基于红-黑小波变换和PCA的人脸识别英文翻译.doc

基于红-黑小波变换和PCA的人脸识别 何玉清，何欢和杨红鹰 中国，北京，北京理工大学，光电工程系，100081bit.edu.cn 摘要： 随着人机界面和识别技术的发展，人脸识别已经成为生物特征识别领域最重要的研究方面之一。如今，在采用主成分分析（PCA）[1]。 脸部识别技术的主要方法可以概括为三种：基于几何特征，模板和模型。20世纪90年代以来一直关注基于KL变换的PCA的人脸识别方法。这是简单，快捷。和容易使用的。它可以反映整个人脸的特征。因此，运用PCA的人脸识别方法在不断改善。 D.-S.Huang等人（主编）：ICIC2008，LNCS5226，第561-568页，2008年。柏林海德堡 施普林格出版社2008年 本文提出了一种基于红 - 黑小波变换和PCA对人脸识别方法。首先，使用改进的图像的直方图均衡化的[2]做图像的预处理，从而消除光强度的差异的影响。其次由于蓝的子频带的相对稳定的人脸图像模糊的表达式和姿势的影响撤出使用的红-黑小波变换。然后，使用PCA，退出功能组件和辨识。与传统的PCA方法相比，这可以显着降低计算复杂度，提高识别率和抗噪性能。实验结果表明：本文提到的方法更准确，更有效。 2.红-黑小波变换 这些年来发展迅速，小波变换得到有效的提升。它丢弃复杂的数学概念和经典的小波变换中的傅立叶变换分析的伸缩和翻转。它的原则，从经典的小波变换的多分辨率分析的思想。红 - 黑小波变换[3-4]是一个二维提升小波变换[5-6]，它包含水平/垂直和对角线升降。以下是具体原则。 红黑 （a） （1） 3.修订：使用水平和垂直方向的4个相邻的黑块小波系数修改红色块的实际值，以获得近似的信号。如图1（c） 表达式为： （2） 在这种方式中，红色块对应的是近似的图像信息，黑色块对应的是图像的详细信息。 2.2 对角线升降 在水平/垂直升降的基础上，我们做对角线升降。如图2所示，它也分成3个步骤： 蓝色黄色 （a）） （3） 3.修订：使用四个对角附近黄色块的小波系数修改的蓝色块的实际值，以获得近似的信号。图2（c） 表达式为： （4） 2次升降之后，红-黑小波实现变换。 根据方程，可以分析红-黑小波变换和经典小波变换：即：蓝色块的子带LL和古典张量积小波部分之间的对等关系，这就是黄色块等于子频带HH以及黑色块等于子波段HL和LH。实验结果表明，它摒弃了复杂的数学概念和公式。大多可以消除图像的相关性，可以通过以下方式获得红-黑小波变换图像的简要表示。 红-黑小波变换后的图像如图3（b）[7] PCA是一种统计分析数据的方式。这个方法是发现一组数据空间中的向量，并尽可能使用这些载体来表达数据的方差。把数据从P维空间下降到M维空间（PM） （5） 其中μ是训练样本的平均图像的矢量： （6） 排列为则和它的尺寸为DD。 根据KL变换的原则，我们实现了矩阵的非零特征值对应的特征向量的坐标。直接计算出的特征值和正交的单位向量及矩阵D×D是困难的。所以，根据SVD原则，它可以计算出的矩阵的特征值和特征向量。通过这得到的矩阵的特征值和特征向量。 为r的矩阵的非零特征值：是本征向量的相应为通过正交归一化得到特征向量μi如下： 这是特征向量根据安排它的特征值，其对应的特征向量导率μi。以这种方式，每个脸部图像可以投射到子空间组成…。为了减少尺寸，它可以选择前e向量为子空间，同时它可以根据特征值占据的能量比例选择d的最大特征向量： 通常α= 90％?99％。 其结果是，由于组成的“特征脸”的下降维空间中，每个图像可以投影就可以了，并得到一组坐标系数显示此图像的子空间的位置，因此，它可以用最简单的最近邻分类[8]分类面用作人脸识别的基础。这些本征矢量对应的图像的人脸相似时，它也被称为“特征脸”，所以使用PCA变换的方法被称为“特征脸”方法。 4.实验及结果： 这一部分主要是通过对比实验数据验证该算法的可行性和优越性。 4.1 实验条件及参数 选择剥离后的图片。红 - 黑小波变换后，我们只选择蓝色的块的数据，因为蓝色的块的部分表示近似面部图像，它是不敏感的表达和照明甚至是滤液的图像噪声。 蓝色块能量分解层数所造成的影响：在实验数据[9]的红 - 黑的变换，我们可以发现，在特定的情况下没有足够的能量集中进行多层分解。多层分解。表1显示了不同的层分解得到不同的能量。测试图像是国际标准图像Lena512，它的能量是4.63431e+009，熵是7.4455。 表1.红-黑小波能量分解测试表 原始图像的能源浪费是由于黑色和