基于2D-LDA的低分辨率人脸识别.pdf

《基于2D-LDA的低分辨率人脸识别.pdf》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、中国科技论文在线http://www.paper.edu.cn#基于2D-LDA的低分辨率人脸识别**赵迪，陈振学，李翠萍（山东大学控制科学与工程学院，济南250061）5摘要：在处理视频监控中的人脸识别时，低分辨是一个具有挑战性的问题。为了解决这个问题，本文提出了一种基于二维线性判别分析（Two-dimensionalLinearDiscriminantAnalysis,2D-LDA）和度量学习的方法来匹配低分辨和高分辨人脸图像。2D-LDA将低分辨和高分辨图像转换到一个共同的空间，在这个空间中保留了它们之间最有鉴别性的信息。而且它是基10于矩阵的运算，因此克服了矩阵奇异和空间信息丢失的问

2、题。为了进一步提高识别性能，本文采用了基于近邻成分分析（NeighbourhoodComponentAnalysis,NCA）的度量学习方法，它的目标是最大化留一法（Leave-one-out,LOO）分类准确率。在ORL人脸库上的实验证明这个方法能够有效地提高识别率。关键词：低分辨；二维线性判别分析；鉴别性的信息；距离度量；近邻成分分析15中图分类号：TP391.4Two-dimensionalLinearDiscriminantAnalysisforLow-ResolutionFaceRecognitionZHAODi,CHENZhenxue,LICuiping20(SchoolofCo

3、ntrolScienceandEngineering,ShandongUniversity,Jinan250061)Abstract:Lowresolution(LR)isachallengingproblemwhenhandlingvideosurveillancefacerecognition.Toaddressthisproblem,thispaperproposesanapproachformatchinglowresolutionimageswithhighresolution(HR)imagesbasedonTwo-dimensionalLinearDiscriminantAna

4、lysis(2D-LDA)andmetriclearningmethod.The2D-LDAmethodtransformstheLRandHRimagesintoa25commonspacesuchthatthemostdiscriminativeinformationbetweenthemispreserved.Also,itovercomesthesingularityandlossofthespatialinformationproblembecauseofitsmatrixrepresentation.Tofurtherimprovetherecognitionperformanc

5、e,metriclearningmethodisusedbasedonNeighbourhoodComponentAnalysis(NCA)whichaimstomaximizetheLeave-one-out(LOO)classificationaccuracy.ExperimentsontheORLdatabaseillustratethatthismethodcanimprovethe30recognitionaccuracyeffectively.Keywords:LowResolution;2D-LDA;DiscriminativeInformation;MetricLearnin

6、g;NCA0引言近年来，在约束条件下的人脸识别取得了很大的成功。然而，随着监控摄像头的广泛应35用，在非约束环境下，低分辨率的问题日益显著，从而导致了鉴别性信息的丢失。因此，低分辨率人脸识别问题仍然是一个极具挑战性的问题。[1][2]现有的低分辨率人脸识别方法可以被分为三类。一类是人脸幻想，它通过从低分辨人脸图像中重建高分辨人脸图像来实现。人脸幻想中的大部分方法更多地关注重建图像的视[3-4]觉效果而非识别率，而且，它的计算复杂度比较高。第二种方法是提取分辨率稳健特征。40这种方法的缺点是没有考虑高低分辨率图像对之间的关系。[5]最近，一系列基于映射的工作得到了广泛关注，这些方法的思路是将高

7、分辨率和低分基金项目：国家自然科学基金项目(61203261)；江苏省大数据分析技术重点实验室(南京信息工程大学)开放课题(KXK1404)；广西多源信息挖掘与安全重点实验室开放基金（MIMS16-02）作者简介：赵迪（1993-），女，硕士研究生，主要研究方向：模式识别与图像处理、低分辨率人脸识别等通信联系人：陈振学（1977-），副教授、硕导，目前研究方向：生物特征识别与机器视觉、人脸识别与信息融合等.E