一种子模式局部保持映射算法用于人脸识别.docxVIP

一种子模式局部保持映射算法用于人脸识别 由于计算机人脸识别在管理、公共安全等领域具有巨大的应用前景，它已成为人工智能和模式识别领域的研究热点。特征提取是计算机人脸识别的核心步骤,子空间分析方法因其具有技术代价小、易实现、描述能力强和可分性好等优点被广泛地应用于人脸特征提取,成为目前人脸识别的主流方法之一。主成分分析(PCA)和线性判别分析(LDA)是2种最为经典的子空间分析方法,已经被广泛应用于人脸识别领域。 近年来许多研究成果表明,人脸图像很可能位于一个非线性流形上。许多流形算法被提出,如等距映射(Isomap)、局部线性嵌入(LLE)和拉普拉斯特征映射(Laplacian eigenmaps)。它们通过保持原始数据的局部关系结构以探索人脸的非线性流形结构。虽然局部线性嵌入和拉普拉斯特征映射都能很好地揭示人脸数据的内部结构,但是这些方法一般不能直接用于人脸识别,因为它们得到的明晰投影矩阵很难直接提取出新样本的特征。此后,He等提出了局部保持映射算法(locality preserving projections,LPP),并将其成功地应用于人脸识别。 LPP是一种新的子空间分析方法,它的本质就是对拉普拉斯特征映射的线性逼近。它既解决了PCA等传统线性方法难以保持原始数据非线性流形结构的缺点,又解决了非线性方法难以获得新样本点低维投影的缺点。然而,当人脸图像的光照、姿态、表情等发生较大变化时,LPP的识别率会显著下降。为克服此问题,通常可采用鲁棒度量和子模式化等方法解决。采用鲁棒度量的方法求解一般较复杂、计算代价高。基于子模式主成分分析(subpattern_based principal component analysis,SPPCA)人脸特征提取算法将子模式与PCA相结合充分利用人脸的局部信息,增强了算法的鲁棒性。该方法主要基于以下考虑:在人脸识别过程中,当人脸的表情和光照等外部因素发生变化时,人脸图像仅部分区域发生明显的变化,其他区域变化不大或无变化,因此对划分后的子图像进行分析可以充分捕捉人脸的局部不变信息,从而有利于模式分类。受到SPPCA人脸特征提取算法的启发,本文提出了一种子模式局部保持映射(subpattern locality preserving projections,SPLPP)人脸特征提取算法。该算法首先将人脸图像不重叠地划分成多个子图像,将人脸图像中对应位置的子图像分别组成一子模式训练集,然后对每个子模式训练集单独使用LPP提取特征,最后将这些特征组合成一个全局特征向量用于模式分类。在Yale,ORL,FERET人脸图像库上的实验表明,本文提出的SPLPP算法具有较强的鲁棒性且取得了较Eigenface、Fisherface、LPP算法更高的识别率。 1 子空间分析 1.1 局部保持映射算法 假定N个人的人脸图像组成的训练样本集为{x0,x1,…,xn},共C个类。Ni,ui分别表第i类人脸图像的样本和均值,全部人脸的样本均值为u。 主成分分析是从样本协方差矩阵S中寻找1组正交的单位向量来描述人脸空间的最大差异。样本协方差矩阵S的定义为 S=1ΝΝ∑i=1(xi-μ)(xi-μ)Τ(1) 其中Τ表示矩阵的转置。线性判别分析(LDA)目的是最大化类间散度Sb而最小化类内散度Sw。Sb和Sw的定义为: Sb=c∑i=1(μi-μ)(μi-μ)Τ(2) Sw=c∑i=1∑xk∈Νi(xk-μi)(xk-μi)Τ(3) 由式(2)和(3)得最优投影矩阵wopt后便可获得最佳的分类特征。wopt表示为 Wopt=argmaxw|WΤSbW||WΤSwW|(4) 1.2局部保持映射算法LΡΡ算法的目标是寻找一个最优转换矩阵W将高维空间Rn中的数据集x={x0,x1,?,xn}映射为低维空间Rl(ln)中的数据y={y0,y1,?,yn},即:yi=wΤxi,i=1,?,Ν,使得Rl空间中互为近邻的两点经W映射后在低维空间仍互为近邻。为了达到这个目的?LΡΡ最小化下面的目标函数∶ ∑ij(yi-yj)sij(yi-yj)Τ(5) S=[Sij]i,j=1,?,Ν为权值矩阵,Sij定义为 Sij={exp(-∥xi-xj∥2/t)?若xi为xj的近邻或xj为xi的近邻0?其他(6) 其中t是常数。经过代数变换?可得最优化目标函数WΤXLXΤW?其中x={x0,x1,?,xn}。L=D-S?L为Laplacian矩阵?D为对角权值矩阵,其对角元素为S的行(或列)元素之和。矩阵D表示领域图节点的测度?Dii值越大表明样本点xi越重要。给出约束条件∶yΤDy=1?wΤXDXΤW=1这时最小化问题就转化为求解 argminwΤXLXΤwwΤXDXΤW=1(7) 进而?式(5)的最小化可以转换成求如下广义特征值问题∶ X