基于分块PCA的眉毛识别方法研究.pdf

《基于分块PCA的眉毛识别方法研究.pdf》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32卷第3期佳木斯大学学报(自然科学版)Vo1．32No．32014年05月JournalofJiamusiUniversity(NaturalScienceEdition)May2014文章编号：1008—1402(2014)03-0452—03基于分块PCA的眉毛识别方法研究①李颜瑞，杨毅2(1．山西机电职业技术学院信息与管理工程系。山西长治046011；2．中北大学电子与计算机科学技术学院，山西太原030051)摘要：通过前人的研究，眉毛已经可以作为一种独立的生物特征进行身份识别．本文提出了一种基于分块PCA的眉毛识别方法．在109人的眉毛库上进行实验，实验分析了阈值和分块

2、数量对识别率的影响，并且识别率最高可以达到92．66％．关键词：主成分分析；眉毛识别；最近邻法则中图分类号：TP391文献标识码：A{，：，⋯，}，则可以求出矩阵的协方差矩阵0引言C为：经过无数人的研究和实验，生物特征识别技术，．!Ifc=∑(一)x一)(1)已经被公认为安全系数较高的身份验证方法．到目前为止，生物特征研究基本上已经涵盖了人类的所1JIf=-g∑Xi‘(L2z)有的特征．比如：掌纹⋯，指纹J，人脸【3】，虹膜J，眉毛[5】等生物特征．其中有一些特征识别技术已其中为矩阵中每一行的平均值的列向量，如经得到应用，例如指纹、掌纹和人脸．虽然其它生物果将列向量与平均向量所形成

3、的差向量用特征暂时还没有得到应用，但是这些生物特征仍然表示，即：X=[一，一x，⋯，肼一x]，那么协方具有很大的应用潜力和研究价值．所以，本文继续差矩阵C又可以表示为：研究利用眉毛特征进行识别．主成分分析即PCA，

4、If，c()()(3)方法，是利用通过建立子空间进行识别得．但是在应用主成分分析时，通常是对图像整体进行主成分那么这样计算得到的协方差矩阵C就为一个分析[6】，保证了整体特征信息的完整，而忽略了局×的方阵．从理论上讲可以直接对协方差矩阵部特征信息和细节特征信息．所以，本文决定采用C进行特征分解，求取特征值和特征向量．但是这分块PCA方法进行眉毛识别．时，协方差矩阵C的维

5、数很大，直接求特征值和特1PCA理论征向量必然存在很大的计算量和困难．所以，为了克服这些困难，可以先对协方差矩阵C进行奇异PCA也称为主成分分析J，被广泛地应用到值分解．这时再求协方差矩阵c的特征值和特征模式识别中，是大家公认的一种识别效果相对较好向量就相对容易了．将分解得到的特征值A进行从的识别方法，该方法是利用线性分析方法进行识大到小的排序，即A。，A，⋯，A，则每个特征值A别．Turk和Penfland首先提出了主成分分析方法，对应的特征向量卢为，，⋯，是利用K—L变换实现得，该变换能将原图像数据通过分析发现，较大的特征值对应的特征向量或者原音频数据降低维数并且图像或者音频所

6、包含的有用信息却没有减少，其降低维数的方法是利能够很好的表达矩阵的信息．反之，较小的特征值用求最小均方误差值得到的，是一种应用范围最广对应的特征向量在表达矩阵信息的作用上，效果不的特征提取方法．工作原理如下：大可以忽略不计．所以，可以删除特征值较小的特例如存在一个矩阵tt，，其矩阵大小为×m，则征向量，以达到压缩特征向量的选取的个数并且选可以将该矩阵表示为m个，11,维的列向量，即=取的个数可以由阈值田决定，即①收稿日期：2014一o2-03作者简介：李颜瑞(1982一)，男，山西长治人，山西机电职业技术学院信息与管理工程系助教，硕士．454佳木斯大学学报(自然科学版)2014年析

7、，研究发现使用分块PCA进行特征提取，利用最3实验近邻法则进行眉毛识别，识别率最高为92．66％．影响本文实验的因素主要有两个：一是分块的这样就证明了分块PCA方法进行眉毛识别是可行数量、二是阈值的选取．所以实验从这两个方面进得，同时也证明了眉毛可以作为生物特征来识别行比较验证．人．然而本文的眉毛数据库直接使用的是北工大采眉毛库中选取109人眉毛，每人睁眼、闭眼各集的数据库，从数据库中的眉毛图像可以发现，有一张，用matlab仿真，实验的结果比较如下：些因素就没有考虑进去或者有些因素人为的给避(1)确定好阈值和分块数量，比较先使用小波免了．但是，实际应用中，这些因素是没有办法避免变

8、换处理，在进行特征提取与直接进行特征提取对的，甚至对识别率影响还非常大，必须考虑到．例实验结果的影响．如表1所示：如，表情的不同和光照的强弱以及顺光、逆光的差表1是否使用小波别都会对眉毛图像的像素点的数值产生变化，影响分块数量阈值小波训练测试正确错误识别率识别率．所以，今后要重点研究其它因素对识别的40．93否109109101892．66％影响．40．93是109109694063．30％参考文献：(2)确定好阈值，比较采用不同的分块数量对实验[1]邬向前，王宽全，