基于PCA与贝叶斯决策人脸识别算法.docVIP

基于PCA与贝叶斯决策人脸识别算法 　　文章编号： 1005??5630(2014)02??0122??04 　　收稿日期： 2013??11??19 　　基金项目： 黑龙江省科技厅自然科学基金项目(F201108) 　　摘要： 研究了主元分析与贝叶斯决策相结合的人脸识别方法。利用主元分析提取人脸图像训练集的特征子空间,将训练图像和测试图像投影到该子空间,提取特征向量及计算统计特性,利用最小错误率贝叶斯决策规则对测试图像进行分类,从而实现人脸识别。大量实验表明:主元分析能将人脸图像的特征信息有效地映射在特征子空间,同时采用贝叶斯决策规则能够快速准确地对人脸图像进行分类。 　　关键词： 主元分析; 贝叶斯决策; 人脸识别 　　中图分类号： TP 391.4文献标志码： Adoi： 10.3969/j.issn.1005??5630.2014.02.007 　　Research on face recognition methods based on 　　principal component analysis and Bayesian decision 　　QUAN Xinghui, MU Haiwei, L?a Xiuli, ZHANG Hua 　　(College of Electronic Science, Northeast Petroleum University, Daqing 163318, China) 　　Abstract： A method for face recognition based on principal component analysis(PCA)and Bayesian decision is described. Extracting feature subspace of face image training sets using PCA, the training images and test images are projected in the subspace, the eigenvectors are extracted and the statistical properties are calculated,adopt Bayesian decision based on minimum error rate to realize face recognition. Experimental results show that PCA is well in the subspace of face images to extract feature information, by Bayesian decision can quickly and accurately classify the face images. 　　Key words： principle component analysis; Bayesian decision; face recognition 　　引言人脸识别技术是模式识别和人工智能领域的一个热门课题,它覆盖了图像处理、模式识别、人工神经网络、生理学及心理学等许多学科的内容,具有非常广泛的应用前景［1??2］。通常人脸识别系统包括人脸检测、人脸预处理、人脸特征提取和人脸识别等主要步骤。本文提出了一种主元分析结合最小错误率贝叶斯决策实现人脸分类识别的算法。1主元分析原理及人脸特征子空间提取基于主元分析(principle component analysis,PCA)的人脸特征提取方法是建立在K??L变换基础上的。因为人脸结构的存在,当把这样的人脸图像归一化之后,这些图像在这个高维空间中不是随机、散乱地分布而是存在特定的规律。因此,通过K??L变换用一个低维子空间描述人脸图像,同时又可以提取所需要的识别信息。 　　1.1主元分析原理对于一幅人脸图像,用f(x,y)来表示,这里x和y指空间中的坐标。实际在计算机的应用中,人脸图像f(x,y)在空间坐标和灰度上都己经被离散化了,因此可以用一个矩阵来表示一幅人脸图像,矩阵中的每一个元素对应图像中的一个像素点,而矩阵中的相应元素的值对应该点的灰度等级。选择人脸库中每个人一定数量的图像构成训练集,其余形成测试集,用于测试系统性能。一幅N×N的图像按列相连可构成一个N2维列向量,通过主元分析方法用一个低维子空间来表示原始图像［3］。设训练集中有M幅大小为N×N的人脸图像,将每幅图像看作是长度为N2的列向量,记作［x1 x2…xM ］。用μ表示M幅人脸图像的平均向量:μ=1M∑Mi=1xi(1)求出每一幅图像与平均向量的差异,把差异运用K??L变换,用训练集的协方差矩阵作为