sci翻译文献

《sci翻译文献》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、基于一种改进的CCA-PCA算法的2D-3D人脸识别方法摘要：这篇文章给基于信息理论方法来编码和解码人脸图像的人脸识别提出了一个方法。在本文中，基于使用典型相关分析（CCA）的主成分分析（PCA）算法，我们提出一种2D-3D人脸匹配方法，来了解2D人脸图像和3D人脸数据之间的映射。此方法使得2D人脸图像与已录入的3D人脸数据的匹配成为可能。我们提出的融合算法是基于PCA方法，该方法被应用到提取基本特征值当中。在特征合并在一起之前，PCA特征级融合要对来自源数据的不同的特征进行提取。对TEXAS面部图像数据库上的实验结果表明：基于改进的CCA-PCA方法的分

2、类和识别的结果要优于那些基于CCA方法的结果。对2D-3D人脸匹配结果进行测试，CCA方法的识别率仅仅为可怜的55%，而基于PCA级融合的识别率高达85%。关键字：人脸识别，PCA,CCA,核典型相关分析，德克萨斯州数据库，图像融合1.介绍人脸是社会关注的主要焦点，在表达身份和传递情感的过程中扮演重要角色。人脸识别是通过一个人的面部图像进行识别的技术。由于人脸识别技术必须得处理在各种参数下的情况，如光照，姿态方位，表情，头的尺寸，图像遮蔽和面部背景，所以人脸识别技术的问题比较复杂，且有高挑战性。大部分提出的人脸识别方法解决的是2D表面，比如特征脸和fish

3、erfaces；，很自然的是这种方法对变化的照明情况和姿势是最灵敏的。近些年，在图像处理和2D人脸识别方面已经引入一些新方法，它们依赖于光照，姿态方位，表情这些因素。CCA和核CCA(KCCA)就属于一种新方法。CCA已经广泛的应用在许多方面，诸如信号处理，医学研究和模式识别。CCA可同时处理两个数据集，来对比于PCA和线性判别分析（LDA）。KCCA也已成功地应用于基于内容的恢复，文本挖掘和面部表情识别当中。近来，由于其良好的非线性特性，核方法而备受关注。因为一个面的形状是独立于其照明和姿势，3D面部识别具有在不受控制的条件下提高的性能的潜力。一些3D人

4、脸识别算法早已被提出，而且报道称识别率也非常高。由于它的计算的复杂性和设备的成本，3D技术在仍然不能广泛的应用到实际中去。基于CCADouble方法和利用图像融合而组合的CCA-PCA方法，本文采用一种新的特征投影的方法。我们采用CCA和改进的CCA来对2D和3D的人脸数据进行匹配。我们使用2D人脸图像作为探针，3D人脸数据作为画廊。提出的2D-3D人脸识别方法表明了其相比于其他传统的3D-3D人脸识别系统的低计算复杂性。本文的其余部分安排如下。第二部分简单地回顾了相关工作。第三和第四部分对人脸识别系统和其提出的方法进行了讨论。第五部分列出实验结果，最后，

5、在六部分我们进行了总结。2.相关工作解决的2D-3D面部匹配问题有几种方法。Rama等人使用部分PCA(P2CA)来对一个2D人脸图像和3D人脸数据进行匹配。D.Riccio等人提出一个特别的2D-3D人脸识别方法，这些方法基于从多个“控制点”来计算出的16个几何不变量。W.Yang等人提出了基于主成分分析（PCA）等方法的像素级图像融合方案。关于多模态2D-3D面部识别的公布结果表明，相比于单独使用2D或3D数据，来自2D和3D人脸数据的人脸识别有着更好的性能表现。关于多模态的2D-3D人脸识别方法的调查可以在Bowyer等人的相关成果中找到。受到上面列

6、出的论文中的结果的启发，我们提出了一种基于PCA的改进了的2D-3D融合算法。G.Kukharev等人提出了应用于图像处理和生物识别的2DCCA（2DCCA）。通常情况下，CCA方法的关键思想是找到几对典型变量中两对变量之间的高维数关系。它的目的是要描述两组数据一维序列之间的关系。对于多模态功能，CCA可用于特征级融合。计算机技术的飞速发展，增加了内存容量，提升了处理速度，而且数字图像处理软件包的广泛的使用（如：MATLAB,LabView,Statistics）和数学建模的应用，促进了CCA在多维数据的处理当中的应用。例如数据可以包含人脸图像，肢体姿势等

7、。1.人脸识别系统人脸识别中必须要处理的最有挑战性的问题是对属于同级别的数据进行合理恰当的分割。在人脸识别当中，一个级别代表的是同一成份的数据（同一人的所有的图像数据）。我们的目标是实现一种自动设备支持的系统，该系统可以识别图像中的一个人的身份（初始化和对图像的代表性样本练习完之后）。这样的系统在实际中有着广泛的应用，例如，自动个人身份识别和种族，性别，情感识别等。图1.人脸识别系统方法脸部识别系统的过程如下。首先，提取图像特征。接着，训练分类器在训练不同类别的图像和模型集中生成。最后，这些分类的模型将被用来预测测试图像。常见变换方法被列在图1的中间一列（

8、PCA,CCA,KCCA和CCA-PCA）。1.1PCA，CCA和