基于模块化完全二维主成分分析算法的人脸识别方法.docxVIP

基于模块化完全二维主成分分析算法的人脸识别方法 在面部特征的识别领域，turk和pentelat首先明确提出了基于主元分析的面部特征识别方法，这为在面部识别领域应用线性识别分析奠定了基础。1993年，李进提出了一种新的线性识别分析理论。其基本思想是使用数字图像矩阵直接构建图像的离散矩阵，并在此基础上进行识别和分析。2003年，杨坚等人从统计不相关的角度重新审视并改进了李进方法，获得了一种具有统计学不相关的评估图像的方法论（称为2dpca方法）。2004年，郭杜姆提出了一种全球计算方法，并通过一些实验证明了块分法的优越性。2004年，杨坚等人使用2dp0a进行了图像重建，并取得了良好的效果。2006年，陈福兵等提出了2dp0a模块，这进一步证明了模块方法在局部特征识别方面的优势。2006年，xu等人改进了2dp0a的方法，提出了c-2dp0a模块。该方法可以通过减少特征系数来提高人脸识别能力。这篇文章的介绍了c-2cpa的方法，并介绍了c-2cpa模块方法，该方法可以应用于人脸识别。 1 特征矩阵的生成 C-2DPCA方法主要是建立2个投影 (变换) 矩阵, 这2个矩阵分别由图像的协方差矩阵得到, 能够从两侧同时约减原始图像的维数.该方法是一种无监督数据分析和维数约减算法, 把图像A(A为m×n的随机矩阵) 通过线性变换投影到U和VT的子空间上, 即 Y=UAVT(1) 令U为一个d1×m的投影 (变换) 矩阵,VT为一个n×d2的投影 (变换) 矩阵, 那么可以得到d1×d2的矩阵Y(A的特征矩阵) .通过引入投影样本的总体散布矩阵来计算投影 (变换) 矩阵U和VT, 又知投影 (变换) 矩阵U和VT可以利用特征矩阵的迹来表示, 因此, 可以采用下面的判据: T(U,VT) =max{trace (S) } (2) S定义为训练样本的特征矩阵的协方差矩阵, 在式 (2) 中使得判据最大化来获得变换矩阵, 由此投影的样本总体散布也最大化, 协方差矩阵S为 S=E(Y-EY) (Y-EY)T=E[UAVT-E(UAVT) ][UAVT-E(UAVT) ]T= {UE[ (A-EA) ]VT}{UE[ (A-EA) ]VT}T(3) E表示期望运算.下面定义如下矩阵: ?A=E[(A-EA)](4) U={u1,u2, …,ui, …,ud1}T V={v1,v2, …,vj, …,vd2}T 式中,ui是一个m维的列向量,vj是n维的列向量.则 trace(S)=d1∑id2∑jt2ij=d1∑id2∑j(ui?Avj)2(5) T(U,VT) 最大化等价于每个元素的平方根tij最大化, 使得tij最大化可以采用奇异值分解 (SVD) 的方法, 选取矩阵?A最大的奇异值作为tij即可, 因此, 可以定义下面的矩阵: G1=?A?AΤ=E[(A-EA)(A-EA)Τ](6) G2=?AΤ?A=E[(A-EA)Τ(A-EA)](7) 矩阵G1和G2称作图像协方差 (离散) 矩阵.G1为m×m的非负矩阵,G2为n×n的非负矩阵.如果m=n, 图像矩阵A就是一个方阵,G1=GT2, 那么, 就可以利用训练样本直接计算G1和G2, 假设总共有M个训练样本, 那么第j个训练图像可以用一个m×n矩阵Aj来表示,ˉA表示所有训练样本的平均图像.于是,G1和G2可由下面公式计算: G1=1ΜΜ∑j=1(Aj-ˉA)(Aj-ˉA)Τ(8) G2=1ΜΜ∑j=1(Aj-ˉA)Τ(Aj-ˉA)(9) 在式 (2) 中,U和VT分别是d1×m与n×d2的变换矩阵, 矩阵U是由G1的前d1个最大特征值对应的标准正交向量生成的, 矩阵VT是由G2的前d2个最大特征值对应的标准正交向量生成的.最后, 应用最近邻法则进行鉴别判断, 任意两个特征矩阵Bi与Bj之间的欧式距离计算公式为 d(Bi,Bj)=|Bi-Bj|F=[trace((Bi-Bj)Τ(Bi-Bj))]1/2(10) 2 不同特征矩阵的聚合式多重鉴别 模块C-2DPCA的思想是先将一个m×n的图像矩阵A分成p×q模块图像矩阵 (类似于线性代数中矩阵的分块) , 其中, 每个子图像矩阵Akl是m1×n1矩阵,pm1=m,qn1=n, 然后将所有训练图像样本的子图像矩阵看作训练图像样本施行C-2DPCA方法. 把分块后的图像A通过线性变换投影到?U和?VT的子空间上, 即 Y=?UA?VΤ(11) 令?U为一个d1×m的投影 (变换) 矩阵,V^T是一个n×d2的投影 (变换) 矩阵, 那么可以得到d1×d2的矩阵Y(A的特征矩阵) .利用特征矩阵的迹来表示, 因此, 可以采用下面的判据: Τ(U^,V^Τ)=max{trace(S^)}(12) 协方差矩阵S^为 S^=E(Y-EY)(Y