基于联合二维主分量分析的图像描述方法.pdfVIP

基于联合二维主分量分析的图像描述方法 龙飞林坤辉林凡 厦门大学软件学院．福建厦门，361005 摘要：提出了一种联合二维主分量分析(Joint一2DPCA)的图像描述方法，并将其应用到人 脸识别。该方法不仅继承了现有2DPcA方法可直接面向图像矩阵进行操作的优点，而且通过 两次图像映射的有救集成达到了图像水平、垂直方向维数的联合压缩，弥补了2DPCA方法只 能压缩图像水平方向雏数的不足，使得特征数目得到太幅度的降低，匹配识别速度也因此得到 7大幅提高。 关键词：人脸识别；圈像描述：联合二维主分量分析 1．引言 主分量分析(PCA)是‘种被广泛应用的降维技术【1J。传统PCA方法是基于向量的， 如果将其应用在图像识别问题中，进行分析时需先将图像矩阵转化成向量的形式”I。这使 得最佳映射方向的求解位于一个P分高维的图像空间内，因此会给计算带来很大困难。对 此，Yang等人p’提出了一‘种直接面向图像数据降维的二维主分量分析(2DPCA)方法，该 方法的主要思想是用图像的矩阵表征代替向量表征，从而直接计算出所谓的图像协方差矩 阵(image 但是由于图像协方差矩阵的规模较小，因此求解其特征向量变得十分容易。他们将该方法 应用到人脸识别”J，实验结果表明，2DPCA方法产生的识别率高于传统的PCA方法，尤 其是特征提取中的训练时间得到了大幅度降低。 此外，与PCA方法中的子空间描述…(subspace 方法以一种图像映射【|J(imageproiection)的方式进行图像的特征描述，图像映射后的结 果是一个特征矩阵，且此矩阵的大小与原图像相比只是列数得到了压缩，而行数保持不变， 因此特征数目仍然比较可观。这会加重识别过程中特征匹配的运算量，在很大程度上阻碍 了识别系统的实时处理性。针对2DPCA这种图像映射方法降维效果不叫显的缺点，本文 探讨了种联合图像映射的新框架，并在这一框架下将2DPCA扩展到联合二维主分量分 直方向上维数的联合压缩，此外．在两次映射过程中，均使用图像类间散布矩阵代替图像 总体散布矩阵(图像协方差矩阵)作为最佳映射方向的生成矩阵，以减少生成矩阵的估计 时间。通过联合图像映射，Joint．2DPCA方法可使特征数目降低到与传统PCA方法相近的 水平，因此既保证了特征提取的效率，又显著提高了特征存储的紧凑性及识别速度。在著 名的ORL人脸数据库上的实验结果验证了所提出方法的有效中聿。 资助项目：“985 T程”一期“智能化国防安全信息挫术”项目资助 edttcn 联系作者．龙E，E-mail：flong(．癣xmu 第一部分第十四届全国多媒体技术学术会议 2．二维主分量分析 考虑训练集{』。，，：，…，，。)，其中的每个观测样本，。∈R…是一图像矩阵。2DPCA方 法定义如下的图像协方著矩阵作为最优映射方向的生成矩阵： -￡ G，=÷∑(，。一_)1(f。一7) (1) L f一} 其中了代表训练集上的图像均值。最优映射方向为矩阵G，的最大特征值对应的特征向量， G，∈R””。仅一个最优映射方向对特征提取往往是不够的，设“∥．-，“。∈R”1是与G，的前 d个撮大特征值对应的特征向量，将，．分别映射到这些方向上： z，‘”=llu女，k=1，2，…，d (2) 映射结果构成一个矩阵：Z。=[z．‘”…z}‘。’】∈R“4，称为从图像，，提取出的特征矩阵， 用于后续的匹配识别。文献[3】称(2)式这种映射方式为图像映射。 3．联合二维主分量分析 3．1联合图像映射思想 根据2DPCA方法中的图像映射思想，将一个m×n的矩阵，映射到d个基向量 ，，“∥．．，“。后得到一个m×d的特征矩阵2。由于m通常就是图像矩阵的行数，因此即便 当d比较小时，特征个数md还是相当可观的。比如：对于大小为112×92的图像，如果 选择前5个最优基向量来映射的话，得到的特征数目为560(=112×5)。