对人脸识别中Ｆｉｓｈｅｒ线性判别的改进方法.docVIP

对人脸识别中Ｆｉｓｈｅｒ线性判别的改进方法 　　摘要：论文对传统的Fisher线性判别作了深入的分析，由于样本类间离散度矩阵不能很好的分开距离较近的样本类，为此该文又重新定义了样本类间离散度矩阵。通过改进其投影方向来减轻边缘类对特征分解的主导作用，从而提高了识别效率。 　　关键词： Fisher线性判别；人脸识别；离散度矩阵；边缘类 　　中图分类号：TP311文献标识码：A文章编号：1009-3044(2008)27-2054-02 　　 　　To Face Recognition in Fisher Linearity Distinction Corrective Method 　　CHENG Xing-jing , FU jia-xiang 　　(College of Electrical Science and Technology, Guizhou University, Guiyang 550003, China ) 　　Abstract: The paper to the traditional Fisher linearity distinguished has made the thorough analysis, Because between the sample class relative dispersion matrix cannot very good be away from the near sample class separately ,Has redefined between the sample class relative dispersion matrix for this this article .Through improves its projection direction to reduce the edge class the leading role which decomposes to the characteristic, thus enhanced the recognition efficiency. 　　Key words: fisher linearity distinction; face recognition; relative dispersion matrix; edge class 　　 　　1 引言 　　 　　在应用统计方法解决模式识别问题时，碰到的一大困难是维数过高。许多在低维空间里解析上或计算上行的通的方法，在高维空间里往往行不通。因此，降低维数有时就成为处理实际问题的关键。例如将d维空间的样本投影到一条直线上形成一维空间，即把维数压缩到一维。但是，即使样本在d维空间里形成若干紧凑的互相分得开的集群，若把它们投影到一条任意的直线上，也可能使几类样本混在一起而变得无法识别。但在一般情况下，总可以找到某个方向，使在这个方向的直线上，样本的投影能分开的最好。如何根据样本找到最好的、最易于分类的投影线，就是Fisher线性判别要解决的问题。 　　 　　2 Fisher线性判别分析 　　 　　Fisher线性判别准则是假设不同类别在模式空间是线性可分的，而引起它们可分的主要原因是不同人脸之间的差异，Fisher线性判别的原则就是从高位特征空间里取出最具有判别能力的低维特征使不同类样本尽可能地远些，同类样本尽可能地近些。 　　从d维空间投影到一维空间，实际上是通过(1)式完成的： 　　 其中，x为d维样本，一共有N个，可以分为两类，c=2，N1个为一类，N2个为另一类，w为投影方向，y为一维的样本。w的方向不同，投影后的可分离程度就不同，识别效果也就不同。 　　为了更容易的定义Fisher准则函数，可以先来定义几个必要的基本量。 　　样本的内类离散度矩阵可以定义为： 　　 　　其中，pi是先验概率，mi是ci类的均值。 　　各样本的均值向量mi，设每类样本的数目为K个，mi可以表示为： 　　 　　其中，pi是先验概率，mi是ci类的均值，m是所有样本的均值。 　　如果Sw是非奇异的矩阵，则希望在投影以后，各类样本之间尽可能的分开一些，也就是类间离散度越大越好，同时希望各类样本的内部尽量的密集起来，也就是类内离散度越小越好。因此可以定义Fisher准则函数如（6）式： 　　 　　Wopt就是使得样本类间离散度矩阵和样本内类离散度矩阵的比值最大的那些正交特征向量。 　　下面就是要求出J（Wopt）取最大值是对应的特征向量。通过数学变换可以得出，Wopt就是满足如下等式的解： 　　 　　如果Sw非奇异，就是求Sw-1Sb的本征值问题。其中该矩阵最多只有C-1非零特征值，C是类别数目。