基于pca的jpeg图像的人脸识别

《基于pca的jpeg图像的人脸识别》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于PCA的JPEG图像的人脸识别提出基于主成分分析(PCA)的JPEG图像的人脸识别。该方法通过PCA抽取JPEG图像DCT系数的特征，利用马氏距离分类器，并结合留一法交叉验证。对光照、角度具有较好的鲁棒性，能够快速实现JPEG图像的人脸识别。关键词：主成分分析；JPEG；人脸识别；马氏距离；留一法交叉验证1.引言自2001年美国"9．1l"恐怖袭击发生以来，如何在车站、机场等公共场所利用高科技手段，迅速而准确地发现并确认可疑分子成了目前世界各国在反恐斗争中普遍关注的问题。生物特征识别技术日益成为当前模式识别与人工智能领域的一个研究

2、热点。　　生物特征识别技术主要包括：人脸识别、虹膜识别、步态识别以及多生物特征融合识别等。其中人脸识别以其方便，易于为公众接受成为生物特征识别技术的主流[1]。　　JPEG是最为常见的图片格式之一，相比于灰度图像，JPEG图像的人脸识别研究较少。本文利用PCA抽取JPEG图像的量化DCT系数特征，选取合适的分类器并结合留一法进行交叉验证。　　在压缩域的特征提取有效避免了传统的人脸识别方法，要先进行压缩图像的"全解压"操作，然后再进行识别，大大提高了识别效率[2]。2.人脸识别的基本原理2.1K-L变换的基本原理　　由于PCA的是建立在

3、K-L变换上的，K-L变换时一种常见的正交变换[3]。设X是n维的随机变量，常以X的协方差矩阵S作为K-L坐标系的产生矩阵，然后求出的S的特征向量及特征值，以特征向量组成的矩阵为投影矩阵，将原矩阵投影至新的特征空间中。2.2PCA人脸识别原理　　2.3PCA识别过程　　将JPEG人脸图像的量化DCT系数投影至新的特征空间，得到所有图像的识别特征，然后根据一定得分类器对其分类，判断其属于哪一类。2.4交叉验证(CrossValidation)方法　　交叉验证为CV,是用来验证分类器的性能一种统计分析方法,基本思想是把在某种意义下将原始数

4、据进行分组,一部分做为训练集，另一部分做为验证集,用前者对分类器进行训练,然后利用后者测试训练得到的模型,以此来做为评价分类器的性能指标.　　常见的CV有二分法，将原始数据随机分为两组，结果受分组影响很大；随机N分法，将原始数据随机分成N组，对每一个子集做验证获得评价结果；留一法，每次只留一个样本作为验证，其余均是训练集，相比与前面两种方法有两个明显的优点:①每一回合中几乎所有的样本皆用于训练模型,因此最接近原始样本的分布,这样评估所得的结果比较可靠。②.实验过程中没有随机因素会影响实验数据,确保实验过程是可以被复制的。3.试验结果及

5、分析3.1实验结果　　本实验采用了多个人脸数据库作为分析。采用留一法验证分类器性能，采用马氏距离作为分类器，获得了较好的实验结果。1）Face94人脸数据库　　该数据库人脸表情丰富。实验选取该数据库中40个人，每人20张图片共800张图片，选取的特征数与准确率如表一所示：特征数识别率2093.96%3095.01%4096.52%　　表一：Face94实验结果2）Face95人脸数据库　　该数据库人脸有角度变化。实验选取该数据库中40个人，每人20张图片共800张图片，选取的特征数与准确率如表二所示：特征数识别率1090.57%209

6、4.24%4095.844%6096.23%10096.29%表二：Face95实验结果3）Face96人脸数据库　　该数据库有较强的光照变化实验选取该数据库中40个人，每人20张图片共800张图片，选取的特征数与准确率如表三所示：特征数识别率2080.9688%4088.4063%6090.8743%　　表三：Face96实验结果3.2实验分析　　从理论上讲，在高斯分布条件下，马氏距离的分类是最好的，在本实验的结果中也可以验证这一点。　　从表二中的实验数据可以发现,当特征空间维数较少时，识别率的增加很明显。例如维数从10增加到20，

7、识别率平均增加了10．02％。当特征空间维数增加到40左右时，识别率开始缓慢增加并趋于平稳，因为当特征空间维数在40左右时式(2)中的值已经接近99%所以在增加维数对识别率的贡献就已经很有限了。　　实验选取的三个图像库，分别具有表情丰富、角度变化、光照影响。实验结果表明，在压缩域的特征提取对以上变化均具有较强的鲁棒性。4.结论　　本文以JPEG图像经熵编码和反量化后得到的DCT系数为样本，结合PCA降维方法，提取特征。通过选择马氏距离分类器，并利用留一法对结果进行验证。本文方法对外界因素具有较强的鲁棒性，识别率高。