APP下载

基于改进PCA与FLD算法的人脸识别

2016-05-19丁朔

电脑知识与技术 2016年8期

丁朔

摘要:该文研究人工智能中人脸识别的问题,由于受到光照以及人脸表情等各种因素的影响,论文中我采用的是改进的主成分分析算法(PCA)和Fisher LDA(FLD)算法相结合,使PCA算法具有灰度归一化的能力。首先将训练样本的人脸图像进行预处理,将每一张图片转换成一个列向量,最后所有的列向量合成一个矩阵。利用K-L变换提取一个低位特征空间来表示人脸图像,得到特征脸空间。在Fisher鉴别准则下,求一个最佳鉴别方向,从高位特征向量投影到最佳鉴别方向上构成一个鉴别特征空间,训练样本获最佳描述特征,然后将特征脸空间降维,得到各类人脸特征库,接着将待识别的人脸进行PCA降维以及通过FLD分类器,在特征脸数据库中寻求与该人脸欧氏距离最近的人脸图像。该文算法是用人脸数据库进行测试。最终确定本论文的方案切实可行,能够将人脸的各种表情以及图片缺失或者重组等特殊情况均可识别并匹配。

关键词:改进的PCA算法;FLD算法;K-L变换;最佳描述特征

中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2016)08-0164-02

1 算法

本课题的思想是在人脸识别过程中,光照对于识别率的影响很大,为了克服光照条件对于特征值即特征空间的影响,我们对主成分分析法PCA算法进行改进,使其具有灰度归一化的能力然后将其与Fisher LDA方法相结合,克服人脸识别过程中光照对于识别目标的影响,进一步提高人脸识别的准确率。

首先处理样本训练库,利用K-L变换提取低位特征空间,然后利用主成分分析法PCA提取已定位的人脸区域得到人脸特征,从而得到特征脸空间。……

登录APP查看全文