基于LSVD和PCA的人脸识别算法.pdfVIP

第 30 卷 第 1 期 上海第二工业大学学报 Vol.30 No.1 2013 年 3 月 JOURNAL OF SHANGHAI SECOND POLYTECHNIC UNIVERSITY Mar. 2013 文章编号: 1001-4543(2013)01-0001-05 基于基于 LSVD 和和 PCA 的人脸识别算法的人脸识别算法 基于基于 和和 的人脸识别算法的人脸识别算法 冯 涛 （上海第二工业大学成人继续教育学院，上海200041 ） 摘 要：提高人脸识别算法的综合性能是人脸识别技术发展的热门课题。目前，大多数算法无法在识别率、速度、 内存占用、算法易行性等方面达到平衡，实际应用价值低。为此，提出了一种基于局部 SVD 和 PCA 的人脸识别算 法，先以局部 SVD 方法提取人脸图像特征矢量，然后凭借 PCA 算法求解。由于该方法的基本原理是利用 PCA 方 法处理经局部 SVD 降维后的数据，因此保留了 PCA 识别效率高、实现简易的优点，而且在速度、内存占用上远远 优于传统 PCA 方法。测试结果表明，该算法具有较强的实用性。 关键词：人脸识别；PCA ；局部 SVD 中图分类号：391.41 文献标志码：A 0 引言 由于人脸识别技术应用前景广阔 ，市场潜力看好，一直是国内图像图形研究领域的热点。近年来，人 脸识别技术迅速发展，大量高效算法不断涌现，譬如李晓东等[1]提出的基于奇异值和 SVM 的人脸识别方法 和杨靖宇[2]提出的非负二维主成分分析方法 。前者依靠 SVM 分类器的强大性能，后者依靠复杂的特征提取 方法，能够在 ORL 人脸库上分别达到 92 % 和 96 % 的识别率。然而在实际应用中，高识别率并非检验算法 质量的唯一标准 ，而速度、内存占用、算法易行性等因素也是评定其综合性能的重要因素 。尤其是算法易 行性，决定了算法的开发成本和使用成本，但在以往的人脸算法中通常被忽略。 本文旨在提高算法的综合性能和商用价值，故提出一种基于局部 SVD 和 PCA 的人脸识别算法。和绝大 多数算法强调识别率不同，本算法考虑的是识别率、运行速度、内存占用等系列因素的综合平衡，并注重 算法的成熟性和简易性 。先以局部 SVD 提取人脸图像特征矢量，然而凭借经典 PCA 人脸方法的识别方式使 该算法在运行速度、内存占用上有较大提高，同时又保留了 PCA 算法识别效率高、实现简易的优势。试验 结果表明，本文算法的综合性能高于传统方法，实用性较强。 1 人脸识别技术介绍 在人脸识别技术发展中 ，最早应用的是基于几何特征的方法，即借助有关人脸结构的先验知识，获取 眼睛、嘴巴、鼻子等人脸的重要部位，以这些部位的形状描述和它们之间的位置关系作为识别特征，继而 利用向量距离对特征进行分类 。这类方法虽然稳定性不高、识别效果差，但奠定了特征提取加分类器方式 在解决人脸识别问题上的主流地位，其典型算法有活动轮廓模型[3]和可变形模板模型[4] 。 由于提取人脸中眼鼻一类的几何特征存在困难，现行的特征提取方法更倾向于将人脸特征的提取视为 图像特征的提取，利用数学方法将数据降维，得到特征向量或特征空间。如 PCA 是基于 KL 变换，SVD 是 基于矩阵奇异值分解定理。由于这些方法经过严格的数学论证，所得特征稳定 ，适合于在分类器中 比对识 别。对于最早用距离特征处理特征向量 的方法而言， 目前采用 的是多种类、尤其是带有学习功能分类器的 [5]