非线性角度2DPCA及其在人脸识别中的应用
2021-04-23周水生
乔 慧,周水生
西安电子科技大学 数学与统计学院,西安710126
主成分分析(PCA)[1]是常见的降维方法并且广泛应用于人脸识别领域。PCA 的目的是寻找方差最大的低维数据。但在人脸识别问题中,PCA首先需要将二维图像矩阵逐行或逐列排列成高维向量,这在一定程度上破坏了图像的二维结构以及图像的邻域结构信息。并且当样本数目相对较小且图像分辨率高时,重新排列导致训练样本维数过高,协方差矩阵过大,求解困难。为解决这一问题,Yang等[2]提出了二维主成分分析(2DPCA),此方法不需要将矩阵重新排列成向量,而是直接将图像矩阵并排,这样大大降低了图像协方差矩阵的规模,同时也较好地保留了图像的二维信息。2DPCA在图像处理领域具有广泛的应用[3-4]。
PCA和2DPCA都基于最小化L2范数平方之和,但在出现离群点时L2范数平方会使得实际投影方向偏离实际值,所以其鲁棒性较差。为提升鲁棒性,L1范数被用来代替L2范数,Ke和Kanade[5]提出L1-PCA并广泛地应用[6],通过最小化L1范数来得到投影矩阵。在此基础上,Wang 等[7]又提出了2DPCA-L1,能够很好地利用图像的空间结构。但L1范数的一个缺点是它不具有旋转不变性[8],而旋转不变性有助于避免算法的性能下降。基于这一问题,Wang 等[9]提出的F2DPCA,最小化重建误差的F范数,使得算法具有旋转不变性。但基于F范数的情形下,最小化重构误差不等价于方差的最大化。为了克服这一缺点,Gao 等[10]提出了角度2DPCA 方法,由于其本质是极小化角度的正切值,本文称之为Tan-2DPCA,该方法使用F 范数作为距离度量,最小化重构误差和方差之间的关系,不仅具有较强的鲁棒性,而且还具有旋转不变性。……
