多维主分量分析在人脸识别中的研究.docVIP

  多维主分量分析在人脸识别中的研究# 何良华* （同济大学电子与信息工程学院计算机科学与技术系） 5 10 15 20 25 30 35 40 摘要：主分量分析作为经典的降维及特征提取算法而一直备受研究人员重视。近年来，二维 主分量分析越来越受到研究者的重视，主要有二维主分量分析算法（2-dimensional principal component analysis，2DPCA）和双向主分量分析算法（bidirectional PCA，BDPCA）。它们 都是通过最大化投影矩阵散度来提取特征进而解决二维数据判别分析的问题。本文根据重 构 误差准则来提取多维 数 据 中 各维 主分 量这 一 思路 出 发提 出 了多维 主分 量 分 析 （Multi-Dimension Principal Component Analysis，MDPCA）的概念，本文算法理论上可以提 取任意维。为了测试本文提出算法的性能，在 JAFFE, ORL 和 FERET 三个主要人脸库上设 计了一系列实验，在所有的实验结果中，本文提出的分析算法都取得了最佳效果。 关键词：模式识别，主分量分析；人脸识别 中图分类号：TP391.4 Multi-Dimension Principal Component Analysis based on face recognition He Lianghua (Department of Computer Science, School of Electronics and Information， Tongji University ， Shanghai， 201804) Abstract: As a classic method of Dimensionality Reduction and feature extraction, Principal Component Analysis has been paid much attention by researchers around the whole world. In recent years, 2-dimensional Principal Component Analysis has paid more and more attention, from 2-dimensional principal component analysis (2DPCA) to bidirectional PCA (BDPCA) and the 2-Directional 2DPCA((2D)2PCA). They all calculated the features based on the criterion of maximum the projected matrix scatter. In this paper, we extract principal component features from a new view of reconstruction error which we called it as multi-dimension principal component analysis (MDPCA). To test GPCA and evaluate its performance, a series of experiments are performed on three main face image databases: JAFFE, ORL and FERET. The recognition rate of GPCA is highest in all experiments. Key words: Pattern Recognition, Principal Component Analysis, Face Recognition 0 引言 人脸自动识别技术随着计算机性能的进步而逐渐成熟，研究人员提出了很多优秀的特征 提取算法，其中比较著名的是 Turk 在 1991 年提出的主分量分析法[1]，此方法通过将二维 图像按一定方式拉直成 1×n 维向量，并将其看作是 n 维空间中的一点，根据重构误差的约 束计算和确定 n 维空间基。数学逻辑推理严密，计算简单，效果明显，受到了广大研究者的 关注。此后，基于主分量分析的多种算法被提出[2~5]。尤其是今年来，J. Yang[6]再投影方 式上将其进行推广，从原始的一维向量投影推广到二维矩阵投影，他将其称之为二维主分量 分析（2-dimensional PCA，2DPCA）； 他认为投影样本的总散度能够度量投影因子的判别能力，通过将得到的主成分特征总体 散度最大化。通过