基于ICA的人脸图像特征提取.pdfVIP

基于ICA的人脸图像特征提取1 杜正锋 刘琚 张新刚 商彦磊 孙建德 (山东大学信息科学与工程学院250100) 摘 要独立分量分析(ICA)是近年发展起来的一种线性变换方法，通过对数据进行ICA，去 除其隐舍的各个分量的相关性，得到一种新的数据表示，在许多应用中这种表示能 反映数据的本质结构特征．本文中，我们将ICA用于对人脸图像的分析，提取人脸 图像的特征． 关键词独立分量分析人脸图像特征提取 1概述 近年来，ICA(IndependentComponentAnalysis，独立分量分析)方法及其应用逐渐成为信号 处理领域的研究热点。所谓ICA，就是对一随机向量，寻找一种线性变换，使得其分量尽可能 source 相互独立。ICA的研究源于盲源分离(blindseparation)，或盲信号分离(blindsignal separation)Ih]题。然而，ICA可以在更加广泛的领域得到应用，例如特征提取、数据压缩和信 号分析等【l】。 本文，我们将ICA用于人脸图像的特征提取。有些人脸图像特征提取算法基于 PCA(Principal 图像的三个以上像素之间存在的更高阶的统计相关性，ICA和PCA相比，除了能分离输入数 据的二阶矩外，还能分离更高阶矩。BellA．J．和SejnowskiT．J．【4】曾将他们的ICA算法用于自 然图像的分析，并指出自然图像的独立分量是一些边缘滤波器。我们在此采用FastlCA算法用 于人脸图像分析，提取入脸图像的特征。 2ICA的模型 (1)数学模型 对随机向量x进行ICA，在于估计下式描述的数据产生模型： x(0=As(，)十n(，) (1) 其中s(t)=Esl(t)，…，％(，)]2为聆维的包含各个统计独立分量的向量， n维的矩阵A为混叠权系数矩 x(t)=b。OX…，x肼O汗为肌维的观测数据(混叠)向量，mx 阵，nff)为m维加性噪声向量。向量sO)和混叠矩阵A均未知，ICA的任务就是根据s(fJ的 统计特性，仅由观测到的xO)来求一矩阵w=A～，使得§O)=wx(t)的各分量尽可能相互独 1本课题为山东省自然科学基金(编号：Y2000G12，13)和山东大学青年科学基金资助项目 575 立，作为对sO)的估计，该过程主要是通过最大化某～测度独立性的准测函数来完成。 为简化起见，常常假设nO)=0，即： x(t)--AsO) (2) 无噪声的模型是最常用的模型。 (2)约束条件： s(t)的各分量统计独立：源信号至多只能有一个为高斯分布；另外，通常假设聊=聆， 矩阵A非奇异。 (3)问题的不确定性： L．和Liu Tong R．W．[5】分析了盲源分离问题的可分离性和不确定性，指出分离出的分量 存在幅度和排列次序两种不确定性。 3基于ICA的图像特征提取方法 (1)数据模型 在给定的多幅人脸图像中，要寻找一组统计独立的特征，作为基图像，使得把每一幅人 脸图像可以用这些基图像进行展开。数学描述如(2)。其中，xIf)为原始人脸图像，其每一 行为一幅kX，的人脸图像展开成的kX，维的向量，每一幅人脸图像可视为s(fl中一组未知的 独立的特征(基图像)的线性混叠，A为混叠矩阵，x(f)即为进行ICA的原始数据。对x《r)进 行ICA，得到的相互独立的分量即为要提取的人脸图像特征，把这些特征以图像的形式显示出 来即为基图像。 在这些基图像当中，二幅基图像中的像素值统计独立于其余各幅基图像中的像素值。可 以认为每一幅人脸图像均由这些特征即基图像的线性组合而成，人脸图像的ICA表示就由这 些组合的权系数构成【6】，如图1所示。 图1人脸图像的IcA表示=(口1，