基于对称性特征分块主成分分析的人脸识别方法.pdfVIP

第 25卷 第 4期 青 岛大 学 学 报 (工 程 技 术 版 ) Vo1．25NO．4 2010年 12月 JOURNALOFQINGDAOUNIVERSITY (ET) Dec．20 10 文章编号 ：1006—9798(2010)04—0048—04 基于对称性特征分块主成分分析的人脸识别方法 高 忠，赵景秀 (曲阜师范大学计算机科学学院，山东 日照 276826) 摘要：为了进一步提高人脸识别的精度 ，考虑在分块主成分分析算法中引入对称性思想。 首先对图像进行分块并分别求其奇偶对称脸 ，然后利用主成分分析算法提取图像 的主要 鉴别特征。该方法充分考虑了光照等多种因素对识别率的影响，利用人脸图像的对称性 增加了样本数量 ，以有效提高识别率。在 ORL人脸库上的实验显示 ，在每类训练样本数 为 7、提取特征数为2O的情况下，基于对称性特征 的分块主成分分析方法的人脸识别率 为 95 ，说明该方法是有效的。 关键词 ：人脸识别 ；对称性 ；分块主成分分析 中图分类号 ：TP391．41 文献标识码 ：A 近年来 ，人脸识别因其在实际应用和理论研究中具有广阔的空间而成为模式识别和人工智能等领域的 研究热点。随着研究的不断深人，人脸识别的方法也越来越多口]。在这些方法 中，基于提取人脸图像代数 特征的方法 ，因较好地利用了人脸 图像的全局特征得到了越来越多的关注，产生了基于主成分分析的人脸识 别方法r3]、基于奇异值分解的方法[9 、基于Fisher线性判别分析的方法口 等等 。特征脸概念首先由 TurkM 等[3]提出，通过将人脸图像 向投影向量投影的方法提取人脸主要的鉴别特征，有效地解决了人脸识 别时的高维问题 ，提高了识别效率。进一步的研究中，杨琼等_6]在主成分算法 的基础上应用人脸对称性特 点 ，通过扩大样本空间容量提高其识别率 ，并指 出较强的非对称性会给识别性能造成很大 的影响；刘文超 等[7在对样本图像进行分块的基础上，通过应用二维主成分算法，在计算量和识别率上都有 了较好的提高； 丁明勇 ]在二维主成分算法中引入对称性概念，由于有效利用了二维主成分算法的优点且考虑了人脸的对 称性 ，既减小了计算量又提高了人脸识别精度。基于 Fisher线性判别分析的方法[12-14]通过对人脸图像分块 后，再应用不同的方法提取人脸的鉴别特征，较好地避免了人脸姿态、表情、光照变化等的影响。针对奇异值 分解在人脸识别上的识别率很低的问题 ，高学全等口提出了原因并给出了解决的方法，有效提高了应用奇 异值分解的识别率。这些方法在识别人脸时都只考虑了人脸分块、人脸对称性的一个方面，没有将两种特性 很好地结合。本文在考虑人脸图像分块的同时，有效地利用人脸图像的对称性特征，同时兼顾 了奇对称分量 主要体现了图像的非对称性而偶对称分量主要体现了图像的对称性特征 ，通过对特征值进行排序，提取了有 效的识别特征 ，降低了识别复杂度。实验结果表明，本文方法明显优于传统的PCA方法及分块 PCA方法。 1 主成分分析方法 设A为将一幅大小为 × 的人脸图像每列相连构成的一个 维列向量。通过最大化总体散布矩阵求 得最大特征值对应的特征向量B，B为mn×k的矩阵，其中k为所选特征值的个数。将A向B．投影 ，以达到降 低维数有效提高识别效率的目的。假设训练样本的数量为 N，人脸图像的集合为EA ，A，，…，A ]，则训练样 ． ． 本的平均人脸为f一 1：A，其协方差矩阵为S 一 ：(A一，)(A一，)。s也即为人脸图像的总体散布 矩阵。主成分分析方法则是通过求解 s 的最大特征值对应的特征向量 ，并将其作为人脸图像的投影矩阵，达 收稿 日期 ：2010—04—25 作者简介 ：高忠 (1986一)，男 ，山东济宁人，硕士研究生 ，研究方向为图像处理与模式识别 。 第 4期 高 患，等：基于对称性特征分块主成分分析的人脸识别方法 49 到提取人脸 图像全局特征 的 目的