刘 嵩,谭建军

(湖北民族学院 信息工程学院,湖北 恩施445000)

1 引 言

人脸识别是计算机视觉中的一个热点,其较为关键的技术就是特征提取。主元分析法(Principle Component Analysis,PCA)是经典的特征提取方法,它提取的特征是代数特征,满足投影方差最大的原则,且是相互正交的[1]。但PCA 方法没有利用样本数据的高阶信息,而高阶信息更有利于人脸分类。基于核的非线性变换因其在支持向量机(SVM)中出色应用而引起众多研究人员关注,为了利用样本的高阶信息,研究人员将核函数的思想引入到人脸识别中。Scholkopf 提出了核主元分析(Kernel Principle Component Analysis,KPCA)的方法来提取特征,并应用于人脸识别[2]。KPCA 基本思想是:首先通过非线性映射将原始样本数据从低维空间变换到高维特征空间,然后在这个新的空间中使用PCA 方法。为避免“维数灾难”问题,引用支持向量机(Support Vector Machine,SVM)中的核函数,即用满足Mercer 条件的核函数来计算特征空间中向量的内积[3-5],避免了显式的求解映射函数。实验结果表明,KPCA不仅能够抽取非线性特征,而且有着比主成分分析更好的识别效果。

然而,基于KPCA 的人脸识别方法需要多次计算内积来求解核矩阵,其耗时占总识别时间的80%以上,特别是在样本维数较高的时候更为明显。另外考虑到在工程实践中对成本、体积、后期升级等方面的要求,传统的基于PC 机的人脸识别算法在实际应用中受到很大限制。随着数字信号处理(Digital Signal Processing,DSP)技术的快速发展,其运算能力显著提高,能实时处理海量数据,同时拥有较高的性价比[6]。……