基于主元分析与支持向量机的人脸识别方法

《基于主元分析与支持向量机的人脸识别方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第!"卷第"期上海交通大学学报2567!")57"#$$#年"月%&’()+&,-.)/.0%0&1&)/’)023(-014%897#$$#===================================================================文章编号:;$$"<#C"@>#$$#A$"<$DDC<$!基于主元分析与支持向量机的人脸识别方法张燕昆B杜平B刘重庆>上海交通大学图像处理与模式识别研究所B上海#$$$!$A摘要:基于支持向量机>-2EA在处理小样本F高维数及泛化性能强等方面的优势B提出了一种基于主元分析>GHA与-2E的人脸识

2、别方法7利用GH方法对人脸图像进行特征提取B再利用-2E与最近邻分类器相结合的策略对特征向量进行分类识别7剑桥&(+的人脸数据库的仿真结果验证了本算法是有效的7关键词:人脸识别I支持向量机I主元分析I最近邻距离分类器中图分类号:1G!?;7C;文献标识码:JKLMNONMPQRSTSPRUNTVPWXLYNWPRZ[SRMSL]^P_PRNRTJRL]‘YSYLRWab\P[TcNMTP[ULMVSRNdefghijk09yz75{0}~!G"5#!yy$9~%G}zz!"9(!#5~9$z$59B-&}9~&

3、}$%$}5z59~’9$’7B-&}9~&}$#$$$!$BH&$9}AJ(YT[LMT:)}y!59z&!&$~&+!"{5"}9#!5{y8++5"z’!#z5"}#&$9!>-2EA$9z}#,6$9~y}66y}+6!y$-!B&$~&$!9y$59}9$zy~55~!9!"}6$-}z$59Bz&$y+}+!"+"5+5y!}{}#!"!#5~9$z$59!z&5.}y!59+"$9#$<+}6#5+59!9z}9}6/y$y>GHA}9-2E71&!GH$y8y!z5"!8#!z&!$!9y$59}9!0z"}#zz&!{!}

4、2E#5.$9!1$z&z&!9!}"!yz$yz}9#!#6}yy${$!"$y8y!{5"#6}yy${$#}z$5971&!&(+{}#!}z}.}y!1}y8y!z5z!yzz&!+"5+5y!!z&571&!!0+!"$!9z"!y86zy&51yz&}zz&!!z&5$y!{{!#z$’!72N‘3P[WY:{}#!"!#5~9$z$59Iy8++5"z’!#z5"}#&$9!>-2EAI+"$9#$+}6#5+59!9z}9}6/y$y>GHAI9!}"!yz$yz}9#!#6}yy${$!"人脸识别是模式识别研究的一个热点B它在身设计具有良好分类能力和

5、鲁棒性的分类器7支持向份鉴别F信用卡识别B护照的核对及监控系统等方面量机>-2EA4=6D5模式识别方法基于2H>2}+9$#<有着广泛的应用4;57人脸图像由于受光照F表情以及H&!"’59!9,$yA理论B采用结构风险化>-(EA原理B姿态等因素的影响B使得同一个人的脸像矩阵差异兼顾训练误差和泛化能力B在解决小样本F非线性及也比较大7因此B进行人脸识别时B所选取的特征必高维模式识别问题中表现出许多特有的优势7本文须对上述因素具备一定的稳定性和不变性7主元分利用-2E与最近邻分类器相结合的策略B使得分析>GHA方法4#6C5是一种有效的特征提取方法B将类器具备良好的

6、分类性能和鲁棒性7人脸图像表示成一个列向量B经过GH变换后B不789:算法理论仅可以有效地降低其维数B同时又能保留所需要的4#6C5是模式识别中一种有效的特征提取方识别信息B这些信息对光照F表情以及姿态具有一定GH的不敏感性7在获得有效的特征向量后B关键问题是法7其目的是用较少数量的特征对样本进行描述B降低特征空间的维数B同时又能保留所需要的识别信收稿日期:#$$;<$"<#=息7下面介绍GH应用于人脸识别的基本原理7作者简介万方数据:张燕昆>;?@!

7、第R期张燕昆&等5基于主元分析与支持向量机的人脸识别方法--,一个!"#$%维的列向量&其中!为人脸图像向即U4^.0.C]3_/&."/&7&8&#量的维数’设(为训练集中的样本数目&)为第设最优分界面d的方程4M^C]M"M&则两类中幅人脸图像形成的人脸图像向量&则训练样本集的靠近d的点之间的距离为(444^^总体散布矩阵+,"-0).1230).123’其中52为e0&]3"Gfg1GjkW[hU"/XiiW[hU"1/Xii."/(因此&的值应使/M训练样本集的平均图像向量&2"-).’令)"(4."/e0M&]M3"7li