线性子空间在人脸识别中的应用研究
2018-11-26张静然
张静然

摘要:为解决依据图像表现的人脸识别问题,对原图像维数进行约简必不可免,子空间降维人脸识别技术是当前研究的一个热点。直接对测试样本采取投影降维,简单高效。该文对两种有效子空间特征提取算法进行研究,并在YALE人脸库上进行识别率对比实验。
关键词:线性子空间;人脸识别;投影降维
中图分类号:TP391 文献标识码:A 文章编号:1009-3044(2018)22-0182-02
Abstract:In order to solve face recognition problem based on image representation, dimensionality reduction is inevitable in solving computer vision problems. As a dimensionality reduction and feature extraction technique, linear subspace is a popular research hotspot in face recognition. Directly mapping the samples to a low-dimensionality space is an easy and effective method. Two kinds of effective subspace feature extraction algorithms were researched, and comparison of face recognition rate experiment was conducted in YALE database.
Keywords: linear subspace; face recognition; dimension reduction
1 引言
早期的特征提取研究算法采用幾何特征算法,如人脸眼鼻嘴等位置和形状来进行简单描述,这种算法在数据维度方面很简单经济但特征不可靠,而且会丢失大量人脸纹理特征,所以早期这种算法不是很有效。另一种采用测试图像与库图像进行模型匹配。基于几何特征的算法受限制较多,对图像质量和次用特征的可靠性都有较高要求;模板匹配的算法有极大发展。近年来人脸识别主要算法包括子空间分析降维算法、稀疏表示的分类算法、通过深度学习的自动特征提取算法。
求取人脸图像在该低维流形空间的表现,不仅能降低特征维度减小计算复杂度而且能提取对分类有利的特征。各种子空间算法也就体现在如何高效地寻求该子空间。每幅人脸图像都能用低维特征向量来高效表示,相较于原图像中的特征向量在子空间中提取的特征向量可以提供更显著和丰富的信息[1]。
2 线性子空间
常用子空间算法有主成分分析(Principal Component Analysis, PCA)和监督的线性判别分析(Linear Discriminant Analysis, LDA)。PCA通过将训练数据集投影到数据方差变化方向最大的投影轴上,以使重构误差最小,实现算法是将重构误差最小函数转化为求特征散度矩阵的前d个最大特征向量,一次构成投影变换矩阵。……
