基于改进LDA算法的人脸识别.pdf

第35卷(2007)第8期 计算机与数字工程 31 基于改进LDA算法的人脸识别8 齐兴敏尹朝庆李智博 (武汉理工大学武汉430063) 摘要提出一种基于改进LDA的人脸识别算法，该算法克服传统LDA算法的缺点，重新定义样本类间离散度矩阵 算法比较，具有较高的识别率。 关键词LDAPCA识别率样本类间离散度矩阵样本类内离散度矩阵 中图分类号TPl83 1 引言 (2) 其中N表示样本总数，包含c类模式，批(江1，2 人脸识别技术是计算机视觉和模式识别领域 ……c)表示第i类样本的数量，m，表示各类模式 理论的一个重要应用，已成为一个科研热点。目前 的均值，m表示总样本均值。c类模式表示为： 常用的人脸识别方法可以分为两大类：基于统计和 基于几何的方法。LDA方法是统计方法中较常用 的一种。但LDA在使用时容易产生“小样本问 …，批)。 题”[1]，所以有人提出了“PCA+LDA’’[2卜[43的方 LDA的目标就是要寻找变换形，当|s矿非奇异时，． 法来解决它。该方法先利用PCA同时丢掉样本类 使得Fisher准则最大： 和类问离散度矩阵的零空间来降维，再用LDA映 射识别，但是类内离散度矩阵的零空间包含“最有 肛a略max器 (3) 辨别力”的信息，把它去掉就会失去这些有用信 这里的形(b1，…m)就是满足如下等式的解： 息。鉴于此，本文对传统的LDA算法作了两点改 S。形=A．s矿形 (4) 进，得出一个新的LDA算法，并将它应用于人脸识 2．2改进的LDA算法 别。实验结果证明它是可行的。 众所周知，传统LDA有两个突出缺点：一是处 理高维图像时容易产生“小样本问题”，即样本维 2 改进LDA算法 ． 数大大超过训练图像个数的问题；二是由此引发的 2．1 传统的LDA算法 边缘类主导特征空间分解的问题口]。为了解决这 Dis— LDA方法又称应用线性辨别分析(Linear 两个问题，本文对传统算法做如下两点改进： criminant Analysis)方法MJ。它的目标就是从高维 特征空问里提取出最具有判别能力的低维特征， 如下修改： ． 。 这些特征能帮助将同一个类别的所有样本聚集在 2 |ss 一起，不同类别的样本尽量分开，即选择使类问 和类内离散度的比值最大的特征(Fisher准则)。 传统的LDA方法定义类内离散度矩阵s妒和类问 “# 离散度矩阵s。如下： 其中，pi和pi分别是类别i和J的先验概率， C_Ⅳ。 + ， 口#是两个类别之间的欧式距离，伽口口是加权函数。 sⅣ=乏互Pi(x口一m；)(石口一mi)1=西Ⅳ多形。 ‘2“2j