一种基于类间类内双权重图像分块PCA的人脸识别技术-论文.pdf

《一种基于类间类内双权重图像分块PCA的人脸识别技术-论文.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、第13卷第1期杭州师范大学学报(自然科学版)Vo1．13NO．12O14年1月JournalofHangzhouNormalUniversity(NaturalScienceEdition】Jan．2014一种基于类间类内双权重图像分块PCA的人脸识别技术施志刚(南通航运职业技术学院管理信息系，江苏南通22601O)摘要：提出一种将加权分块图像和主成分分析(PCA)相结合的人脸识别方法．该方法首先根据同类训练样本的平均图像与所有训练样本平均图像的距离以及类内训练样本图像与该类平均图像的距离，分别定义类间和类内图像加权函数，以获得每个训练样本图像的权重；然后将训练样本图像分块，构建所有同位置

2、加权分块图像空间；接着基于新的样本空间对所有同位置图像分别采用PCA方法提取特征；最后用最近邻分类器实现模式分类．实验结果显示该方法较普通MPcA方法有效提高了识别率．关键词：加权分块图像；类问；类内；主成分分析；同位置；提取特征中图分类号：TP391文献标志码：A文章编号：1674232X(2014)01-0089—050引言近年来，主成分分析n(PCA)方法被广泛用于人脸图像的特征提取和识别．它基于K—I变换提取人脸图像的主要成分．但是用此方法需要将二维图像矩阵转换成一维列向量，如果图像分辨率高，势必会引起特征提取计算的复杂度．并且PCA方法提取的是图像的全局信息，图像中的所有像素在特

3、征提取中的作用相同，但是在人脸识别的过程中，这些图像往往会因光照、表情以及姿态等因素表现出很大的差异，因此传统PCA方法的识别效果并不理想．于是找出某种能减轻这些因素在提取有效鉴别特征中的影响的方法便成为提高识别性能的关键．文献[7]基于传统的PCA方法提出了分块PCA算法．该方法不仅能有效地提取图像的局部信息，改善因光照和表情不同对特征提取所带来的干扰，还可以解决“小样本”问题．但此方法是根据所有训练样本分块图像的平均图像来建立总体散布矩阵，因此在特征提取时没有考虑到不同位置分块图像的特征差异．为进一步提高人脸识别的正确率，本文提出一种新的方法．该法首先对训练样本图像建立同类图像空间，根

4、据同类训练样本的平均图像与所有训练样本平均图像的距离，定义类间图像加权函数，以增强不同类图像在特征提取中的类间区分度，同时计算类内训练样本图像与该类平均图像的距离，定义类内图像加权函数，将此和类间加权函数相乘，这样每个图像均可获得一个权重．如果权重越小，说明此图像在特征提取中的作用越低；然后对训练样本图像分块，建立所有同位置加权子图像空间；最后基于新的样本空间对所有相同位置的子图像分别采用PCA方法提取特征，目的可以更好消除不同位置子图像之间的差异．收稿日期：201308—20通信作者：施志刚(1980一)，男，讲师，硕士，主要从事人工智能与模式识别研究．Email：benstiven@1

5、63．corn90杭州师范大学学报(自然科学版)2014矩1PCA方法PCA算法基于K—L变换．在人脸识别中利用此原理可以提取人脸的主要成分，即特征脸空间，这样任何一幅图像都可以投影到此空间，并获得一组系数，用以人脸识别．令，，⋯，叫为C个模式类，A={A；∈R，i一1，2，⋯，C，J：1，2，⋯，}为训练样本集，其中：C为第i类样本的个数，N一∑n为训练样本的总数，表示第i个人第J幅图像．总体散布矩阵可表示为一CiS一1∑∑(一)(一)，(1)’i=1j1Ci其中：i表示第类第个训练样本的图像向量，i—Vec()，i一∑∑为所有训练样本图像向量的平均值．根据总体散布矩阵s，由式AU=US

6、求出一组正交的特征向量U(一1，2，⋯，N)及其对应的特征值丸，将对应的特征向量H按非零特征值从大到小的顺序排列．所组成的特征向量矩阵即为特征空间u，u的每一列为一个特征向量，即U=In，Uz，⋯，U]．取前t(t<』＼，)个非零特征值所对应的特征向量作为正交矢量，组成新的特征脸子空间，有了这样一个降维子空间，任何一幅人脸图像矢量X；都可以在此获得一组投影系数，表示为一U．(2)2基于类间类内双权重图像的分块PCA方法本文方法首先对训练样本图像建立同类样本空间，根据同类训练样本的平均图像与所有训练样本平均图像的距离以及类内训练样本图像与该类平均图像的距离，分别定义类间和类内图像加权函数，将

7、它们相乘以获得每幅图像的权重；然后将图像分块，用权重乘以各自对应的子图像，构建同位置加权子图像空间；接着基于新的样本空间对所有相同位置的子图像分别采用PCA方法提取特征；最后用最近邻分类器分类，具体算法步骤如下：1)所有同类图像空间表示为A={{A，⋯，A)，{A，⋯，A)，⋯，{Ai，⋯，A；})，其中训练样本图像矩阵A；大小均为m×．一i2)定义类间加权函数．第类训练样本图像A；的平均图像矩阵表示为A一1∑，所有训练