基于k-l变换(pca)的特征脸人脸识别方法综述

《基于k-l变换(pca)的特征脸人脸识别方法综述》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、基于K-L变换(PCA)的特征脸人脸识别方法综述//.paper.edu.cn-1-中国科技论文在线基于K-L变换(PCA)的特征脸人脸识别方法综述程自龙1，雷秀玉21辽宁工程技术大学电子与信息工程学院，辽宁葫芦岛（125105）2河北科技师范学院研究生学院，河北秦皇岛（066004）摘要：首先阐述了基于特征脸人脸识别算法的具体过程及特点，然后论述了影响该方法的主要因素，列举了特征脸改进方法，最后进行了总结和展望。本文对研究者初步认识该方法很有意义。关键词：人脸识别综述；K-L变换；PCA；特征脸；成分分析中图分类号：TP391.41引言人脸识别技术是利用计算机分析

2、人脸图像，并从人脸图像中提取有效的信息进行身份识别的技术。人脸识别技术是一个包括多学科非常活跃的研究领域，应用非常广泛，与其他的生物特征识别技术相比有很大的优越性，其中具有识别速度快、直观、简便经济、非侵扰、防伪性好、准确率高和效率高的特点。人脸识别技术主要包括：基于几何特征的识别方法、基于统计的识别方法、基于神经网络的识别方法、基于相关匹配的方法。其中基于K-L变换(PCA)的人脸识别方法是基于统计特征的人脸识别方法。2基于K-L变换(PCA)的人脸识别方法2.1PCA概述基于K-L变换(PCA)的人脸识别方法又叫特征脸方法、本征脸方法（Eigenface）[1,

3、3]，最早由Turk和Pentland提出。本征脸方法是从主成分分析(PrincipalComponentAnalysis,PCA)导出的一种人脸识别和描述技术。PCA实质上是K-L展开的网络递推实现,K-L变换是图像压缩中的一种最优正交变换,其生成矩阵一般为训练样本的总体散布矩阵。本正脸方法就是将包含人脸的图像区域看作是一种随机向量,因此可以采用K-L变换获得其正交K-L基底。对应其中较大特征值的基底具有与人脸相似的形状,故将其称为特征脸。利用这些基底的线性组合可以描述、表达和逼近人脸图像,因此可以进行人脸识别和合成。识别过程就是将人脸图像映射到由特征脸张成的子空

4、间上,比较其与已知人脸在特征脸空间中的位置。2.2PCA的具体识别步骤(1)读入训练人脸库。读入时，将每个人脸图像转化为一维的向量假设参与训练的人脸图像有N个（其中有N个人，每人1张人脸），每幅图像的大小为h×w(w和h分别是图像的宽和高)，则训练图像可以表示为一个(w×h)×N的矩阵。其中第i幅人脸可以表示为：[]()1)2,1,,,21公式（NixxxTihwiiixLL==×(2)计算平均脸和到平均脸的距离。平均脸就是所有人脸图像的平均值向量。计算方法如下：()21公式∑=NiixNx那么，每张人脸和平均脸之间的距离向量可以表示为：()3公式xxiid??=/

5、/.paper.edu.cn-2-中国科技论文在线(3)计算特征脸。设矩阵A为：A=[8><#004699'>d1,<#004699'>d2,…,dN]公式(4)协方差矩阵(散布矩阵)为：()511公式∑=NiTiiTddNAAN公式(5)中AAT的转置矩阵为：ATA公式(6)计算特征脸时要计算出协方差矩阵的前Z（Z<<N）个较大特征值的特征向量。但由于公式（5）是一个(w×h)×(w×h)的高维向量，计算这样一个矩阵的特征值和特征向量的计算量是非常大的。而公式（6）却是一个N×N的低维向量，因此，可以先求出公式（6）的特征值()7),,2,1(21公式

6、ZjAujjjvL==??λ其中，uj是公式（6）的特征向量，λj表示公式（5）的特征值，公式（7）就是需要的特征脸。由公式（7）可以组成一个“特征脸”空间：{}()8,,21公式ZvvvWL=(4)投影。将每一幅人脸与平均脸的差值矢量投影到“特征脸”空间，得到第h个人的第i个特征脸向量表示为：()9),,2,1(公式NidWiTiPL==(5)对待识别的人脸进行识别（利用欧氏距离分类）。距离阈值为:()10),1,}({21max,公式NkjPPkjkjL=??=θ把待识别的人脸图像R投影到特征脸空间，得到向量：()11)(公式xRWP??=ΤP与每个人脸集的距离

7、定义为：()12),1(22公式NkPPkkL=??=ε为了区分人脸和非人脸，还需要计算原始图像R与由特征脸空间重建的图像Rf之间的距离ε()1322公式fRR??=ε()14公式xWPRf+=人脸分类的规则如下：1)若，则输入图像不是人脸图像;2)若,,则输入图像包含未知人脸。3)若,,则输入图像为库中第k个人的人脸。2.3PCA算法的特点PCA具有如下几个优点[9]：(1)可以证明均方误差最小。PCA是在均方误差最小意义下的最优正交分解方法，因此用PCA进行信号压缩能够得到最大的信噪比。(2)降维可以减少计算量。对AAT的特征向量对应的特征值进行有大到小的顺