基于KL投影的LDA人脸识别及正交辨识分析.pdfVIP

江苏省通信学会论文集 基于KL投影的LDA人脸识别及正交辨识分析 黄轩宇 东南大学无线电工程系，江苏南京210096 擅要：人脸识别是tt‘算机视觉和模式识别领域的一个活跃课题，有着十分广泛的应用前景。本文在传统PCA算法的基础上， 利用Fisher线性判别技术来提取特征值，并且通过正交化辨识空间来提高识别率。 关键词：人脸识别：主分量分析；Fisher线性判别；正交辨别分析 计算机人脸识别技术是近20年才逐渐发展起来的，是模式识别中的一个前沿课题，近年来更是成为科 研的热点。它利用计算机分析人脸图像，进而从中提取出有效信息，用来“辨认”身份。 Matthew A．Turk和P．Pentlandu儿副首先将主分量分析(principalcomponent 在因素和人脸本身不同带来的差异，它的识别性能在外加环境变化时下降很快。 Fisher线性判别准则是模式识别中的经典方法，它假设不同类别在模式空间中是线性可分的，而引起 他们可分的主要原因是不同人脸之间的差异。将Fisher准则引入人脸识别存在一个小样本问题。即人脸图 像数低于图像纬数而引起图像的类内类间散布矩阵不可逆。我们可以通过先将库中的人脸图像进行一次PCA 降维或者是具体分析人脸图像库的类内及类间散布矩阵来解决小样本问题。相对于特征脸在很大程度上反映 了光照等信息，这两种方法能压制图像之间的与识别信息无关的差异。 一般来说，上述两种方法得到的辨别空间各辨别向量不是正交的，原有的正交化方法计算量较大，速度 慢。我们提出了一种简洁的求解正交辨别空间的方法，称为正交分量辨识分析(oCDA)。 i 一基于K-L变换的特征脸(E genface)识别方法 K乙变换是图象压缩中的一种最优正交变换。人们将它用于统计特征提取，从而形成了子空间法模式识 别的基础。由于高维图象空间l(L变换后可得到一组新的正交基，因此可通过保留部分正交基，以生成低维人 脸空间。KL变换的生成矩阵可以是训练样本集的总体散布矩阵，也可以是训练样本集的类间散布矩阵。 也就是说，根据总体散布矩阵或类间散布矩阵可求出一组正交的特征向量从，∥：，…，∥，，其对应的全 部特征值为丑，厶，…，旯，，这样在新的正交空间中，人脸图像x可以表示为 x=∑Xf从 (1．1) i=I 通过选择m(m，．)个特钲向量作为正交基，就可以得到以下近似表达式 一X I| X弘 ，L ●上 2 m∑汹 我们选取那些对应最大特征值的特征向量，因为它们反映了绝大部分人脸图像之间的差异。把这些特征 向量按图像阵列排列，则可看出这些向量呈现人脸的形状，故称之为“特征脸巩0这m个特征脸就构成了一 在降维的特征脸空问进行。 此外对于非人脸图像，它一样可以投影到特征脸空间来，但此时用投影权值得到的重建图像和原图像将 有很大的不同。我们可以通过设定重建误差阀值来判断输入图像是否为人脸图像。 二线性辨别分析(LDA) 特征脸方法来自于图像处理中的l(L变换，从压缩能量的角度来看，KL变换是最优的，而且使变换后的低 维空间有很好的人脸表达能力。但是闺像表征不等于图像识别。选择训练样本的散布矩阵作为KL变换的生成 矩阵，是由于其最大特征向量抓住了该样本集合的主要分布：但这是圈象统计，而不是人脸统计方法。图像 中的所有象素都被赋予了同等的地位，而不管图像之间孵差异是由照明、发型变更或背景导致，还是属于人 脸的内在差异。因此特征脸识别的方法用于人脸识别存在理论上的缺陷。研究表明，特征脸的方法随着光线、 角度及人脸的尺寸等因素的引入，识别率急剧下降。 式识别里的经典方法。它假设不同类别在模式空间是线性可分的，而引起他们可分得主要原因是不同人脸之 江苏省通信学会论文集 间的差异，Fisher的判别准则是：不同类样本尽可能远，同类样本尽可能近。 本类问散布矩阵和类内散布矩阵建立起来。当准则函数取极值