基于正交分量辨别分析的人脸识别方法.pdfVIP

第 l4卷 第 3期 模式识别与人工智能 l一 14 No3 2001年 9月 PR ＆ AI SeDt 2(HI1 基于正交分量辨别分析的人脸识别方法 孙大瑞 吴乐南 (东南大学 无线电工程系 南京 210096j 摘 要 线性辨别分析(LDA)特征空间的坐标轴是非正交的 并且基于LDA的分类器的性能容易受训练集变化 的影响 Okada…提出了一种优化正交系统 ，但运算量大，且增加了特征空间坐标轴的数 目。影响分类器速度 本文 提出一种新的正交分量辨别分析(()CDA)，没有增加坐标轴的数 目，并且稳定性和识别率都优于LDA． 关键词 线性辨别分析，正交分量辨别分析，人脸识别 中图法分类号 TP3914 1 引 言 分类坐标轴，则其分类效果相当于图像相关(correla— tion)改进 的想法是选用较少 的一组基 (一般不完 备)作为分类坐标轴 ，使得两个原始空间接近的图像 基于外貌 (appearance—based)的识别是一种比较 点，在这组基上的投影分量尽可能地分开，并且各 自 简洁而又直观的人脸识别方法，它从最简单的图像 落人属于本身那一类的范围之内 LDA就是基于这 模型一矩阵出发，将图像变为一维向量，再采用降维 一 想法的算法，但由于经典的LDA算法得到的特征 的方法如PcA，LDA来实现特征提取．这种方法的 空间的基是非正交基，容易受到训练集的影响 Oka— 缺点是抛弃了邻域像素的相关性． da“提出一种正交化方法，基本思想是，取LDA最 主分量分析(PcA)是面向图像重建而不是图像 大特征值对应的特征向量作为正交化的起始 向量 分类的一种降维方法，虽然如此，它仍在模式识别， (第一个向量)，然后将类 内散布矩阵和类间散布矩 尤其是人脸识别中得到广泛的应用 线性辨别分析 阵在与起始向量垂直的方 向上作投影变换，得到新 (u)A)是面向分类的降维方法，由于计算量和稳定 的类内类间散布矩阵，求其最大特征值对应的特征 性的考虑，一般都在PCA降维的基础上应用 LDA． 向量作为正交化第二个 向量，依次类推．显然这样得 相应的特征空问由于不同的应用而有不同的名称， 到的基的数 目要比LDA得到的多，并且求法也较为 用于图像检索，称为辨别本征特征 ；用于人脸识 繁琐 Zhao 将这种方法用于人脸识别，取得了较好 别，则称为 矗sherfacel Martinez4比较 了PCA和 的效果．本文提出另外一种获得正交基的方法．叫做 LDA的性能，认为 LDA的辨别能力并不总是优于 正交分量辨别分析(OCDA)，它是在 LDA的基础上 PCA，