基于核主量和线性鉴别分析的人脸识别算法研究基于核主量和线性鉴别分析的人脸识别算法研究
采用基于非线性核空间的主分量分析法(KPCA)和线性主元空间鉴别分析法(LDA)相结合的算法,首先将人脸图
像在非线性高维空间中进行主成分分量降维,然后采用基于主元空间的LDA方法对子空间再度降维,同时利用
欧式距离分类器(KNN)对样本进行有效的分类识别。采用Matlab和ORL人脸库对该算法进行验证,实验证明,该
算法识别性能显著提高,明显优于其他算法。
摘摘 要:要: 采用基于非线性核空间的主分量分析法(K
关键词:关键词: PCA; LDA;
近些年,人脸识别已成为计算机视觉和模式识别领域中的热门课题,有着广阔的应用前景。众所周知,人脸识别是典型的高
维数据分类问题,即人脸的原始特征对应高维空间中矩阵数据的图像,然而在人脸识别中直接应用这些数据会使计算速度明显
降低,不利于现代科学领域对人脸识别速度和精度的要求。现今人脸识别领域中面临的问题是提取什么样的特征利于分类器的
分类以及如何减少高维数据的运算等。迄今为止,线性子空间方法在特征提取中得到了广泛的发展,其中主成分分析(PCA)[1]
和线性鉴别分析(LDA)[2]方法是人脸识别中广为采用的基本方法。尽管这些子空间方法在人脸识别中得到了比较成功的应用,
但人脸表观由于受外在和内在因素的影响,如脸部表情、脸部姿态(或照相机视角)、光照以及人脸形状和皮肤的反射特性等,
人脸空间更可能存在于非线性子空间上。
近十年来,核函数技术在模式识别领域中得到了迅猛的发展。SCHFILKOPF 等利用核技术将经典的主分量分析(PCA)推广
到核主分量分析(KPCA) [3],实验结果表明,KPCA不仅能够抽取非线性特征,而且具有更优的识别结果。
受KPCA的启发,本文首先采用KPCA方法,将高维图像投影到低维的子空间中,然后在子空间中进一步采用基于主元空间
的线性鉴别分析(LDA)和欧氏距离最近邻分类(KNN)相结合的方法,有效地利用了人脸的非线性信息,同时两次投影之后,
提高了计算机的识别速率和准确率。
1主成分分析方法的实现主成分分析方法的实现
1.1基本基本PCA方法方法
PCA的主要思想是寻找一组单位正交向量基,用其线性组合重构原样本,使得重构后的样本和原样本的均方误差最小[4]。
在实际计算中,通过求取样本投影之后的协方差矩阵的特征值和特征向量对样本进行描述,以达到降低特征空间维数的目的,
具体如下:
这样Y就是X经PCA变换后得到的特征子空间,达到将训练样本从高维空间降到低维子空间的目的。
1.2 KPCA方法的实现方法的实现
PCA是最基本的无监督线性子空间降维方法,且由上述可知,PCA通过选取最优特征向量基Wr获得最佳投影子空间。但
PCA是线性方法,只能揭示人脸图像中的线性信息,忽略了数据中的非线性信息。20世纪90年代以来,基于核的非线性特征
提取法得到了发展,该方法有效地利用了人脸图像的非线性信息[5]。本文通过核映射将样本数据映射到核空间中,然后在核
空间中运用PCA法对高维空间中的人脸信息进行非线性操作,进而投影到线性低维子空间中。该方法称为核主成分分析法,即
KPCA。具体方法如下: