应用于人脸识别的结合svd变换的图像类特征提取算法

《应用于人脸识别的结合svd变换的图像类特征提取算法》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、第27卷第9期计算机应用与软件Vo1．27No．92010年9月ComputerApplicationsandSoftwareSep．2010应用于人脸识别的结合SVD变换的图像类特征提取算法陈献忠苏庆刚王耀明(上海电机学院电子信息学院上海200240)摘要由于矩阵奇异值(SVD)为依据的图像识别技术中，SVD与矩阵之间不是一一对应的。为此提出了同类图像的类SVD变换及其图像特征提取方法。并采用最近邻法进行分类识别，应用于人脸识别中，有较好的效果。关键词矩阵奇异值图像的类SVD变换图像特征提取IMAGECATEGoRISEDFEATUREEX

2、TRACTIoNCoMBININGSVDTRANSFoRMALGoIUTHMoNFACERECoGNITIoNChenXianzhongSuQinggangWangYaoming(SchoolofElectronicInformation，ShanghaiDianjiUniversity，Shanghai200240，China)AbstractWhenapplyingSVDinimagerecognition，theSVDdoesnotcorrespondtothematrixonaone—to—onebasis．Thethesisprop

3、osesacategorisedSVDtransformanditsimagefeatureextractionapproachforcategorisedimages，thenappliesthenearestneighbourclassificationandrecognition．Experimentshaveshowngoodresultswhenapplyingthemethodtofacerecognition．KeywordsMatrixsingularvaluedecomposition(MatrixSVD)Imagecate

4、gorisedSVDtransformImagefeatureextractionU和分别为和AA的特征向量矩阵。由于U和是酉0引言阵，则：A=UAV(2)图像自动识别方法一般由两个主要的方面组成：特征抽取一个矩阵有唯一的SVD。但是同一SVD有不同的矩阵与和识别技术．2j。目前前者包括几何特征提取、统计特征提取它对应。这是因为从式(1)可知，在相同的A之下，只有也U和和频谱特征提取等；后者包括基于K—L变换的识别方法、基于弹也相同，才能恢复矩阵A，所以SVD与矩阵之间不是一一对性模型的方法、基于神经网络的方法、局部自相关性、基于VFR应的。

5、的表示框架识别方法、基于几何特征的方法等。在人脸识别应由式(1)和式(2)可知，既然是一个对角阵，SVD分解可用中，由于任何两个时刻或在两个地点所拍摄的人脸图像在大把一个n×n矩阵表示为n个秩为1的n×n矩阵之和，即：小、方位、姿态等都有或多或少的不同，这样就形成了人脸图像的匹配点在整个人脸图像中的几何位置的变迁，匹配点间距离=和比率产生了变化。基于此，近年来对多姿态人脸图像的识别研究在国内外形成了一个研究热点，许多方法考虑将多种特征A=VAU=∑Au结合形成人脸的多元特征表达。本文介绍的是以矩阵SVDl6为特征(属于统计特征范令A：∑A(r

6、

7、数特征进行识别，取得一定的效任何～个m×n的矩阵A(m≥n)可以写成：果]。但正如上面所述由于SVD与图像之间不存在一一对应A=UAVr(1)的关系，因而限制了识别率的进一步提高。如果同时考虑到奇异其中和分别是m×n和×n矩阵，称为核矩阵，它们的各值和相应的核矩阵，那么其识别率将进一步提高，但是其计算量列向量{U1i=1，2，⋯，n}和Ii=1，2，⋯，n}为互相正交的单位向量，即u和为酉阵。以是n×n的对角阵，其对角线元素收稿日期：2010—05—18。陈献忠，讲师，主研领域：计算机应用，信包含了A的SVDAl，A2，⋯，A；且满足A1≥A

8、2≥⋯≥A>-0；而息处理。232计算机应用与软件2010生要大大地增加。可喜的是，对于同一类图像来说，它们的核矩阵=∑K()()比较接近，可以近似地采用同一核矩阵