基于图像矩阵变换PCA及人脸自动识别.pdfVIP

第23卷第2期 常熟理工学院学报(自然科学) V01．23No．2 2009年2月 Feb．，2009 of Institute Sciences) JournalChangshuTechnology(Natural 基于图像矩阵变换的PCA及人脸自动识别 刘永俊，谈云飞，朱晓宇，常晋义 (常熟理工学院计算机学院软件工程系，江苏常熟215500) 摘要：在图像主分量分析的基础上，提出了一种基于图像矩阵变换的主分量分析方法．该方法首 先对图像矩阵进行适当的变换，用得到的新的图像矩阵构造图像总体散布矩阵后，再运用图像投 影主分量分析进行特征抽取．该方法在ORL标准人脸库上的试验结果表明，经过适当的变换后抽 取的鉴别特征在识别性能和速率上均优于单纯的图像主分量分析方法．另外，在AR．A．脸库上的试 验结果也表明该方法对光照变化具有较强的鲁棒性． 关键词：图像矩阵变换；图像主分量分析；主分量分析；特征抽取，人脸识别 中图分类号：TP393文献标识码：A 文章编号：1008—2794(2009)02—0101—05 0引言 作为生物信息识别技术之一的人脸识别技术已成为目前模式识别研究领域的国际热点问题，具有极其广 泛的应用前景．在人脸等图像识别的过程中，特征抽取是其中的一个核心部分．主分量分析(PCA)是线性特征抽 取的最为重要的技术之一，目前仍然广泛地应用在人脸等图像识别领域n捌．采用主分量分析技术进行人脸识别 的最为著名的方法是TurkM和Pentland 像向量构造协方差矩阵(总体散布矩阵)的，所以该矩阵的维数是相当庞大的．尽管利用奇异值分解定理可在一 定程度上加速总体散布矩阵本征向量的求解速度，但整个特征抽取过程所耗费的计算量还是相当大的． 鉴于特征脸方法的弱点，yang等提出了一种图像投影主分量分析方法瓯州简称“图像主分量分析”(IMPCA) 又称为2DPCA．该方法在对图像进行特征提取时，不需要事先将图像矩阵转化为图像向量，而是直接利用图像 矩阵本身构造图像总体散布矩阵，然后取它的最大本征值所对应的标准正交的本征向量作为投影轴用来直接 对图像矩阵进行特征抽取．由于图像总体散布矩阵的维数大大小于特征脸中的总体协方差矩阵，从而使特征抽 取的速度大幅度提高． 本文在此基础上通过对图像主分量分析方法加以分析，试图从图像矩阵本身考虑，意在找到一种较原始图 像更适合于图像主分量分析方法的图像变换矩阵，用以抽取更加有效的鉴别特征．我们称之为基于图像矩阵变 换的主分量分析，简称为“图像变换主分量分析”．通过在ORL标准人脸库和AR人脸库上的实验结果表明，对 原始图像矩阵经过适当的变换后的算法在保持原有算法快速性的同时，识别性能和稳定性都优于单纯的图像 主分量分析方法． 收稿日期：2008—09—25 基金项目：常熟理工学院青年基金(KY2008111)资助项目． 作者简介：刘永俊(198l一)，男，山东青岛人，常熟理工学院计算机学院助教，硕士，研究方向：人工智能与智能系统 万方数据 102 常熟理工学院学报(自然科学) 2009拄 1图像变换主分量分析 1．1 图像主分量分析 设x表示n维单位化的投影向量，将m×n的图像矩阵A通过以下线性变换直接投影到x上， l，=从 (1) 得到一个m维特征向量l，，称之为图像A的投影特征向量．以便可以对其进行有效的分类．图象主分量 分析方法就是通过对以下图像总体散布矩阵特征分解得到的b川． 定义1将图像总体散布矩阵定义为： G。=E[(A—EA)7(A—EA)] (2) 由此定义，易证明G为n×n的非负定矩阵． 我们在此采用如下的的准则函数