川。对于图象识别而言,抽取有效的.PDF

的部分人脸图象如图4.1所示。 4.1人脸图象特征提取 特征抽取是模式识别研究的基本问题之一川「。对于图象识别而言，抽取有效的 图象特征是完成图象识别的首要任务1421。目前用于图象识别的特征可以分为如下几 种CM1(181，“，: 1.直观性特征。如图象的边缘、轮廓、纹理或区域等。在人脸识别中用得最多 的直观性特征是几何特征，即人脸的五官尺寸及相对位置。这类特征虽然具有维数 低等优点但由于同一个人因表情及光照等条件变化往往会导致其尺寸及相对位置发 生较大的变化，因此识别效果并不令人满意。 2.灰度的统计特征。如直方图特征、主分量特征等，将图象看作一种二维随机 过程，可以引入统计上的各阶矩作为特征来描述和分析图象，它们能够在保留主要 分类信息的基础上大大降低特征的维数。 3.变换系数特征。对图象作各种数学变换，可以将变换的系数作为图象的一种 特征，例如Fourier变换、Hough变换、Hadamard变换等在图象特征抽取方面均有广 泛应用。这类方法的优点是计算比较方便，但其去相关能力不强。系数特征的维数 仍较大。 4.代数特征。它反映了图象的一种内在属性。将图象作为矩阵看待，可对其进 行各种代数变换，或进行各种矩阵分解。由于矩阵的特征向量反映了矩阵的一种代 数属性，并具有不变性，因此可用来作为图象特征cal。在人脸识别中，用来抽取图 象代数特征的典型方法是矩阵的奇异值分解((SVD)+e 特征抽取的目的是获得一组 “少而精”的分类特征，即获得特征数目少且分类 错误概率小的特征向量1N)。特征抽取常常分几步进行: 第一步:特征形成。根据被识别的对象产生一组原始特征。它们可以是传感器 的直接测量值，也可以是将传感器的测量值作某些计算后得到的值。 第二步:特征选择。由特征形成过程得到的原始特征可能很多，如果把所有的 原始特征都作为分类特征送往分类器，不仅使分类器复杂，分类计算判别量大，而 且分类错误概率也不一定小。因此需要减少特征数目。减少特征数目的方法有两种: 一种是特征选择，另一种是特征提取。 第三步:特征提取。特征提取是另一种减少特征数目的方法。对高维数据集合 的分析，常常是一项很复杂的工作。模式识别系统经常受到高维问题的困扰。特征 提取过程是将数据空间 (模式空间)变换为特征空间，在对象分类过程之前，它利 用变量变换使某些变量比其他变量更重要，因此可以将其看成是一种降维。我们把 那些更重要的变量称为特征。如果次要的变量可忽略不计，那么就达到了所需的降 维目的。虽然同最初的数据空间相比，特征空间维数降低得很多，但它仍保留了数 据内容的大多数本质信息。此外，从统计意义上讲，次要分量有可能来 自于噪声 (或 者是来自于模式固有特性无关的外界干扰)。因此，除去这些分量可能会有益处。 人脸特征作为人脸表示的最有效方式，它的提取一般包括以下两个方面: 1.特征选择:即确定一种低维特征向量，使之能充分、完整且鲁棒地表示人脸。 2.特征提取:即对原始数据进行变换，得到最能反映模式分类的本质特征，主 要是设计合理的算法，降低运算时间和运算的复杂性。 本论文采用基于K-L变换的方法来提取人脸代数特征。 4.1.1K-L变换 设给定一组m个以如下形式表示的随机矢量: x一‘X((1,,x2k,A，xkly ;一、2,A，、 (4.1) 这组随机矢量的均值为: m二一珠} (4.2) 其中El}代表期望值，下标二表示m所对应的一组随机矢量。 这组随机矢量的 协方差矩阵可定义为: Cx一Ejx-m}Xx-mx料 (4.3) 因为x是N阶的，所以q是NXN阶矩阵。q的元素c是‘各矢量的第i个分量组 成的矢量x;的方差，q的元素c是各矢量的第i个分量组成的矢量x;和第I个分量 组成的矢量毛之间的协方差。矩阵q是实对称矩阵。如果上述矢量x;和矢量x，不相 关，它们的协方差为零，即乌=。ji一。 设从同一个随机母体得到了M个矢量采