典型代数统计的人脸特征提取融合

《典型代数统计的人脸特征提取融合》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、小型微型计算机系统2014年7月第7期JournalofChineseComputerSystemsVol．35No．72014典型代数统计的人脸特征提取融合1231王成，郭飞，赖雄鸣，郑黎晓1(华侨大学计算机科学与技术学院，福建厦门361021)2(西安交通大学电子与信息工程学院计算机系软件与理论研究所，西安710049)3(华侨大学机电及自动化学院，福建厦门361021)译成英文E-mail:wangcheng@hqu．edu．cn摘要:针对人脸识别领域中的经典特征提取算法PCA、LDA、SVD的一些不足

2、，提出一种基于典型代数统计的人脸特征提取的融合算法．该特征提取方法将PCA、LDA、SVD特征有机融合起来，并能通过调整权值系数使组合前不同特征向量的信息贡献比例达到最优，从原理上实现了Fisherface特征和SVD特征在物理意义上的互补．在OＲL和Yale人脸数据库上的BP神经网络分类器仿真实验表明，融合算法无论在识别正确率上还是识别效率上均高于传统的PCA、SVD、LDA和经典的Fisher脸特征提取方法．关键词:人脸识别;特征提取;PCA;LDA;SVD;Fisher脸;典型代数统计;融合中图分类号:

3、TP181文献标识码:A文章编号:1000-1220(2014)07-1662-05FaceFeatureExtractionFusionBasedonClassicalAlgebraicStatistics1231WANGCheng，GUOFei，LAIXiong-ming，ZHENGLi-xiao1(CollegeofComputerScience＆Technology，HuaqiaoUniversity，Xiamen361021，China)2(DepartmentofComputerSciencean

4、dTechnology，Xi'anJiaotongUniversity，Xi'an710049，China)3(CollegeofMechanicalEngineeringandAutomation，HuaqiaoUniversity，Xiamen361021，China)Abstract:Aimingatshortcomingsofclassicalalgorithmsoffeatureextraction(PCA，LDA，SVD)intheareaoffacerecognition，thispaperpr

5、esentsafacefeatureextractionfusionmethodbasedonclassicalalgebraicstatistics．Byadjustingtheweightingcoeffi-cientsbeforethecombinationofdifferentfeaturevectorsproportionalcontributionofinformationtoachieveoptimal，thisalgorithmfu-sionthemeritsofPCA，LDA，SVDalgo

6、rithmsinthetheorylevel．NumericalexperimentalresultsofBPneuralnetworkClassifieronOＲLandYaledatabasesshowthatthisfusionalgorithmhasfasteroperationalefficiencyandhigherrecognitionratesthanclassicalfea-tureextractionalgorithms，suchasPCA，LDA，SVDandfisherface．Key

7、words:facerecognition;featureextraction;PCA;LDA;SVD;fisherface;classicalalgebraicstatistics;fusion［3，4］1典型特征提取算法及其缺陷分析by等人提出来的．以人脸样本的自相关矩阵的特征向量作为坐标系将其对角化，将消除原有向量的相关性，然后去掉人脸特征提取又称为人脸特征描述，是在人脸检测定位那些带有较少信息的特征向量，这样将降低特征空间的维数．等一系列预处理工作基础上对人脸图像进行建模的过程．人特别地，数据集在这些

8、特征向量方向上投影的方差为其对应脸特征提取是人脸识别研究领域中一个关键性的问题，为人的自相关矩阵的特征值．脸分类打下了基础．PCA、LDA、SVD、FisherFace是人脸识别但PCA从本质上来讲是一种线性的变换影射，对于一些领域中典型的特征提取方法．线性不可分问题，降低维数并不是最优的方法，PCA方法并主元成分分析(PrincipalComponentAnalysis，即PCA，也不能在降低维数