基于非线性降维算法人脸识别.pdfVIP

基于非线性降维算法的人脸识别 张洁 北京邮电大学信息工程学院，北京（100876） xinxian0458@ 摘 要：人脸识别技术是模式识别与机器视觉领域最有挑战的研究课题之一。本文着重介绍 它的核心部分——特征提取与识别技术。本文在收集和分析大量近年来国内外相关学术论文 及文献的基础上，实现了完整的基于 PCA的线性识别算法和基于 ISOMAP的非线性识别算法， 并在 UMIST人脸库中用“数据可视化”的方式分析了引入流形学习方法的必要性。文中采用 ISOMAP算法，同时与线性算法 PCA作对比，得到结论：当数据处于非线性嵌入子流形上时， 基于流形学习算法的引入是必要且有效的。 关键词： 人脸识别 主成分分析 流形 等距映射 分类器 中文分类号：TP274 1 引言 人脸识别是根据场景中的静态图像或视频，利用给定的人脸数据库信息，通过计算机提 取的人脸特征来鉴别或确认该场景中人的身份的过程，它与其它人体生物特征识别技术相比 具有结果直观、隐蔽性好的优越性，是最直接的手段，易于为用户所接受。特别是在非接触 环境和不惊动被检测人的情况下，人脸识别技术的优越性远远超过已有的指纹等方法[1]。 人脸识别系统的过程包括人脸检测、预处理、特征提取与识别三个部分，本文着重介绍 的是人脸特征提取和识别。 人 脸 输 特 人 结 检 预 入 征 脸 果 测 处 图 提 识 输 与 理 像 取 别 出 分 割 人脸库 图 1-1 人脸识别系统框图 2 基于 PCA 的人脸识别 主成分分析(Principal components analysis)是利用降维思想，在损失很少信息的前 提下把多个指标转化为几个综合指标的多元统计方法。通常把转化生成的指标称为主成分， 1 这样在研究复杂问题时就可以只考虑少数几个主成分而不至于损失太多信息，从而更容易抓 住主要矛盾，揭示事物内部变量之间的规律性，同时可简化问题，提高分析效率[2]。 该方法的主要过程如下： 2.1 建立特征向量空间 在人脸识别中，获取的输入图像一般用一个高维矩阵来表示。在进行特征提取与识别时， 通常将二维矩阵转换成一维列向量。假设Γ是一个N 2 ×1 的向量，他对应于某一幅N ×N 的 人脸图I 。这里的Γ向量维数很高，数据量庞大，不易计算。我们的目标是使Γ可以用一组 特征向量进行表示 k 2 Γ ∑W Y +const (K N ) 式(2-1)