基于EMPCA和RBF神经网络人脸识别.docVIP

基于EMPCA和RBF神经网络人脸识别 　　摘 要 人脸识别是模式识别领域的一个研究热点，本文提出了基于期望最大主成分分析的径向基神经网络人脸识别方法。期望最大主成分分析方法是基于主成分分析方法而提出的，该方法无需在样本协方差矩阵的基础上计算特征向量，从而使特征抽取速度有了很大提高，最后采用RBF神经网络对样本分类。用ORL标准人脸库进行实验，结果表明人脸识别性能有了较大提高。 　　关键词 人脸识别；期望最大；主成分分析；径向基神经网络；特征抽取 　　中图分类号TP39 文献标识码A 文章编号 1674-6708（2011）52-0202-02 　　0 引言 　　人脸识别是模式识别领域的一个前沿课题，有着广泛的应用价值。Turk Pentland 提出了基于KL变换的人脸识别方法[1]，Hong[2]提出了基于奇异值分解的识别方法。主成分（PCA）方法作为一种有效的人脸代数特征提取方法广泛应用于人脸识别领域，直接用PCA方法抽取原始图像的特征，虽然方法简单，但是耗时非常的大，本文采用了期望最大PCA[3-4]（Expectation Maximization Principal Component Analysis， EMPCA）方法，此算法无需计算样本的协方差矩阵，因此有效的降低计算的复杂度。神经网络由于具有非线性特征和联想记忆功能，在各门学科领域都具有很重要的实用意义，其学习能力和容错能力对不确定性模式识别具有独到之处。本文探讨了用EMPCA方法提取图像的主成分特征和采用RBF神经网络[5-7]作为分类器的人脸识别方法。 　　1 主成分分析（PCA） 　　设是n维随机向量x经过居中处理后的T个采样点，即相当于将T个随机采样点在坐标轴上对齐同一个坐标原点，其中为样本均值。通过对采样点的线性正交变换，得到一个m维2阶不相关向量组 y，。 　　基于协方差变换的主成分分析[1]（PCA）定义如下：得到采样点x经居中处理后的数据的协方差矩阵，根据矩阵计算理论[9]，有如下等式成立： 　　（1） 　　其中分别为矩阵对应的特征值和特征向量。 　　取矩阵的前D个特征值为，并且这些特征值满足，它们对应的特征向量为，则满足等式 　　（2） 　　的向量称为采样点x的第k个主成分。对于人脸图像处理而言，每一幅人脸图像都可以投影到由前D个特征向量所张成的子空间中，因此每一幅人脸图像相当于对应子空间中的一个点，同样，子空间中的任一点也对应一幅图像，由于这些图像很像人脸，所以它们被称作“特征脸”。通过此投影法，可以有效的对原始图像降维，并尽量保留原始图像的主要信息。 　　2 Expectation-Maximization Principal Component Analysis (EMPCA) 　　在EMPCA[3-4]算法中，PCA方法可看作是一种有限情形下的线性高斯模型特殊类。这种线性高斯模型假设变量y是由k维变量x和附加的高斯噪声v构成。 　　因此，该模型可写成： 　　（3） 　　其中矩阵C为维矩阵，v为具有协方差矩阵R的p维噪声。 　　由于x，v是独立分布的，所以我们可以将变量y写成： 　　（4） 　　在上面的线性高斯模型的时候，有2个中心问题是我们要关注的。第一个问题是压缩：给定固定的模型参数，如何确定观察值y的隐状态x？ 　　由于数据点是独立的，我们关注单个隐状态给相应单个观察量的后验概率。这个可以很容易的通过线性矩阵投影计算得到： 　　（5） 　　 　　，（6） 　　从以上我们可以得到隐状态和，同时也可以得出如何用x重构y（7） 　　最终，任何数据点y的概率均可通过（4）得到。 　　第二个问题是参数设置这包括如何确定矩阵，使得由该模型构造的观察数据似然性最大。有很多EM算法[3]去做这个过程，但是不同的算法都有相似的结构：用公式（6）在e-step中估计未知状态，然后在m-step中选择，目的是使估计值x和观察值y之间的概率最大。 　　我们得到EMPCA 算法如下： 　　1）初始化和迭代次数N 　　2）经N次迭代取得C 　　（1）e-step: 　　（2）m-step: 　　其中Y为原始人脸数据。 　　1）得到C的规范化正交基作为新的C值，即新值满足 　　2）求的特征值和特征向量，假设分别为和V，最终的特征向量 　　3 RBF神经网络 　　径向基（Radial Basis Function，RBF）神经网络是前馈神经网络中的一类特殊的三层神经网络。RBF网络从输入空间到隐含空间的变换是非线性的，而从隐含层空间到输出空间的变换则是线性的。其隐含单元的特性函数采用非线性的径向基函数，以对输入层的激励产生局部化响应，即仅当输入数据落在一指定的小范围内时，隐层单元才