基于2D-PCA和2D-LDA的人脸识别方法

提出了基于2D-PCA、2D-LDA两种特征采用融合分类器的人脸识别方法。首先提取人脸图像的2D-PCA和2D-LDA特征,对不同特征在决策层对分类器进行融合。在ORL人脸库上的试验结果表明,分类器决策层融合方法在识别性能上优于2D-PCA和2D-LDA,更具有鲁棒性。

维普资讯

第 2卷第 8 4期20 0 7年 8月

计算机应用研究Ap l a i n Re e r h o mp tr p i t s a c fCo u e s c o

Vo . 4 No 8 12 . Au .2 0 g 0 7

基于 2 P A和 2—D的人脸识别方法术 C D LA D温福喜，刘宏伟(西安电子科技大学雷达信号处理国家重点实验室。安 70 7 )西 1 1 0摘要：提出了基于 2 P A、 D L A两种特征采用融合分类器的人脸识别方法。首先提取人脸图像的 2— D—C 2—D D

P A和 2—D C D L A特征，不同特征在决策层对分类器进行融合。在 O L人脸库上的试验结果表明，类器决策对 R分

层融合方法在识别性能上优于 2—C DP A和 2。D更具有鲁棒性。 DL A,关键词：人脸识别；维主分量分析；二维线性可分性分析；类器融合二分中图分类号：T 3 1 4 P9 .1文献标志码：A 文章编号：10 . 6 5 2 0 )8 0 0— 3 0 13 9 (0 7 0。 2 10

F c e o n t n meh d b s d o — a e r c g ii t o a e n 2D- o PCA n . a d 2D. LDAW EN u— i F x,LI Ho— i U ng we

( ai a a oao a a in l r es g,￣inU i rt, ia 10 1 hn ) N tn l brtyo d r ga o s n X a nv sy X’n7 0 7,C ia o L r fR S Pc i eiAbsr c: A a e r c g iin tc niue ba e n 2D— ta t fc e o nto e h q s d o PCA nd 2D— a LDA sng c mb n n ca sfe s pr s n e u i o i i g l si r wa e e td. Fis h i rtt e o ii a a e i g s 2D— CA nd 2D— DA e t e r xr ce rg n lf c ma e’ P a L faur swee e ta td t n.t e d c so e e o i ai n o h ls i e s he h e iin lv lc mb n to ft e ca sf rwa i,

a p id f rd f r n e t r s ei so x e i n swee p r r d o a e i g

a a a e:ORL h ma a e d tb s s p l o i ee t au e .A sre fe p rme t e f f r e f me n f c ma e d t b s s o u n fc aa a e .Th x e me a eul i iae h tt e r c g iin p ro a ceo l si e ombnain i e ii n l v li u ro o t t e e p r ntlr s t ndc tst a h e o n t e r n fca sf rc i o f m i i to n d c so e e S s pe rt ha i o PCA nd 2D— f2D— a LDA . n Smo er bu t a d i r o s . K e wo d y r s: f c e o nto a e r c g iin;t— me ina incp lc mp ne ta l ss t— i n i n lln a ic i n t n l i wo di nso lpr i a o o n nay i; wo d me so a ie r d srmi ae a ayss: ca sfe o i ai ls i rc mb n t t on

0引言 近十年来，人脸识别的研究有了很大进展。与指纹、言语等其他人体生物特征相比，人脸识别更加直接、友好，在身份识别、时频检索、安全监控等方面有着广泛的应用，当前模式识是别与人工智能领域的一个研究热点。如何根据人的视觉机制提取有效的特征在人脸识别中的作用至关重要。 人脸特征的提取方法主要有两大类： a基于几何特征的提取方法。提取人脸面部的特征点 )

的融合方式包括特征层和决策层两种~, 比较简单的融合方法有加法和乘法，它们有不同的适用场合，本文是基于决策层的分类器求和 (u ue融合。这种融合对于分类器采用的 sm rl)不同形式的特征问题是很合适的。

本文提出了基于 2—C DP A和 2—D D L A特征、分类器决策层融合的人脸识别算法、基于 O L人脸数据库，最近邻和余弦 R在角度两种分类器的情况下均得到了很好的识别性能。验证了特征和分类器的稳健性。

1人脸识别算法 1 1 2D P A方法 .—C

(眼、、如鼻嘴等 )的相对位置和距离，由于这些几何特征容易受光照、表情、姿态等变化的影响，稳定性不好。 b

基于统计特征的提取方法。主分量分析 ( C 和线 ) P A)性鉴别分析( D[作为特征提取和数据描述的两个有力工 L A)3 1具在人脸识别方面得到了广泛的应用。P A和 L A用来处理 C D人脸图像时，先要将描述人脸图像的矩阵转换为高维向量，首

2—C D P A用二维图像矩阵直接构建一个协方差矩阵，出求此协方差矩阵特征值和特征向量，并用对应于最大几个特征值对应的特征向量构建坐标系，然后将每个图像矩阵在这个坐标系上投影，从而得到图像的特征。这种特征受样本个数的影响较小。

这将带来运算量庞大和矩阵奇异的问题。为解决这一问题，人们提出了直接基于 2 D人脸图像矩阵而无须矢量化的 2—C DP A和 2—D D L A方法，有效地解决了运算量和矩阵奇异的问题。 目前对特定背景下的 2 D人脸已能作出很好的识别，在但实际应用中，在不同的光照、人脸姿势和表情下变化很大。不同的特征提取方式对上述变化有一定的独立性和信息互补性。 因此，同分类器的融合有可能使识别精度得到改善。分类器不收稿日期：2 0—5 2 0 6 0—8;修返日期：2 0— 8 3 060—1( 05 3 2 0 F5)

令训练样本集为 T={ X,, 。其中，为训练样 X,2… X} v本个数，为 r、列的二维矩阵。所有训练样本的平均为 行 c一

Ⅳ

X (/ 1N)

() 1

协方差矩阵 GN————

G:(/∑ (— ) — ) 1N) (

() 2

对 G进行特征值分解，大的 d个特征值对应的特征向最

基金项目：国家自然科学基金资助项目( 0 00 9)陕西省自然科学基金资助项目 6 3 20;

作者简介：温福喜( 9 2 ),辽宁盖州人， 18一男，硕士研究生，主要研究方向为人脸识别、图像分析与处理、式识别 ( efx@1 3 cr)刘宏伟模 w nu i 6 .o; n

( 9 1 )男， 17一，教授，博导，主要研究方向为目标识别、雷达信号处理、适应信号处理.自

本文来源：https://www.bwwdw.com/article/6t44.html