《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 一種基于KPCA與LDA的人臉識(shí)別改進(jìn)算法
一種基于KPCA與LDA的人臉識(shí)別改進(jìn)算法
來(lái)源：電子技術(shù)應(yīng)用2013年第12期
郝靜靜1， 李 莉2
1. 開(kāi)封大學(xué) 信息工程學(xué)院，河南 開(kāi)封 475004； 2. 河南工程學(xué)院 計(jì)算機(jī)科學(xué)與工程系， 河南 鄭州 450007
摘要： 提出一種核主元分析和線性判別分析相結(jié)合的人臉特征識(shí)別改進(jìn)算法。采用核主元分析法對(duì)人臉特征信息數(shù)據(jù)進(jìn)行主分量提取，以消除數(shù)據(jù)特征間的相關(guān)性和壓縮特征向量的維數(shù)。通過(guò)引入成對(duì)加權(quán)Fisher準(zhǔn)則和正則化規(guī)則對(duì)線性判別分析法進(jìn)行改進(jìn)，進(jìn)而實(shí)現(xiàn)人臉的自動(dòng)識(shí)別。基于ORL人臉庫(kù)進(jìn)行的實(shí)驗(yàn)表明，此改進(jìn)算法能夠有效識(shí)別庫(kù)中的人臉，識(shí)別率達(dá)91.7%，與K近鄰法和主元分析法相比有較高的識(shí)別率。
中圖分類號(hào)： TP391.4
文獻(xiàn)標(biāo)識(shí)碼： A
文章編號(hào)： 0258-7998(2013)12-0132-03
An improved face recognition algorithm based on KPCA and LDA
Hao Jingjing1, Li Li2
1. College of Information Engineering, Kaifeng University, Kaifeng 475004, China; 2. College of Computer Science and Technology, Henan Institute of Engineering, Zhengzhou 450007, China
Abstract： Put forward a kind of the face feature recognition method combining kernel principal component analysis and linear discriminant analysis. According to the characteristics of human face information, first use kernel principal component analysis method to principal component extraction of data, eliminate the correlation between data characteristics and compression feature vector dimensions, and then improve the linear discriminant analysis method by introducing Weighted Pairwise Fisher Criterion(WPFC) and regularization rules, thus realize face automatic identification. The experiment based on ORL face database shows that this method can effectively identify faces in libraries and recognition rate reaches 91.7%. Application of this method has higher recognition rate compared with neighboring method and PCA.
Key words : KPCA; LDA; face recognition; feature extraction; dimension disaster

    人臉識(shí)別是一種重要的生物特征識(shí)別技術(shù)，在公共安全、信息安全、金融等領(lǐng)域具有廣闊的應(yīng)用前景[1]。近年來(lái)隨著檢測(cè)技術(shù)、信號(hào)處理技術(shù)和模式識(shí)別技術(shù)的長(zhǎng)足發(fā)展，國(guó)內(nèi)外學(xué)者對(duì)人臉識(shí)別技術(shù)進(jìn)行了更加深入的研究[2]。國(guó)外學(xué)者DABBAGHCHIANA S采用離散余弦變換DCT(Discrete Cosine Transform)對(duì)ORL人臉庫(kù)的圖像進(jìn)行特征提取，用鑒別能力分析DPA(Discrimination Power Analysis)對(duì)其進(jìn)行識(shí)別[3]；國(guó)內(nèi)李勇周等人采用核嶺回歸的鄰域保持最大間隔分析法,在標(biāo)準(zhǔn)人臉庫(kù)中進(jìn)行實(shí)驗(yàn)，取得很好的識(shí)別性能[4]；甘俊英采用非線性Radon變換對(duì)ORL人臉庫(kù)中圖像進(jìn)行特征提取與識(shí)別,識(shí)別率為90.5%[5]。在眾多已有的人臉識(shí)別方法中,主成分分析PCA(Principal Component Analysis)和線性判別分析LDA(Linear Discriminant Analysis)具有運(yùn)算少、描述能力強(qiáng)和可分性好等特點(diǎn)[6]。PCA是一種線性數(shù)據(jù)降維算法， 但不能取出數(shù)據(jù)中非線性的結(jié)構(gòu)。針對(duì)人臉識(shí)別過(guò)程中數(shù)據(jù)非線性的特點(diǎn),采用核主元分析法KPCA(Kernel Principal Component Analysis)能夠很好地保留數(shù)據(jù)的非線性結(jié)構(gòu)，從而更好地保留原數(shù)據(jù)信息量[7-8]。線性判別分析法(LDA)是用于判斷樣本所屬類型的一種統(tǒng)計(jì)分析方法，廣泛應(yīng)用于不同領(lǐng)域。在人臉識(shí)別中，LDA分類器的準(zhǔn)確率優(yōu)于前面提到的那些復(fù)雜的判別方法，同時(shí)還具有易于實(shí)現(xiàn)和訓(xùn)練更迅速等優(yōu)點(diǎn)[9-10]。實(shí)驗(yàn)證明采用LDA分類器對(duì)ORL人臉數(shù)據(jù)庫(kù)進(jìn)行模式識(shí)別正確率高，達(dá)到91.7%以上，且魯棒性好。

1 核主元分析法在人臉識(shí)別中的應(yīng)用
    采用核主元分析(KPCA)來(lái)解決有監(jiān)督情況下的非線性數(shù)據(jù)的降維問(wèn)題。KPCA的核心思想是采用非線性變換將輸入數(shù)據(jù)空間映射到高維空間，使非線性問(wèn)題轉(zhuǎn)換為

 



    當(dāng)多項(xiàng)式核指數(shù)參數(shù)為0.7時(shí)，識(shí)別率最高達(dá)到91.7%。表1所示為K近鄰、PCA+LDA和KPCA+改進(jìn)LDA 三種識(shí)別方法對(duì)ORL人臉庫(kù)進(jìn)行實(shí)驗(yàn)的實(shí)驗(yàn)結(jié)果。

    從表1可得,使用KPCA+改進(jìn)LDA方法的人臉識(shí)別率達(dá)91.7%，特征維數(shù)為14維。與K近鄰法和PCA+LDA法相比KPCA+改進(jìn)LDA方法不僅識(shí)別率更高，且更能有效地提取ORL人臉庫(kù)中圖像數(shù)據(jù)特征。
    針對(duì)人臉識(shí)別過(guò)程中樣本數(shù)據(jù)的非線性、高維數(shù)和小樣本等特點(diǎn)，提出了一種KPCA和改進(jìn)LDA相結(jié)合的人臉識(shí)別新方法。由實(shí)驗(yàn)可得，應(yīng)用KPCA不僅能夠很好地對(duì)ORL人臉數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行降維，降低數(shù)據(jù)間的冗余度，而且能夠抽取數(shù)據(jù)中的非線性結(jié)構(gòu)，有效地保留非線性數(shù)據(jù)。應(yīng)用LDA改進(jìn)算法對(duì)降維后的數(shù)據(jù)進(jìn)行分類識(shí)別，識(shí)別率達(dá)91.7%，與K近鄰和PCA相比，該算法識(shí)別率較高，而且算法簡(jiǎn)單，運(yùn)算量小，魯棒性好。
參考文獻(xiàn)
[1] RAHMAN S, NAIM S M, FAROOQ A, el al． Curvelet  texture based face recognition using principal component  analysis[C]．Proceedings of 13th International Conference on  Computer and Information Technology (ICCIT 2011),Dhaka,Bangladesh, 2010．
[2] MANDAL T, JONATHAN Q M, Wu Yuanyuan． Curvelet based face recognition via dimension reduction[J]． Signal  Processing(S0165-1684), 2009,89(12):2345-2353．
[3] DABBAGHCHIANA S, GHAEMMAGHAMI M P, GHAGO-LZADEH A． Feature extraction using discrete cosine transform and discrimination power analysis with a face recognition technology[J]．Pattern Recognition,2010(2):1431－1440．
[4] 李勇周,羅大庸,劉少?gòu)?qiáng).核嶺回歸的鄰域保持最大間隔分析的人臉識(shí)別[J].模式識(shí)別與人工智能,2010,23(1):23-28.
[5] 鄒修國(guó), 李林, 陸靜霞. 基于DSP的人臉Hu矩識(shí)別研究[J]. 電子技術(shù)應(yīng)用,2012,38(11):150-152.
[6] 張寶峰,趙靜,朱均超.一種基于膚色的快速人臉檢測(cè)算法[J].微型機(jī)與應(yīng)用,2013,32(12):38-41.
[7] 伊力哈木·亞爾買買提.基于改進(jìn)型PCA和LDA融合算法的人臉圖像識(shí)別[J].計(jì)算機(jī)仿真,2013,30(1):415-418.
[8] 劉昶,周激流,郎方年,等.基于加權(quán)判別局部多線性嵌入的人臉識(shí)別[J]. 儀器儀表學(xué)報(bào), 2011,32(10):2248-2255.
[9] 鄒建法,王國(guó)胤,龔 勛.基于增強(qiáng)Gabor特征和直接分步線性判別分析的人臉識(shí)別術(shù)[J].模式識(shí)別與人工智能,2010,23(04):477-482.
[10]    田玉敏, 云艷娥, 馬天駿. 判別近鄰保持嵌入人臉識(shí)別[J].西安電子科技大學(xué)學(xué)報(bào),2011,38(3):24-28.

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。