一种基于KPCA与LDA的人脸识别改进算法-AET-电子技术应用

一种基于KPCA与LDA的人脸识别改进算法

来源：电子技术应用2013年第12期

郝静静1，李莉2

1. 开封大学信息工程学院，河南开封 475004； 2. 河南工程学院计算机科学与工程系，河南郑州 450007

摘要： 提出一种核主元分析和线性判别分析相结合的人脸特征识别改进算法。采用核主元分析法对人脸特征信息数据进行主分量提取，以消除数据特征间的相关性和压缩特征向量的维数。通过引入成对加权Fisher准则和正则化规则对线性判别分析法进行改进，进而实现人脸的自动识别。基于ORL人脸库进行的实验表明，此改进算法能够有效识别库中的人脸，识别率达91.7%，与K近邻法和主元分析法相比有较高的识别率。

关键词： 软件核主元分析线性判别分析人脸识别特征提取

中图分类号： TP391.4
文献标识码： A
文章编号： 0258-7998(2013)12-0132-03

An improved face recognition algorithm based on KPCA and LDA

Hao Jingjing1, Li Li2

1. College of Information Engineering, Kaifeng University, Kaifeng 475004, China; 2. College of Computer Science and Technology, Henan Institute of Engineering, Zhengzhou 450007, China

Abstract： Put forward a kind of the face feature recognition method combining kernel principal component analysis and linear discriminant analysis. According to the characteristics of human face information, first use kernel principal component analysis method to principal component extraction of data, eliminate the correlation between data characteristics and compression feature vector dimensions, and then improve the linear discriminant analysis method by introducing Weighted Pairwise Fisher Criterion(WPFC) and regularization rules, thus realize face automatic identification. The experiment based on ORL face database shows that this method can effectively identify faces in libraries and recognition rate reaches 91.7%. Application of this method has higher recognition rate compared with neighboring method and PCA.

Key words : KPCA; LDA; face recognition; feature extraction; dimension disaster

人脸识别是一种重要的生物特征识别技术，在公共安全、信息安全、金融等领域具有广阔的应用前景[1]。近年来随着检测技术、信号处理技术和模式识别技术的长足发展，国内外学者对人脸识别技术进行了更加深入的研究[2]。国外学者DABBAGHCHIANA S采用离散余弦变换DCT(Discrete Cosine Transform)对ORL人脸库的图像进行特征提取，用鉴别能力分析DPA(Discrimination Power Analysis)对其进行识别[3]；国内李勇周等人采用核岭回归的邻域保持最大间隔分析法,在标准人脸库中进行实验，取得很好的识别性能[4]；甘俊英采用非线性Radon变换对ORL人脸库中图像进行特征提取与识别,识别率为90.5%[5]。在众多已有的人脸识别方法中,主成分分析PCA(Principal Component Analysis)和线性判别分析LDA(Linear Discriminant Analysis)具有运算少、描述能力强和可分性好等特点[6]。PCA是一种线性数据降维算法，但不能取出数据中非线性的结构。针对人脸识别过程中数据非线性的特点,采用核主元分析法KPCA(Kernel Principal Component Analysis)能够很好地保留数据的非线性结构，从而更好地保留原数据信息量[7-8]。线性判别分析法(LDA)是用于判断样本所属类型的一种统计分析方法，广泛应用于不同领域。在人脸识别中，LDA分类器的准确率优于前面提到的那些复杂的判别方法，同时还具有易于实现和训练更迅速等优点[9-10]。实验证明采用LDA分类器对ORL人脸数据库进行模式识别正确率高，达到91.7%以上，且鲁棒性好。

1 核主元分析法在人脸识别中的应用
采用核主元分析(KPCA)来解决有监督情况下的非线性数据的降维问题。KPCA的核心思想是采用非线性变换将输入数据空间映射到高维空间，使非线性问题转换为

当多项式核指数参数为0.7时，识别率最高达到91.7%。表1所示为K近邻、PCA+LDA和KPCA+改进LDA 三种识别方法对ORL人脸库进行实验的实验结果。

    从表1可得,使用KPCA+改进LDA方法的人脸识别率达91.7%，特征维数为14维。与K近邻法和PCA+LDA法相比KPCA+改进LDA方法不仅识别率更高，且更能有效地提取ORL人脸库中图像数据特征。
   针对人脸识别过程中样本数据的非线性、高维数和小样本等特点，提出了一种KPCA和改进LDA相结合的人脸识别新方法。由实验可得，应用KPCA不仅能够很好地对ORL人脸数据库中的数据进行降维，降低数据间的冗余度，而且能够抽取数据中的非线性结构，有效地保留非线性数据。应用LDA改进算法对降维后的数据进行分类识别，识别率达91.7%，与K近邻和PCA相比，该算法识别率较高，而且算法简单，运算量小，鲁棒性好。
参考文献
[1] RAHMAN S, NAIM S M, FAROOQ A, el al． Curvelet texture based face recognition using principal component analysis[C]．Proceedings of 13th International Conference on Computer and Information Technology (ICCIT 2011),Dhaka,Bangladesh, 2010．
[2] MANDAL T, JONATHAN Q M, Wu Yuanyuan． Curvelet based face recognition via dimension reduction[J]． Signal Processing(S0165-1684), 2009,89(12):2345-2353．
[3] DABBAGHCHIANA S, GHAEMMAGHAMI M P, GHAGO-LZADEH A． Feature extraction using discrete cosine transform and discrimination power analysis with a face recognition technology[J]．Pattern Recognition,2010(2):1431－1440．
[4] 李勇周,罗大庸,刘少强.核岭回归的邻域保持最大间隔分析的人脸识别[J].模式识别与人工智能,2010,23(1):23-28.
[5] 邹修国, 李林, 陆静霞. 基于DSP的人脸Hu矩识别研究[J]. 电子技术应用,2012,38(11):150-152.
[6] 张宝峰,赵静,朱均超.一种基于肤色的快速人脸检测算法[J].微型机与应用,2013,32(12):38-41.
[7] 伊力哈木·亚尔买买提.基于改进型PCA和LDA融合算法的人脸图像识别[J].计算机仿真,2013,30(1):415-418.
[8] 刘昶,周激流,郎方年,等.基于加权判别局部多线性嵌入的人脸识别[J]. 仪器仪表学报, 2011,32(10):2248-2255.
[9] 邹建法,王国胤,龚勋.基于增强Gabor特征和直接分步线性判别分析的人脸识别术[J].模式识别与人工智能,2010,23(04):477-482.
[10]   田玉敏, 云艳娥, 马天骏. 判别近邻保持嵌入人脸识别[J].西安电子科技大学学报,2011,38(3):24-28.

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容