基于二维局部鉴别高斯的特征提取方法.pdf

《基于二维局部鉴别高斯的特征提取方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第41卷第6期计算机科学Vo1．41No．62014年6月ComputerScienceJune2014基于二维局部鉴别高斯的特征提取方法张智斌L。朱俊勇郑伟诗。王倩赖剑煌。(中山大学数学与计算科学学院广州510275)(华南理工大学数学系广州510641)。(中山大学信息科学与技术学院广州510275)。摘要特征提取是人脸识别的关键。特征提取方法一般需要预先把二维图像转化成一维图像向量。然而高维的图像向量会导致不能快速、精确地计算所需的协方差矩阵及其特征向量。针对该问题，提出了一种基于二维局部鉴别高斯的特

2、征提取方法(2【)ILDG)。该方法继承一维局部鉴别高斯降维方法的优点，其目标函数是留一交叉验证误差的光滑逼近，并Ag_7,考虑训练样本的局部分布，对训练样本的全局分布不做任何假设。同时，2DLDG直接对二维图像做特征提取，不需要事先把图像转化为维数巨大的图像向量，能快速、精确地计算协方差矩阵及其特征向量。在ORL、YaleB人脸数据库上的实验结果表明，2D-LI)G特征提取方法有良好的iY,~I4效果。关键词特征提取，局部鉴别高斯模型，人脸识别中图法分类号TP391．41文献标识码AFeatureExtr

3、actionBasedon2DLocalDiscriminativeGaussiansZHANGZhi-bin’。ZHUJurvyongZHENGWei-shi。WANGQianLAIJian-huanga(SCh~IofMathematicsandComputationalScience，SunYat-senUniversity，Guangzhou510275，China)(DepartmentofMathematics，SouthChinaUniversityofTechnology，Guangzhou

4、510641，China)。(SCh~IofInformationScienceandTechnology，SunYat-SenUniversity，Guangzhou510275，China)。AbstractFeatureextractionplaysanimportantroteinfacerecognition．Ingeneral，featureextractionmethodsneedtotransferthe2Dimagesinto1Dvectors,Asaresult，itishardtoca

5、lculatethecovariantmatrixandeigen-vectorefficient—lyandexactlyduetothehighdimensionality．Thispaperproposedanewfeatureextractionmethodnamed2Dloca1dis—criminantGaussian(2D-LI~)．ItinheritsthepropertiesofLDGandtheobjectivefunctionofproposedmethodisalsoanapprox

6、imationtotheleave-one-outtrainingerrorofalocalquadraticdiscriminantanalysisclassifier．Also，itapplieslocalGaussianstoeastimateprobabilityineachpoint，relaxingtheassumptionontheClaSSprobabilitydensityfunction．Meanwhile，2D-LI~isoperatedon2Dimagesdirectlywhicha

7、voidstumingtheimagematrixesintohighdimensionalvectors，andisabletocalculatethecovariancematrixandeigen-veetorinamoreefficientandaccurateway．ExperimentsonORLandYateB-Extendedshowthatourproposed2D-LDGfeatureextractionmethodachievesbetterperformanceinfacerecog

8、nition．KeywordsFeatureextraction，LocaldiscriminativeGaussiansmodel，Facerecognition法通过最小化类内散度同时最大化类间散度达到最优分类的1引言目的，实验表明其在低维子空间中有良好的分类效果。在人脸识别中，特征提取是一项重要的工作。特征提取Yang[s在研究人脸识别中的低维特征表达时指出核PCA方就是把高维的数据映射到低维的数据，目的在