KICA与Relief算法相结合的人脸识别研究.pdfVIP

山东科学 第 24卷 第5期 2011年 lO月出版 SHANDONG SCIENCE VOI．24No．5Oct．2011 文章编号 ：1002-．4026(2011)05-0085-04 KICA与Relief算法相结合的人脸识别研究 李秀丽 ，董吉文 ，吴瑞海 (1．济南大学信息科学与工程学院，山东济南250022；2．山东山大华天软件有限公司，山东济南250022) 摘要：为使提取到的独立成分有利于人脸的分类识别，在用核独立成分分析(KICA)进行特征提取后，选用改进后的k最 近邻的Relief方法进行特征选择。改进后的Relief算法可以减少噪声污染，并能处理小样本 问题，使选择后的人脸特征 较好地用于分类。通过在AR人脸库上的实验，并与类内类间距离的特征选择方法进行比较，证明了该方法的有效性。 关键词：人脸iT,~J0；独立成分分析法(ICA)；核主成分分析(KPCA)；核独立成分分析(KICA)；特征选择 中图分类号：TP391 文献标识码 ：A ResearchOnKICA andReliefalgorithmscombinedfacerecognition LlXiu．Ii．DONG Ji—wen ．W U Rui．hai (1．SchoolofInformationScienceandEngineering，UniversityofJinan，Jinan250022，China； 2．ShandongShandahoteamsoftCo．，Ltd．。Jinan25O0lO，China) Abstract：Weemployimprovedk-nearestneighborReliefalgorithm toselectfeaturesafterextractingfeatureswithkernel independentcomponentanalysis(KICA)tomaketheextractedindependentelementstobefavorabletoberecognized． ThisimprovedReliefalgorithm canreducenoisepollutionandaddresstheissueofsmalIsamples．sOtheselectedfeatures canbe employed tObetterclassifyfaces．We prove the effectivenessofthismethod with the experimenttoAR face databaseand comparisonswithfeatureselectionalgorithmsofintra-and inter—clusterdistance． Keywords：facerecognition；independentcomponentanalysis；kernelprincipalcomponentanalysis；kernelindependent componentanalysis：featureextfaction 随着计算机技术的快速发展，人脸识别技术在学校、公安、航空等重要部门的应用 13益广泛，成为模式识 别中一个热门的研究课题。由于人脸识别受到图片质量的影响，要提取有用的人脸特征存在一定的困难。 人脸识别方法有很多，主要的有几何特征的识别方法、代数统计的识别方法以及神经网络的识别方法等。基 于几何特征的识别方法是人脸特征提取中应用比较早的方法，具有直观性强、运算简单、占用内存少等特点， 但这种方法对遮挡、姿态变化等敏感，因此识别精度不高 。代数的识别方法是基于统计学习的方法抽取 特征，与其它方法相比具有一定的优势，因此得到了广泛的应用，主要包括特征脸方法和隐马尔可夫模型方 法。神经网络的识别方法是将人脸图像数据送入神经网络进行学习、识别，但当样本数量比较大时，运算量 也将非常大。 主成分分析方法可以去掉原始样本中各元素间相关性的线性变换，找出最 “主要”的元素，并将原有的 收稿 日期：2011-06-10 基金项