IFMPCA方法在人脸识别中的应用.docVIP

IFMPCA方法在人脸识别中的应用 　　摘要：为了弥补传统PCA方法在人脸识别时易受光照、表情和姿态影响的缺陷，提出了一种基于独立特征提取的MPCA方法（ModularPCABasedonIndependentFeature，IFMPCA）。首先，选取人脸训练样本中具有相似光照、表情和姿态的图像进行分块，使各个子模块更接近高斯分布；然后，通过求出子模块图像的散布矩阵和最优投影矩阵得到最优独立特征矩阵；最后，利用最小距离分类器进行样本的分类。在Yale人脸数据库上的实验结果表明，IFMPCA算法在人脸正确识别率方面优于传统PCA算法。 　　关键词：主成分分析法；IFMPCA；人脸识别；独立特征提取 　　中图分类号：TP317.4文献标识码：A文章编号：1672-7800（2012）010-0170-03 　　作者简介：张锦华（1979-），女，硕士，周口师范学院计算机科学与技术学院助教，研究方向为图像处理和三维建模。 　　0引言 　　人脸识别作为生物识别的重要组成部分，在智能人机交互、身份鉴别和安全监控等方面有着广泛的应用。在人脸识别的众多方法中，基于特征脸的PCA方法（PrincipalComponentsAnalysis，主成分分析方法）是目前主流的线性鉴别分析方法之一。本质上，PCA方法是图像压缩的一种最优正交变换，用低维子空间来描述人脸特征，实现在最小均方意义下寻找最能代表原始人脸数据的投影。但是，该方法需将人脸图像矩阵预处理为一维向量，然后以此向量为人脸原始特征进行识别。另外，由于PCA以全局方式抽取人脸特征，识别过程易受到光照、表情和姿态等因素的影响。实际上，当光照、表情和姿态变化时，人脸仅部分区域变化明显，因此，采用分块的方法对图像进行鉴别分析可以有效捕捉人脸局部特征信息，有利于提高人脸识别的效度和精度。 　　为了提高传统PCA算法的人脸识别性能，本文提出基于独立特征提取的模块PCA算法。首先，从原有数字图像模式出发，将所有人脸图像训练样本按照光照、表情和姿态进行划分，使各个子模块更接近高斯分布。然后，求出子模块图像的散布矩阵和最优投影矩阵，通过投影得到子模块图像的独立特征矩阵。最后，利用最小距离分类器进行测试样本的分类。在著名的Yale人脸数据库上的实验结果表明，IFMPCA算法在识别性能上优于传统的PCA算法。 　　1PCA的基本原理 　　主成分分析法（PrincipalComponentsAnalysis，PCA）是由M.Turk和A.Pentland提出的一种基于特征点的人脸识别方法。该方法的基本原理是首先将人脸看成一个整体，借助正交变换，将人脸相关的P个随机向量转化成分量不相关的K个（K≤P）随机向量，实现高维向量到低维向量的转换，形成低维线性特征子空间。识别人脸时，将单张人脸图像投影到此低维空间，用所得投影坐标系数与目标样本集中的投影系数进行比对，以确定最佳特征脸。 　　2IFMPCA算法 　　2.1IFMPCA算法思想 　　虽然传统的PCA算法可以根据SVD进行奇异值分解求得特征脸，然而由于算法所需图像维数较高，整个计算过程仍然需要较长时间。因此，为了降低计算维数，利用子图像之间的差异和关联提高人脸识别效率，采用IFMPCA算法。 　　2.2人脸特征提取 　　2.3样本分类 　　3实验结果与分析 　　为了证明IFMPCA算法的优越性，实验在Yale人脸数据库库上进行。Yale人脸数据库是由耶鲁大学计算视觉与控制中心创建，包括15个人的图像，且每个人由11幅姿态、表情、光照变化的图像组成，每幅图像的分辨率均为100×100。实验选择每个人的前6幅图像作为训练样本（如图1所示），后5幅图像作为测试样本，则训练样本总数为90个，测试样本为75个。 　　使用传统的PCA算法，计算出人脸识别率，再使用IFMPCA算法，对图像进行4×2和4×4分块后分别进行实验，得到的结果如图2所示。 　　从图中可以看出，对于2种分块人脸识别情况，IFMPCA方法明显优于传统的PCA方法。为了进一步说明IFMPCA算法的性能，将得到最高人脸正确识别率的最优投影轴的数量、最优特征矩阵维数、特征提取时间及样本识别时间与传统PCA算法进行对比，得到实验结果如表1所示。 　　数据表明，在人脸正确识别率方面，IFMPCA（4×4）的结果是98.9%，PCA的结果是94.1%，IFMPCA明显优于PCA。最优特征维数方面，IFMPCA采用4×2和4×4两种分块方式，最优特征矩阵维数分别为48、20，明显优于PCA的最优特征维数。然而，在特征提取时间方面，IFMPCA由于分子模块进行图像识别，花费时间需要计算散布矩阵的特征向量，花费时间较多。PCA由于使用SVD奇异分值理论，节省了大量时间。 　　4结语