基于PCA,LDA和LPP的人脸识别.docVIP

基于PCA,LDA和LPP的人脸识别 摘 要: 人脸识别一直是模式识别领域研究的热点。PCA和LDA是常用的人脸识别算法。本文针对非标准人脸数据库，首先进行了人脸边缘检测，以使图像接近标准化。再分别运用PCA,LDA和LPP算法，在该数据库上进行人脸识别实验，并对结果进行了比较分析。实验结果表明，监督学习的LDA算法在该数据库上优于PCA和LPP算法。 关键词: 人脸识别，主成分分析，线性判别分析，局部保持投影 引言 人脸识别是近二十年来模式识别中的一个重要课题。 由于人脸图像的复杂性，显示的描述人脸特征具有一定的困难，因此近年来，基于统计分析的子空间方法越来越受到重视，成为当前人脸识别方法的主流。由于人脸图像的维数通常都是很高的，而实际上人脸图像在这样的高维空间中分布很不紧凑，因而不利于分类，并且在计算机上的复杂度也非常大，因此人们往往将人脸图像投影到低维的子空间进行判别。 子空间分析[1]的基本思想就是根据一定的性能目标寻找线性或非线性的空间变换，把原始数据压缩或变换到一个低维子空间。目前在人脸识别中得到成功应用的子空间分析方法比较有代表性的有主成分分析(PCA)和线性判别分析(LDA)。 另外，基于流形学习是模式识别领域近期兴起的一个研究热点，尤其对于人脸识别。例如局部线性嵌入(LLE)，局部保持投影(LPP)等。 算法介绍 本章对算法的详细介绍要严谨，要求基本独立完整。 下面以小样本的主成分分析PCA为例。 主成分分析(PCA)[2] 主成分分析(Principal Component Analysis, PCA)是应用最广泛的特征提取方法之一。它的核心思想是：利用较少数据的特征对样本进行描述以达到降低特征空间维数的目的，根据样本点在多维空间的位置分布，以样本点在空间中变化最大方向，即方差最大方向，作为差别矢量来实现数据的特征提取。 线性判别分析(LDA)[2] 线性判别分析(Linear Discriminate Analysis, LDA)不同于主成分分析，它是以样本的可分性为目标，寻找一组线性变换使每类类内离散度最小，并且使类间的离散度最大，因此从理论上说，比较适合模式识别问题。经典的线性判决分析使用的是Fisher准则函数，所以线性判决分析又被称为Fisher线???判决分析(Fisher LDA，FLDA)。 局部保持投影(LPP)[3] 基于子空间的特征提取方法基本都是从数据的全局特征出发，来实现对数据的降维。而流形学习则考虑了数据的局部特征。 He等人首先提出局部操持投影(Locality preserving Projection, LPP)方法。LPP算法比一般的流形学习方法具有更低的计算复杂度和实现代价。它将数据从高维空间映射到较低维空间，且保持数据之间的相似关系，即原始空间上相邻的数据点在投影空间上也保持相应的邻近关系。 实验结果与分析 本实验主要进行基于PCA,LDA和LPP算法的人脸识别，并对三种方法的实验结果进行分析比较。 数据库介绍 实验数据来源于2011年机器学习与信号处理研讨会的竞赛题。 竞赛题数据库包含了个人的人脸图像，每人张图像，前张基本是正面，后面张有姿态变化，最后一张姿态变化最大。图像的光照也有较为明显的强弱不均，且各张图像大小不一样。 实验设计 本实验主要可分为如下几个步骤： 图像预处理 特征提取，分别通过PCA，PCA+LDA和PCA+LPP算法进行降维。其中，PCA降维保持能量。 在新特征空间进行人脸识别 由于数据库的非标准化，图像预处理是必要且复杂的：1）对每张图像进行了人脸剪切：首先将图像从RGB空间转换到Lab空间，再去均值，最后通过边缘检测来检测人脸区域，将不必要的背景区域剪切掉。2）将所有图像统一缩放为大小。 在图像剪切过程中，有小部分图像的边缘检测效果不是很理想，需要手动剪切。 实验选用了前个人的张图像。每人共张图像，从第张至第张,分别被选做测试样本，剩余张作为训练样本，进行实验。 实验结果 本实验分别用了PCA，LDA和LPP算法进行特征提取，均采用最近邻分类器进行分类。 PCA 运用PCA算法进行特征提取的实验结果如图1所示：  SHAPE \* MERGEFORMAT 图1. PCA算法实验结果 从图1可以看出，采用每个人的第张图像做测试，后张做训练，识别率最高；而采用每个人的第张图像做测试，前张做训练，识别率最低。 2) PCA+LDA 运用PCA+LDA算法进行特征提取的实验结果如图2所示： 图2. PCA+LDA算法实验结果 3) PCA+LDA 运用PCA+LPP算法进行特征提取的实验结果如图3所示： 图3. PCA+LPP算法实验结果 结果分析 三种算法最优情况下的识别率比较如表1所示。 表1. 三种算法的识别率比较 识