基于2D-DCT模块2DPCA的人脸识别系统的实现.docVIP

基于2D-DCT和模块2DPCA的人脸识别系统的实现 in the field of face recognition, Two dimensional Principal Component Analysis (2DPCA) has been proposed in which image covariance matrices can be constructed directly using original image matrix.In contrast to the covariance matrixof traditional PCA, the size of the image covariance matrix using 2DPCA is much smaller. As a result, it is easier to evaluate the covariance matrix accurately, computation cost is reduced and the performance is also improved.In this paper,we use modular 2DPCA to improve efficiency .First,the original images are divided into modular images in proposed approach.Then,an image covariance matrix is constructed directly using the sub-images,and its eigenvectors are derived for image feature extraction. Keyword:DCT,modular 2DPCA,Face Recognition 1 引言 ， 其中，u = 0 ,1 ,2 …, M - 1 ; v = 0 ,1 ,2 …, N - 1。式中C(u,v)称为 DCT 系数。 a(u),a(v)分别定义为: 相应的2D离散余弦反变换( IDCT)由下式给出: 其中，x = 0 ,1 ,2 …, M - 1 ; y = 0 ,1 ,2 …, N - 1。 离散余弦变换的特点是:频域变化因子u,v较大时,DCT系数C(u,v)的值很小;而数值较大的C(u,v)主要分布在u,v较小的左上角区域,这也是有用信息的集中区域。基于DCT系数重建图像时,保留少数离散余弦变换的低频分量 ,而舍去大部分高频分量 ,利用反变换仍可获得与原始图像相近的恢复图像 ,新图像与原图像存在一定误差 ,但重要信息被保存下来。 原始图像 重建后的图像 2.2 2D-PCA 设X表示m维单位化的列向量，2DPCA的思想是将m×n的图像矩阵A通过线性变换Y=AX投影到 上。于是，得到一个n维列向量y，称之为图像A的投影特征向量。设模式类别有c个：ω1，ω2，...，ωc，A1,A2,...,AM为所有训练样本图像，每个样本是m×n矩阵。其中： 给出图像的总体散布矩阵G1为： 容易证明G为m×n的非负定矩阵。其中，为所有训练模式总体的均值矩阵，且 。 定义准则函数为G1的迹的最大值，即特征值之和最大，为最佳投影方向： 其物理意义是图像矩阵在X方向上投影后所得的向量的总体分散程度最大。事实上，该最优投影向量即为G 的最大特征值所对应的单位特征向量。一般来说，只有—个最佳投影方向是不够的，通常取G 的d个最大特征值所对应的特征向量 x1,x2...,xd， 这样既满足J(x)最大又使特征向量相互正交。令P= [x1,x2,...,xd]，P称为最优投影矩阵。 对已知的图像样本A，令 Bk=AkT*P,k=1,2,...,d 投影特征矢量Y1,Y2,...Yd称为图像样本A的主成分。利用获得的主成分可构成图像样本A的特征矩阵或特征图。 通过以上的特征抽取过程，每个图像矩阵A对应一个特征矩阵B=ATP，根据此特征矩阵，利用最小距离分类器可以实现对图像的分类。令 则Si为第i类训练图像样本的均值向量矩阵，Si的特征矩阵为Bi=SiT*P，i=1,2,...,c,对测试样本A，计算相应的S，且有： d(Si,S)=||Si-S||F=[tr(Si-S)T(Si-S)]1/2 其中，||*||F表示矩阵 的Frobenius范数，tr(*)表示矩阵 的迹。 如果d(Sl,S)=min{d(Si,S)},则有A∈ωl。 2.3 模块2DPCA方法 模块2DPCA的思想是