基于Log-Gabor小波和正交UDP的人脸识别.pdfVIP

高技术通讯 2011年 第21卷 第7期．714～719 doi：10．3772／j．issn．1002—0470．2011．07．008 基于 Log．Gabor小波和正交 UDP的人脸识别① 王庆军②一 张汝波 潘海为 楼宋江 (哈尔滨工程大学计算机科学与技术学院 哈尔滨 150001) ( 鲁东大学信息科学与工程学院 烟台264025) 摘 要 针对人脸识别中特征提取的小样本问题，对原始的非监督判别映射(UDP)算法 进行 了改进 ，提 出一种基于 Log．Gabor和正交非监督判别映射 (OrthogonalUDP)的人脸识别 算法——LGouDP算法。此算法首先采用 Log．Gabor小波对图像进行滤波来提取高阶统 计信息，然后提出最大化非局部散度和局部散度 的权值差和加入基 向量正交约束的 目标 函数，对该 目标函数的求解有效地避免了小样本问题，而且正交的基向量使得算法更利于 保留人脸非线性子流形空间与距离有关的结构信息和重构样本。在ORL和PIE库上的 人脸识别实验证明了提出算法的有效性。 关键词 子空间，非监督判别映射(UDP)，Log．Gabor，流形，正交UDP，人脸识别 非监督判别映射 (unsuperviseddiscriminantpro． 0 引 言 iection，UDP)_8j是 Yang等人提出的另一线性化算 法，假设样本中每个样本点的局部密度都相等时， 近年来 旨在发现嵌入在高维数据 中的子流形的 UDP与 I胛 等价，但一般情况下该假设不成立。 流形学习算法已成为模式识别领域中研究最广的特 LPP只考虑了局部散度信息，而 UDP的局部散度和 征提取方法，其中代表性的有局部线性嵌入 (1ocally 非局部散度的定义更为明显。但与NPE算法及LPP linearembedding，眦 )l“算法和拉普拉斯 映射 算法类似的是原始算法获得的基向量是非正交的， (Laplacianeigenmap，LE)J算法等，这两种算法能有 限制了算法的识别性能。此外，在人脸识别中，由于 效描述数据的非线性流形结构，但其泛化能力较差， 一 般条件下训练样本个数小于训练样本的特征维 不能直接获得测试数据的低维映射结果。为解决该 数，算法经常遭遇小样本问题，解决这个问题的一般 问题，出现了上述算法的线性化版本——邻域保护 方法是先用主成分分析(principalcomponentanalysis， 嵌入(neighborhoodpreservingembedding，NPE) 算法 PCA)降维，再用NPE及 UDP等进行特征提取，但采 及 局 部 保 局 投 影 (1ocalitypreservingprojections， 用PCA降维容易丢失与分类有关的信息。 LPP)_4j算法。这两种算法在保持样本流形结构的 传统的流形学习算法不能有效地消除图像中如 同时能直接获得低维子空间的转换矩阵，在人脸识 高阶相关等冗余信息，影响了算法的识别性能。基 别等模式识别领域获得了较优的效果，但它们没有 于此，有学者将 Gabor小波用于人脸识别，如基于 基向量正交的约束，不利于保留人脸非线性子流形 Gabor小波的线性鉴别分析 、基于Gabor小波的监 空间与距离有关的结构信息和重构样本。针对该问 督保局映射_l、基于Gabor小波的判别保局投影l12 题出现了此两种算法的正交化版本——正交邻域保 等，提取了图像的Gabor小波特征，在一定程度上去 护嵌入 (o~hogonalneighborhoodpreservingembedding， 除了图