一种基于半监督学习的2DPCA人脸识别方法.docVIP

一种半监督2DPCA人脸识别方法河北大学 数学与计算机学院摘要：2DPCA)方法，提出了一种半监督学习人脸识别方法。在二维主成分析的，利用少量具有类别标签的样本训练分类器，半监督自学习，未知类别标签的，。在ORL人脸库和Y人脸库的实验结果，表明了提出方法的有效性。 关键字：人脸识别；半监督学习；二维主成份分析法（2DPCA）；特征提取Semi-Supervised Learning based 2DPCA Face Recognition Method LI Kai，XU Zhiping School of Mathematic and computer, HeBei University, Baoding 071002 Abstract: By combining self-training method of the semi-supervised learning with two-dimensional principal component analysis (2DPCA), a semi-supervised learning based face recognition method is proposed. On the basis of two-dimensional principal component analysis, few labeled samples were used to obtain classifier. Then unlabeled samples were classified through the classifier. And according to the self-training method of semi-supervised learning, the face samples with the highest confidence are added to the training set in order to increase the number of face samples in training set. Experimental results on ORL face database and Yale face database show the effectiveness of the presented method. Key words：face recognition; semi-supervised learning;-Dimensional principal component analysis(2DPCA);feature extraction 1．引言 人脸识别模式识别领域的之一，与其他的生物特征识别技术相比，人脸识别具有直观、识别速度快、非侵扰性等特点，在视频监控、门禁考勤系统、犯罪调查等领域都有着重要的应用。人脸识别技术的关键步骤是人脸特征提取，到目前为止，研究者们提出了很多特征提取方法，其中主成份分析( Principal Components Analysis, PCA)[1]是最为经典的特征提取方法之一，它不但可以有效的降低人脸图像的维数，同时也能保留主要的识别信息，目前仍然被广泛的应用在人脸识别等模式识别领域。PCA方法需要将人脸图像转化一维向量，导致出现高维数据所无法避免的小样本问题和运算复杂度高的问题[2]，人脸的本质是一个二维矩阵，矩阵的行（列）向量间的相互关系也蕴含着一定的特征信息，而PCA方法在将图像矩阵转换成一维向量的过程中，将每个像素一个独立点来看待，这就丢失了图像的部分空间特征[3]。针对这些问题，研究者们提出了一些新的基于张量表示的特征提取方法，如二维主成份分析（2DPCA）[4]方法，该方法利用原始图像的二维像素矩阵直接计算协方差矩阵，然后对其特征分解求取特征空间，不需要将图像矩阵转化为一维向量，有效降低协方差矩阵维数，并且减少了计算复杂性；同时，由于对整个原始图像映射到特征空间，所以在特征提取过程中特征信息损失小，高识别率。充分利用无类别标签的数据，本文提出一种半监督学习2DPCA人脸识别法不仅能利用已知类别标签的数据，更能充分利用大量未知类别标签的人脸数据对进行，使法具有了自学习能力。 2 二维主成分分析（2DPCA）方法 设c类模式已知类别标签的集为Dl=A1，A2,…,Al,每类有i个其中l为训练样本总数，即未知类别标签的样本集为Du= B1，B2,…,Bu每个图像m×n矩阵。 2DPCA的思想是Xk（k=1，2，…，d），其中特征轴X为n维单位列向量将图像A通过线性变换Y=AXk（k=1，2，…，d）投影到特征轴X上，…,Yd]；最后利用最近邻方法确定被测人脸Bj的类别。下面给出有监督