalysisandexperimentalresultsinfacedatabaseORLshowthatthispatternclassificationmethodbasedonensemblePCAisefficientforpatternrecognition.Keywords:dimensionreduction;PrincipalComponentAnalysis(PCA);classifiersensemble;facerecognition征向量
5、刻画了模式结构的不同方面,基于它们设计的分类器0引言对不同的模式类分类性能不同,这些分类器的集成就可能获[1]主成分分析法PCA是模式识别中的一种非参数方法,得比单个分类器更好的分类性能。它的目标是在低维子空间表示高维数据,但模式的低维表示分类器集成比单个分类器更有效的充分必要条件是集成与基于低维表示设计的分类器性能没有直接联系。为了利用中的分类器不仅是精确的而且是错误差异的,因而,在根据主成分分析法的优势,提高分类系统的分类能力,必须对分类RSM获得多个PCA投影变换,从而获得了多个初始分类器器的设计进行研究。实际应用中总是
6、希望设计的模式识别系后,从中选择一组分类器组成集成,对模式分类会更有效。统能获得最好的分类性能。为了实现这个目标,经典的方法1.1基于RSM的多个PCA投影变换是设计出一系列的分类器后,选择具有最好性能的分类器作RSM本质上是一种分类器集成生成方法,它通过对原始为最终使用的分类器。然而,不同的分类器本质上提供了对数据特征向量中各分量的随机采样,得到不同的分类器输入模式分类的补偿信息,它们的集成有可能获得比单一分类器特征向量。在这里应用RSM从原始数据特征向量生成新的更好的性能。因此,分类器集成(ClassifiersEnsem
7、ble)[2]引起特征向量。T了研究人员的广泛关注,已经成为模式识别和机器学习领域设X=(x1,x2,⋯,xD)为原始数据特征向量,对数组(i)的研究热点。{1,2,⋯,D}随机采样得到数组{i1,i2,⋯,id},则X=(xi1,T本文对基于PCA集成的模式分类系统(Ensemblexi2,⋯,xid)即为由RSM方法得到的新的模式特征向量。(i)(i)(i)PrincipalComponentAnalysis,EPCA)以及它在人脸识别中的计算协方差矩阵ΣX(i)=E[(X-E(X))(X-[3](i)T应用进行研究。首先
8、应用随机子空间方法(RSM)获得多E(X))],由奇异值分解得到与ΣX(i)最大的li个特征值相(i)个PCA投影变换,从而获得多个初始分类器;然后根据它们对应的特征向量为u1,u2,⋯,uli,则PCA变换矩阵为U=T在不同模式类上的分类性能,计算分类器的保留分值,各分类(
