基于PCA和Fisher线性判别技术人脸识别算法.docVIP

基于PCA和Fisher线性判别技术人脸识别算法 　　摘 要：人脸识别技术是生物特征识别技术的一种，它根据人脸来识别人的身份。人脸识别技术具有准确、经济、可扩展性良好等特点，更重要的是，它比其它生物特征识别技术更加简便、直观、可靠。现在应用于人脸识别的算法有3种：基于PCA的人脸识别算法、基于Fisher线性判别的人脸识别算法、基于LBP特征的人脸识别算法。对前两种算法进行了深入研究，在人脸数据库上进行识别，取得了预期效果。 　　关键词：人脸识别技术；PCA；K-L变换；Fisher线性判别 　　DOIDOI：10.11907/rjdk.151986 　　中图分类号：TP312 　　文献标识码：A 文章编号文章编号：1672-7800（2015）012-0069-03 　　作者简介作者简介：方洁（1980-），女，湖北武汉人，武汉大学珞珈学院电子信息与机械工程学院副教授，研究方向为计算机技术。 　　0 引言 　　人脸识别[1]技术涵盖了数字图像处理、计算机视觉、模式识别以及数学等多方面内容。目前，相关研究虽然取得了一些重要成果，但该技术在实际应用中仍存在很多问题。由于人脸五官分布的相似性，人脸表情、姿态、发型、化妆的不同都给识别带来了困难。如何快速正确地识别大量人脸是目前急需解决的难题。人脸识别在身份认证、信息安全、金融交易、国防安全[2]等方面应用广泛。人脸识别是对人脸部信息处理的重要研究课题之一，有很高的研究价值。人脸识别又是一个非常具有挑战性的课题，面临着诸多难题。 　　1 基于PCA的人脸识别方法 　　1.1 K-L变换 　　K-L（Karhunen-Loeve）变换是研究人员常用的特征提取方法。K-L变换也可称为主成分变换PCA，可以使大维数的数据集合简化。 　　依据K-L变换[3]流程，首先从人脸样本中提取出人脸关键特征。假设图像为N*N的人脸图像，一幅N*N个像素组成的图像则是一个N*N维的矩阵，人脸图像可以视为一个N2维向量的样本。但是由于维数太高，需要对这些特征降维。 　　不考虑类别标号，利用所有的样本估计总协方差矩阵为： 　　∑=1m∑mi=1（xi-μ）（xi-μ）T=1mXXT（1） 　　其中，X是由所有去均值的样本构成的N2*m维矩阵。∑称为总体散布矩阵，其维数是N2*N2。要对样本降维，要求∑正交归一的本征向量。由于矩阵维数过高，直接进行计算比较困难。 　　由样本集组成的矩阵R=XTX，维数为m*m，通常mN2。矩阵R的特征方程是： 　　XTXυi=λiυi（2） 　　两边同时左乘X，得： 　　XXTXυi=Xλiυi 　　即： 　　1，对应的本征值表示为μi，相应的μ0，μ1，μ，2，…，μM-1被称为特征脸，所有的特征脸又可称为特征脸空间。在特征脸空间中，大的特征属性值可以表示为人脸整体轮廓以及附近环境，而小的值用来表述细节特征。 　　步骤四：将训练集合和测试集合映射到特征空间中。将全部的人脸图像映射到特征子空间，每一幅图像对应特征子空间的每一个坐标，该坐标有自己的坐标系数，这组系数代表相应的人脸图像。在一般情况下，一个特定的人脸图像可以通过多个特征脸的加权组合得到，用于最终的人脸识别。通过K-L变换产生的系数，即为y=UTf。经过相应的矩阵以及系数的转变，原始图像能够转变成新图像：fΛ=Uy。 　　步骤五：对待识别样本进行分类。通过分类器将待识别的样本进行分类，分类方法可以是贝叶斯算法、SVM算法等。 　　2 基于Fisher线性判别的人脸识别方法 　　Fisher线性判别分析（Fisher Discriminant Analysis）算法[4]是降低特征维数的一种方法。即把d维空间中的所有模式全部投影到一条直线上，然后将该模式的维数缩减到一维，并且需要同一类型的样本之间聚在一起，不同类型样本之间分开。而关于c类问题，需要c-1个判别函数。由d维空间向c-1维空间进行投影，假如dc，关于样本的类内散布矩阵SW和类间散布矩阵SB定义如下： 　　SW=∑∑（xj-ui）（xij-ui）T（1）SB=∑ci=1（ui-u）（ui-u）T（2） 　　式中，c为类别数；ni为ci的样本数；ui为ci的样本均值，ui=1N∑nj=1xj；u为所有样本的均值，ui=1N∑ci=1niui；xij为ci类中的第j个样本。 　　为了找出一个矩阵W，使类间离散度[5]和类间离散度的比值达到最大值，散布矩阵的行列式的值是离散度的一种简单的标量度量，得到Fisher 准则函数定义为： 　　J（Wopt）=BWargmaxwWTSBWWTSWW（3） 　　当 Fisher 准则函数取最大值时，Wopt=[W1，W2，…，Wc-1]则是使类间离散度和类内离散度