基于小波和非负稀疏矩阵分解人脸识别方法.docVIP

基于小波和非负稀疏矩阵分解人脸识别方法 　　摘 要：提出了利用小波变换(WT)、非负稀疏矩阵分解(NMFs)和Fisher线性判别(FLD)来进行人脸识别。用小波变换分解人脸图像，选择最低分辨率的子段，既能捕获到人脸的实质特征，又有效地降低了计算复杂性；非负稀疏矩阵分解能显示地控制分解稀疏度和发现人脸图像的局部化表征；Fisher线性判别能在低维子空间中形成良好的分类。实验结果表明，这种方法对光照变化、人脸表情和部分遮挡不敏感，具有良好的健壮性和较高的识别效率。 　　关键词:人脸识别; 小波变换; 非负矩阵分解; Fisher线性判别 　　中图法分类号：TP317．4 文献标识码：A 文章编号：1001-3695(2006)10-0159-04 　　Wavelet??based Non??negative Matrix Factorization with 　　Sparseness Constraints for Face Recognition 　　 OUYANG Yi??biao，PU Xiao??rong，ZHANG Yi 　　(Computational Intelligence Laboratory, College of Computer Science Engineering， University of Electronic Science Technology of China, Chengdu Sichuan 610054, China) 　　Abstract:This paper combines Wavelet Transformation(WT), Non??negative Matrix Factorization with sparseness constraints (NMFs), and Fisher’s Linear Discriminant (FLD) to extract features for face recognition. Wavelet transformation is used to decompose face images and for choosing the lowest resolution sub??band coefficients so that the substantial facial features can be captured and the computational complexity can be reduced. NMFs can control sparseness explicitly and find parts??based representations for face images. FLD plays the role of forming well??separated classes in a low??dimensional subspace. Extensive experiments are carried out to illustrate the proposed combine face recognition method by using the ORL face database. The experimental results show that the method has robust high??performance against varying illumination, facial expression and part occlusion. 　　Key words:Face Recognition; Wavelet Transformation(WT)； Non??negative Matrix Factorization(NMF)； Fisher Linear Discriminant(FLD) 　　 　　1 引言 　　 　　由于人脸识别在身份认证、视觉监控以及人机接口等方面有着广泛的应用前景,从而成为近年来计算机视觉与模式识别领域极富挑战性的研究热点。近20年来，许多研究者在人脸识别领域进行了深入研究并提出了很多有效的方法。按照识别特征的不同,基本上可以分为基于几何特征的方法[1,2]、基于统计的特征脸方法[3]、基于神经网络的方法[4,5]、基于小波的模板匹配方法[6]和它们的混合方法。其中Fisher线性判别（FLD）[7]方法能在低维子空间中形成很好的分类，对于遮掩物和光照具有好的容错性，从而也较好地解决了特征脸方法[3]中对遮掩物和光照较敏感的缺点。 　　Lee和Seung提出了不同于传统PCA的非负矩阵分解（NMF）方法[8