可用 基于PCA算法的人脸识别方法研究比较

《可用 基于PCA算法的人脸识别方法研究比较》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、自动化技术孙!涛等：基于gI3算法的人脸识别方法研究比较基于>B!算法的人脸识别方法研究比较孙!涛!谷士文!费耀平!中南大学信息科学与工程学院!湖南长沙!!"##$/"摘!要!主成分分析"gFB9EBR)+I;PR;9D9*39)+:LBL!gI3#方法是人脸识别技术中一种广泛应用的数据降维技术$当通过使用gI3变换获得的主成分去重建原始人脸图像时!能使均方误差最小$在传统的gI3基础上!5)9<等人提出了1NgI3方法!避免了从图像矩阵向一维向量的转换!并在人脸识别中获得了满意的效果$文章对这两种方法做了理论上比较并给予实验数据支持!实验证明!

2、1NgI3在识别方面略优于传统gI3算法$关键词!主成分分析%二维主成分分析%数据降维%人脸识别中图分类号!’g%."0!!!!!!文献标识码!3!!!!!文章编号!"##!%$%4!1##$"#"""1#%!B(68#-#+’J,7+31%("*#4,F,4(."’+’("H&’".>B!G#&,1A,+0(1&GJ-’);#@JGCBQD9#&?V5);RB9

3、’$$gFB9EBR)+I;PR;9D9*39)+:LBLBL)R;R8+)FPD*C;HM;FHBPD9LB;9FDH8E*B;9QBHD+:8LDHB9M)EDFDE;<9B*B;9%)LDH;9*CD*F)HB*B;9)+gI3PD*C;H#1NgI3PD*C;HBLRF;R;LDHQCBEC)K;BHL*CD*F)9LM;FP)*B;9MF;P*CD1NP)*FBW*;"NKDE*;F#)9HC)L)EO8BFDH<;;HFDE;<9B*B;9)EE8F)E:U’CBLR)RDFE;PR)FDL*CDLDPD*C;HL;9*CD;F:)

4、9HDWRDFBPD9*)+H)*)#)9HLC;QL*C)**CD1NgI3PD*C;HBLL8RDFB;F*;*CD*F)HB*B;9)+gI3PD*C;HU()*+,%-#$gI3&1NgI3&HBPD9LB;9FDH8E*B;9&M)EDFDE;<9B*B;9脸库的实验表明#(;HBMBDHgI3和1NgI3算法识别率9!引!言都略高于传统gI3算法%在人脸识别研究中#通常遇到图像数据的高维问题%:!基于>B!的人脸识别方法由于变量个数太多#并且彼此之间存在一定的相关性#因而使得所观察的数据在一定程度上反映的信息有所重叠%1U"!传统的g

5、I3方法"?B的人脸图像#将其每列相连则比较复杂#势必增加问题的复杂性%构成一个大小为1&’7>维的列向量#这里的1就是人主成分分析方法!gFB9EBR)+I;PR;9D9*39)+:LBL#脸图像的维数#即图像空间的维数%设+是训练样本的数’"(gI3"#即离散]A变换#是图像压缩中的一种最优正目#L为第,幅人脸图像形成的人脸向量#则所有训练样,交变换#是一种基于目标统计的方法%其目的是推导出新本的协方差矩阵为$的变量!按重要性降序排列"#这些新变量是原始变

6、量的线+!L"!L"’!""性组合而且互不相关%当使用这些新变量去重建原始变4#&",*#,*#,&"量时#使得均方误差最小%几何意义上#主成分分析产生其中#为训练样本的平均图像向量$+一个正交坐标系#其中坐标轴按照相应主成分在原始数据"#&+"L,中所占的方差量排列%如果最初的几个成分占了方差的,&"令$"&’L#L#*#L(#则4’#其维大部分#则可以用他们来描述原始数据#这就导致了用较"*#1*#+*##&""数为171%少维数的表示%根据%.变换原理#我们所求的新坐标系即由矩阵gI3方法最早在文献’1(中被用于人脸识别研究#取’的非零特征

7、值所对应的特征向量组成%直接求171得了不错的效果%在传统gI3方法的基础上#人们相继""’%(’!(矩阵4的特征值和正交归一特征向量是很困难的#根据提出了(;HBMBDHgI3#1NgI3等方法%本文将详细#奇异值分解原理#通过求解"’比较)讨论这些方法在人脸识别中的应用#并通过6_A人"的特征值和特征向量来获得""’的特征值和特征向量%令’!"&"#1#*#U"为矩阵"’收稿日期!1##Z#Z#.""的U个非零特征值#Y"""1《现代电子技术》!""#年第$期总第!%"期!!测试!测量!自动化"为"’’的正交归一特征向量M"对应于’"的特征向

8、量!则""’#Z%4Q&"V#+"%##"*#%##"*#%O"为""&"这里仍然是总均值向量&可以简单的对各分量重新排"#O"&"Y"