基于分块的2DPCA人脸识别方法-论文.pdf

《基于分块的2DPCA人脸识别方法-论文.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27卷第2期浙江万里学院学报Vo1．27No．22014年3月JournalofZheiiangWanliUniversiMarch2014基于分块的2DPCA人脸识别方法李靖平(黎明职业大学，福建泉州362000)摘要：文章将分块理论与2DPCA方法相结合，研究分块二维主成分分析法(M一2DPCA)在人脸识别中的应用。对人脸图像矩阵进行分块，用形成的子图像矩阵直接构造总体散布矩阵并求解对应的特征向量，利用提取的特征向量对图像进行特征的提取与分析，进行人脸识别。基于Yale人脸数据库的实验显示，在相同训练样本和特征向量条件下，M一2DPCA比2DPCA

2、算法具有更高的识别率。结论M一2DPCA充分利用了图像的协方差信息，在人脸识别方面具有较高的识别率和鲁棒性方面。对进一步研究人脸识别具有重要的意义。关键词：二维主成分分析；分块二维主成分分析法；特征提取；人脸识别中图分类号：TP391．41文献标识码：A文章编号：1671—2250(2014)02—0o93—06人脸识别技术是图像分解与分类的一个典型应用，它是数字图像处理、概率统计、机器视觉等多个学科的综合应用。尤其是随着信息技术的发展，网络安全需要高效的身份认证技术，更进一步促进了人脸识别技术的发展。人脸识别技术通常是指，通过计算机技术提取面部特征，并

3、结合存储的若干已知身份的人脸图像信息，识别出场景图像中的单个或者多个人的身份。是数字图像处理、模式识别、机器视觉等多个学科的一个典型应用。人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性口】。因此，人脸识别在智能视频监控、信用卡持卡人身份认汪、社会保险人身份验证、刑事侦破、出入口控制等领域具有广泛的应用前景[23】。人脸识别的关键是特征提取，由于图像矢量的维数很高，导致特征提取面临显著的困难，如何从大规模的数据中选择有用的数据显得尤其重要。主成分分析法(PCA)通过一个低维的线性子空间描述所给大规模数据的有效信息，是一种常见的人脸数据降维途径[41。

4、PCA需要将图像的二维信息矩阵转换为行向量，这极大地增加了图像的维数，加剧计算复杂度。Liu等人利用数字图像直接构造图像散步矩阵，进行分析处理：Yang从统计不相关性角度出发，改进了Liu的方法，形成一种具有统计不相关性的图像投影鉴别新方法，即二维主成分分析法(2DPCA)【516]。此方法直接从原始图像二维矩阵中提取特征，并对特征进行分解以求其特征空间，省略了将图像转化为一维向量的过程，降低了计算的复杂度，减少了训练和特征提取的时间。另外，该方法直接将原始图像映射到特征空间，提取出的特征信息损失小，其识别率明显高于PCA，但当样本数量较大时实时性仍然不

5、足。IJi研究了分块思想在人脸识别中的应用，首先将图像矩阵进行分块，并将分块得到的子图像矩阵用于鉴别分析[71。将二维子图像矩阵用于特征识别，可以有效降低原始特征的维数。在特征提取过程中不需要使用矩阵的奇异值分解，简化了求解方法。本文在前人研究的基础上，将分块思想与二维主成分分析方法相结合，继续探究其在人脸识别中的应用，通过具体的实验，研究其识别性能的鲁棒性。收稿日期：2013—12—18基金项目：福建省教育厅B类科技研究项目(JB12487S)；泉州市技术研究与开发项目高校协同创新科技项目(2012Z131)；泉州市科技局科技资助项目(2008G16)

6、。作者简介：李靖平(1981一)，男，福建泉州人，黎明职业大学信息与电子工程学院讲师，研究方向：电子及计算机技术。·93·2014年3月浙江万里学院学报二维主成分分析法2DPCA直接对图像投影分析，可认为是主成分分析法(PCA)的发展与推广。在2DPCA技术中，图像协方差矩阵直接根据原始图像进行构造，不需要转换为一维向量，比PCA的协方差矩阵规模显著减小，计算精度高；提取2DPCA特征向量消耗时间短。记为nxd投影矩阵，对应的列向量为标准正交向量，且满足n≥d，A∈R一为图像矩阵。则在2DPCA中，存在如下关系：l，=A(1)将矩阵借助于矩阵进行转换，得

7、到mxd矩阵】，，其中矩阵y的每列都是图像矩阵A的投影特征向量。的质量可以通过式(2)来度量l，()=打(sx)=tr{E[(Y-EY)(Y—EY)T]}=tr{E[(AX-E(AX))(AX-E(AX))T}=tr{XTE[(A—EA)(A—EA)}(2)上式中，表示训练样本的投影特征向量的协方差矩阵，打()是的迹。令G=E【(A—E4)’(A—EA)】∈R(3)矩阵G是一个非负定矩阵，通常被称为图像的协方差矩阵。若存在张训练图像，分别记为A∈R(1，2，⋯，)，则所有训练样本的平均图像记作=1ZA(4)矩阵G近似表示为：G_寺()(5)设，，，⋯为G

8、的最大d个特征值对应的标准正交特征向量。其最优投影矩阵为，l，2，⋯，d](6)