基于加权主元分析（WPCA）的人脸识别.PDFVIP

2004年3月 重庆大学学报 Mar．20o4 第27卷第3期 Journal of Chongqing University VoI．27 No．3 文章编号：1000—582X(2004)03—0028—04 基于加权主元分析(WPCA)的人脸识别 乔 宇，黄席樾，柴 毅，邓金城，陈虹宇 (重庆大学 自动化学院导航与制导研究室，重庆 400030) 摘 要-将特征加权和主元分析相结合，提出了一种新的加权主元分析方法；这种方法先根据加权 重建误差最小化，计算出各类训练样本的加权子空间，然后计算测试样本点到各加权子空间的距离，并 根据该距离进行分类识别。最后，通过对剑桥ORL数据库进行的试验证明，该方法与传统的主元分析 相比可以在不增加运算量的情况下大大提高识别率。 关键词-主元分析；特征加权；人脸识别 中图分类号：TP391．41 文献标识码：A 近20年来人脸识别由于其广阔的应用前景和独 到其它对象的识别问题中去。 特的学术价值，成为计算机视觉领域内的热门课题。 1 主元分析 与其它生物识别(Biometric)技术，如指纹、虹膜、笔迹 等相比，人脸识别无需接触和使用者的刻意配合，非常 主元分析(Principal Component Analysis)E4 ，又 适合公共场合的监视保安系统。同时，人脸也是人们 称为K—L变换是一种非常有效的降维和压缩方法， 日常生活中识别对方的主要手段，人具有非常强大的 被广泛应用到图像分析，数据压缩，数据挖掘和模式识 人脸记忆和识别能力，研究人脸图像对于加深对人类 别等领域。主元分析方法的输入是k个n维位向量 自身视觉系统和认知系统的理解也有重要的意义。 口。，口 ，…，口 构成的样本集A，计算其协方差矩阵 按照使用特征和分类方法的不同，人脸识别可以 s：∑(口；一口)(口；一口) ，这里口：1／k∑口；为平均 大致分为3类¨ J：1)提取人脸几何特征的方法；2) i i 基于特征分析的模板匹配；3)统计分析的方法，如主 值。输出是协方差矩阵．s的前q(qn)大个特征值 元分析、弹性图匹配(Elastic Graph Matching)方法、隐 对应的特征向量U：[Ⅱl，Ⅱ2，…，Ⅱg]，Ⅱ1，Ⅱ2，…，Ⅱg也 马尔可夫模型(Hidden Markov Mode1)方法以及神经网 被称为主成分分量。 可以看成一个是从n维向量 络的方法。其中，基于主元分析的本征脸(Eigen— 到m维向量Y的线性映射矩阵，转换公式是Y：U ( face) 一 的方法，由于计算简单，概念清晰易于实现， 一 口)。主成分分量构成的投影矩阵 有如下的特点： 一 直受到研究者的广泛关注。但是传统的主元分析方 ^ 1)最小化所有样本的重建误差：E：min I口 法，平均地对待每一个象素特征，无视不同的特征在识 别中起作用的不同。笔者提出了一种新的加权主元分 一 一 (口 —h-)I； 析方法，对每维特征设定一个加权系数，并以加权重建 2)最大化样本集在低维投影的方差，比如，对应于最 误差最小为目标，计算出加权子空间；根据测试样本点 大特征值的特征向量lf ：argman{∑．I Ⅱ I }； 到加权子空问的距离进行分类。最后以ORL人脸