一种基于KPCA和LDA的人脸识别融合算法.pdfVIP

· 2 · 科技论坛 一 种基于KPCA和LDA的人脸识别融合算法 李德宁 熊 操 刘 侠 (哈尔滨理工大学 自动化学院，黑龙江 哈尔滨 150080) 摘 要：针对核主成分分析法KPCA和线性鉴别分析法LDA分别单独运用于人脸识别过程中的识别率不高的特点。提 出一种将两 者融合的算法——KFD算法。使用KPCA方法进行样本分类并降低特征维数，在KPCA变换空间中用LDA方法进行次级特征抽取，将 KPCA、LDA和KFD方法分别应用于ORL人脸库，比较实验数据，结果表明KFD方法的识别效果明显优于KPCA与LDA单独使用的 情况，验证 了KFD方法的有效性。 关键词：人脸识别；核主成分分析；缌陛鉴别分析；特征抽取 ；ORL人脸库 1概述 入脸识别技术与指纹或语音等生物特征相比具有更加直接、友好等 特点，这是—种通过计算机提取出^睑特征，并根据这些特征进行身份验 证和识别的技术。近年来该技术得到飞速发展，并被广泛地用于身份鉴 定、信息安全和门禁考勤识别等方面，是模式识别与人工智能领域的研究 热点之一。 2KPCA算法 2．1K—L变换 图1ORL人脸图像样本 PCA算法的基本思想是K—L变换，这是图像压缩领域中的一种最 优正交变换，被用于统计特征提取，从而形或子空间法模式识别的基础。 表 1KPCA，LDA和 KPCA+LDA的识别结果对比 它适用于任意概率分布，是在均方误差最小意义下获得数据压缩的最佳 变化，将其用于人脸识别时，需假设 ^脸处于低维线生『空间且不同的人脸 具有可分I生。由于高维图像经过K—L变换后可得到一组新的正交基，因 此可通过保留能量较大的正交基，用来生成低维 ^脸空间。 其中共40个人，每个 ^分别都包含了在不同光照条件，表情和姿态都变 22核主皎 KPCA ． 化的l0幅不同人脸图像，—共400幅图像。每张原始图像都是256灰度 KPCA方法-E疋I~1．PCA在核空间中的非线性推广，核技术的基本思想是 级，且尺寸为 112x92的灰度图像。硬件采用HP计算机，包括硬盘 通过—个非线陛变换将输入 p【R q—个高维特征空间 160G、内存 1G、奔腾4处理器等，保证了系统正常的运行。 图1为部分 S之中：S {(x)：x∈R) ORL人脸图伤 羊本。 然后在核空间 匕对数据进行分析，即把在输入空间无法线性分类的 在实验过程中我们将每个人．的第一幅图像作为训练洋本，然后用其 数据变换到特征空间来，实现线I生可分。KPCA就是—种在特征空间中进 余的图像进行测试，即40个总共训练样本数 目和360个总共测试样本 行PCA的)祛。在计算上，并 ={需要明确的计算这个非线眭变换 ，只 数目。我们分目惘 KPCA、LDA和KPCA+LDA方法进行训练和识别，基 需要通过—个点积核函数来计算核空间S中两两向量的点积即可。该方 于每组原始特征数我们提取出c一1=9个特征向量。我们选取两类核函 法在分类前对图像数据进行预处理，这样可有效提取输入集合中的非线 数，一个是PolynomiM二阶多项式核k(x _x(y+l，另一个是GauSsian 性结构信息，不仅减少了输入向量的维数，而且也能提高分类精度和速 高斯核kx(,y)=exp(-IIx—yll~／8)，其中参数选取 8为n3n(n是输入空间维 度。 数)c对于这两种核方法我们选取m=40，同时也将单独使用KPCA和 3LDA算法 ’ LDA两种方法的识别效果加入实验结果的对比之中，最后我们使用最小 模式识别领域中的线性鉴别分析LDA也称为Fisher线性判别 予分类。表 1中歹U出了 FLD，其基本思想是将高维空间的模式样本投影到最佳鉴