基于pca和fld的人脸识别方法

《基于pca和fld的人脸识别方法》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PCA和FLD的人脸识别方法　　摘要：该文介绍了2种人脸模式识别领域常用的方法：“PCA（Principal　Component　Analysis）主成分分析法”以及“FLD（Fisher　Linear　Discriminant）fisher线性判别法”，并且在后面给出了2个具体的实现方案。一个基于PCA的人脸识别，一个基于PCA+FLD的更加优化的识别方案，最后综合比较了两种方案的优缺点。　　关键词：模式识别；人脸识别；PCA；FLD　　中图分类号：TP18文献标识码：A文章编号：1009-3044（2012）34-8259-04　　通常的人脸识别一般包含几大步骤：图

2、片预处理、特征提取和特征选择和人脸检测。在这其中最为重要，通常也决定了一个识别系统的效率的，便是最终的人脸检测方法。优秀的检测方法能够利用为数不多的特征得到较低的计算量和不错的识别率；相反，如果方法不当，可能会使得系统必须在维数极高的空间中处理数据，这样便导致后续的工作异常复杂甚至不可完成。在该文的设计中，即使是在采用传统的线性判别方法时，也在方案之中考虑了不必要计算的剔除。这不仅体现在特征提取后的根据阈值抛弃无用特征上，还体现在FLD方法中对协方差矩阵的选择上：在不影响识别率的条件下尽可能的减小识别所带来的代价。　　1　PCA方法简介　　1.1　PCA（Principal

3、　Component　Analysis）简介9　　主成分分析（Principal　Component　Analysis）是一种统计分析方法，它关注事物主要矛盾，并将多元事物中的主影响因子解析出，起到揭示本质、简化问题的目的。计算主成分的目的是将高维数据投影到较低维空间。给定[n]个变量的[m]个观察值，形成一个[n×m]的数据矩阵，[n]通常比较大。人们难以认识这样的一个多变量描述的复杂事物，因此，如何抓住事物主要方面重点分析成为了一个研究的热点。　　研究人员比较希望事物的主要方面只表现在几个主要变量上，从而可以通过分离这些变量详细分析来抓住事物的特征。但一般情况下，并不容

4、易找到这样的关键变量。这时，如何将原有变量进行一定的线性组合来代表事物主要方面的特征就成为了一类重要的研究方法，而主成分分析（PCA）就是这类方法中极具代表性的一种。　　主成分分析法具体实施是寻找[r（r

5、数据空间并在低维空间里直观地表示多元数据的特征的方法。通常的PCA算法具体步骤为：1）计算均值；2）求出相应协方差矩阵，特征值，以及特征向量；3）求出协方差矩阵中，特征值大于阈值的对应元素的个数；4）降序排列得到的特征值；5）去掉得到的特征值中的较小值；6）合并选择这些特征值；7）选择相应的特征值和特征向量；8）计算白化矩阵；9）提取主分量。　　1.2　Eigenface（特征脸）方法简介　　Eigenface　（特征脸）方法是一个从PCA方法引申出的一种人脸识别描述技术的算法。它将整个样本图像看作随机向量而进行K-L变换。K-L变换后可以获得一系列基底，其中特征值较大的基

6、底与目标人脸形状相似，故称特征脸。将这些基底按照一定的算法组合，可以无限接近待识别的人脸目标图像，从而达到识别的目的。　　具体识别过程是：首先获取目标特征脸元素，通过K-L变化得到基底，再由这些基底构成子空间，最后将将人脸图像映射到这些子空间上，比较其与己知人脸在特征空间中的位置，具体步骤如下：　　1）样本采集或者从数据库提取实验所需人脸图像样本，训练并算出其Eigenface值，将其定义为人脸空间。　　2）输入待识别的目标图像，采样并映射到前面所得到的空间中，得出一组关于目标的特征数据。　　3）检查目标人脸与空间的距离，作为判断该目标是否可能是人脸的判据。　　4）若判断出

7、是人脸，则利用其权值进一步判断其是否属于已有样本集，并找出样本集中与其相似度最高的人脸图像。　　该文后面介绍的人脸识别系统中的方法1便是基于特征脸的识别方案，在后面可以看到基于特征脸的识别方案在特定环境下可以达到非常高的识别率，而且算法的代价并不大。　　2　FLD简介9　　2.1　fisher线性判别原理简介　　简单来说，fisher线性判别的基本原理就是：假设将d维空间上的样本投影到一条直线上，样本的特征将混在一起而难以区分，于是我们希望找到一个方向，使得在这个方向的直线上，样本集合最容易区分。　　换言之，希望找