基于matlab的人脸识别线性特征提取方法对比研究.pdf

《基于matlab的人脸识别线性特征提取方法对比研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、科学技术基于matlab的人脸识别线性特征提取方法对比研究严林(三峡大学计算机与信息学院，湖北宜昌443002)摘要：如何有效的描述每个人脸的个体特征，使之容易区别于其他人，是人脸识别特征抽取中最关键的一部分。近年来，子空间分析方法因其具有描述性强、计算代价小等优点在人脸识别领域中得到了广泛的使用。本文重点对线性子空间方法中的2DPCA，2DLDA，2DICA做了理论上的比较，并利用matlab编程获得了实验数据的支持。同等的实验条件下，在oRL姿态库和CMU表情库的实验结果表明2DLDA'~7,剐效果最优，2DPcA识别效率最高，而无论是从识别率还是识别

2、速度上来说，2DICA均介于二者之间。关键词：人脸识别；2DPCA；2DLDA；2DICA本文受到三峡大学硕士论文培优基金的支持(2013PY040)1引言R．A．Fisher于1936年提出的。但是它仅适用于两类分类问题。在Fisher~,脸识别因其具有自然性且易被人接受已成为计算机视觉与模式想的基础之上，wi和Duda分别提出了判别矢量集的概念，即寻找由识别领域的一大研究热点[1—2】。但识别率的高低主要受到表情，姿一组判别矢量构成的投影子空间，将样本投影到该子空间上得到投影态，光照等因素的制约，近些年已有大量的科研工作者提出了很多向量，并作为最终提取

3、的特征向量从而解决了多分类问题，该方法被方法来解决这类问题[3]，其中子空间分析因其描述性强、易实现等优称为经典的Fisher~性判别分析方法。2DLDA[13]是LDA在矩阵模式下点，在人脸识别领域受到了广泛的关注。子空间分析的思想就是根据的平行推广，但都是以样本的可分性为目标，寻找线性变换从高维输一定的性能目标来寻找一线性或非线性的空间变换，把原始信号数据入空间里提取出最具有判别能力的低维特征，这些特征能帮助将同一压缩到一个低维子空间，使数据在子空间中的分布更加紧凑，为数据个类别的所有样本聚集在一起，而不同类别的样本尽量分开，即寻找的更好描述提供了手段

4、，另外计算的复杂度也得到了大大的降低。目线性变换使得变换后的样本类间离散度和类内离散度的比值最大。前在人脸识别中得到成功运用的线性子空间分析方法有：主成分分析基于线性判别分析的人脸识别的具体步骤如下：(PCA)【4】、线性判别分析(LDA)【5】、独立成分分析(ICA)【61和非读入训练样本图像并计算第i类训练样本均值和所有训练样本均负矩阵因子分解(NMF)【71及其改进算法[8一lO]。值2实验与分析本文中统一将训练样本图像集设为Ai=击喜A(43(il，2，⋯，c；j12。。，)，A,j表示第f类的第个大小为：(2)N智．‘mn的训练样本，C为样本总类

5、别数，ni为每一类样本数，总样本数为NCn。。求内类散度矩阵w和内间散度矩阵2．12DPCASw=∑∑寺(—4)(—4)2DPCA[1l】是在PCA基础上的改进，基本思想来源于K—L变换[12]，目的是从训练样本图像中，通过线性变换得到一组特征脸图像，那么Cr／=I-一)一)(3)任意给定的人脸图像都可以近似为这组特征脸图像的线性组合，而组合的系数即作为人脸的特征向量。其本质特点在于采用最大化类间离基于Fisher准则寻找最优的投影矩阵散度作为准则。但是PCA是将图像转换成mn】的向量，破坏了图J(w)=argmax(4)像的二维结构特征，并且转换成向量之

6、后计算量太大，2DPCA方法就很好地解决了以上的问题，不仅保持了人脸图像的结构特性，更容易计算的特征值V和对应的特征向量u取出V中按降序排列的前d个最大特征值对应的特征向量组成特征准确地评估协方差矩阵，即在图像的特征提取上更加简单直观，而且空间确定相应的特征向量时需要的时间更少，因而可以显著提高图像的特2．32DICA征提取速度，计算量小。基于二维主成分分析的人脸识别的具体步骤如下：独立元分析(ICA)是近几年才发展起来的一种新的统计方法，最早提出ICA概念的~．．Jutten和Herault，当时他们对ICA给出了一种相当简单读人训练样本图计算训练样本集

7、的描述，认为ICA是从线性混合信号里恢复出一些基本的源信号的方法。由于ICA是基于信号高阶统计特性的分析方法，并且经ICA分解出S=∑(一)(一)(1)的各信号分量之间是相互独立的，因此，ICA在信号处理领域受到了广构造矩阵R并进行奇异值分解，求其特征值构成的对角阵v泛的关注。基本思想就是通过线性变换，从训练样本中找到一组相互及其对应的特征向量组成的矩阵u独立的基，并以此来描述样本数据。2DICA[14]是直接运用图像矩阵参取出V中按降序排列的前d个最大特征值对应的特征向量组成特征与计算，在时间上更具优势。空间基于独立成分分析的人脸识别的具体步骤如下：2-

8、22DLDA读人训练样本图象A并中心化训练样本，中心化后的训练样本