基于高斯混合模型人脸图象识别研究.pdfVIP

基于高斯混合模型的人脸图象识别研究 廖 频，沈 理 中国科学院计算技术研究所，北京 100080 prann 曲 .}rn,Men o,eic,arr 摘 要 本文提出了一种人脸识别的新方法。人脸图象的差别被建摸为两个互斥的类:类内差别 (相同人 的不同人脸图象的差别)和类间差别 (不同人的人脸图象的差别).我们使用高斯混合模型估计这两个类 的主特征空间的概率密度，进而由最大似然法得到匹配相似度.在ORL库上的实验结果表明，我们的方 法比标准的特征脸匹配方法的错误识别率减少了45%, 关键词 人脸识别，密度估计，高斯混合模型，最大似然，主成分分析. 长) ClassificationofFacialImagesBasedonGaussianMixtureModels LiaoPin,ShenLi InstituteofComputingTechnology,ChineseAcademyofSciences,BeUing100080 plia嗯gscirtacrn,kh}n她s,ictaern AbstractWeproposeanewtechniqueforfacerecognition.Thedifferencesbetweenfacialimagesaremodeled astwomutuallyexclusiveclasses:within-classdifferences(differencesinappearanceofthesameindividual)and between-classdifferences(differencesinappearancebetweendifferentindividuals).ThenGaussianmixture models(GMMs)areappliedtoestimatetheeigenspacedensitiesofthetwoclasses.Andsubsequentlyamatching similaritymeasureiscomputedbasedonthemaximumlikelihood(ML)method.Theexperimentalresultson ORLdatabaseshowedthatthenewmethodachieved”muchas45%errorreductioncomparedtothestandard eigenfaceapproach. KeywordsFacerecognition,densiytestimation,Gaussianmixturemodels,maximum likelihood,principal componentanalysis. 1引言 人脸识别研究可追溯到六十年代Bledsoe的工作[[11，近十几年来己经发展成为模式识 别与计算机视觉的一个活跃的研究领域。针对于2D灰度人脸图象，由Turk和Pentland提 出的特征脸匹配方法[31以及在其基础上发展出来的系列方法近年来在国际上非常流行，这 些方法 一般都使用欧氏距离和最近邻方法得到图象的相似度。特征脸匹配方法目前已经成 为人脸识别领域中一个普遍使用的比较基准。 对于每人有多幅人脸图象的情况，通常的统计模式识别方法将每个人视为一类，侮类 有多个训练样本，根据各类中的样本情况，或者估计各类的类条件概率密度 (如最大似然 估计、Parzen窗估计等)，或者直接构造判定边界 (如Fisher线性判别、多层感知机、支持 459 向量机等)[2], 然而，在许多实际应用中往往每个人只有一幅图象。由于数据的缺乏，无法使用通常 的类建模方法，因而基于欧式距离和最近邻法的标准模板匹配方法被较多地采用。欧式距 离的一个主要缺点在于:它不考虑特征向量各维之间的相关性，单纯将每一维都平等对待。 因此，一种新的分类建模思想被提出4【][5][6]，即人脸图象差别可以定义两类差别:类 内差别 (同一个人的不同人脸图象的差别)和类间差别 (不同人的人脸图象的差别)。 Maghadd