全球旧事资料 分类
的特征值和对应特征向量进行识别。这种方法利用图像的总体信息,不从图像中提取出眼、嘴、鼻等几何特征,算法较简单且具有较高的识别率。
主成分分析法PCA是模式识别判别分析中最常用的一种线性映射方法,该方法是根据样本点在多维模式空间的位置分布,以样本点在空间中变化最大方向,即方差最大的方向,作为判
f别矢量来实现数据的特征提取与数据压缩的。从概率统计观点可知,一个随机变量的方差越大,该随机变量所包含的信息就越多,如当一个变量的方差为零时,该变量为一常数,不含任何信息。
21利用PCA进行特征提取的经典算法Eige
face算法
在利用PCA进行特征提取的算法中,特征脸方法Eige
face是其中的一个经典算法。特征脸方法是从主成分分析导出的一种人脸识别和描述技术。特征脸方法就是将包含人脸的图像区域看作是一种随机向量,因此可以采用KL变换获得其正交KL基底。对应其中较大特征值的基底具有与人脸相似的形状,因此又称为特征脸。利用这些基底的线性组合可以描述、表达和逼近人脸图像,因此可以进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸张成的子空间上,比较其与己知人脸在特征空间中的位置,具体步骤如下:
1初始化,获得人脸图像的训练集并计算特征脸,定义为人脸空间,存储在模板库中,以便系统进行识别;
2输入新的人脸图像,将其映射到特征脸
f空间,得到一组关于该人脸的特征数据;3通过检查图像与人脸空间的距离判断它
是否是人脸;4若为人脸,根据权值模式判断它是否为
数据库中的某个人,并做出具体的操作。
22PCA人脸识别流程
完整的PCA人脸识别应该包括以下四个步骤:人脸图像预处理;读入人脸库,训练成特征子空间;把训练图像和测试图像投影到上一步骤得到的子空间上;选择一定的距离函数进行识别。下面详细描述整个过程:
1读入人脸库归一化人脸库后,将库中的每人选择一定数量的图像构成训练集,其余构成测试集。设归一化后的图像是N×N的,按列相连就构成N2维向量,可看作是N2维空间中的一个点,可以通过KL变换用一个低维子空间描述这个图像。2计算KL变换的生成矩阵,并求取图像的特征值和特征向量假设人脸图像库中有N幅人脸图像,用向量表示为X1X2XN向量维数设为L),其人脸平
f均图像如式(21)所示:
Xave
1N
Ni1
Xi
(21)
由此可得到每幅图像的均差,如式(22)
所示:
X
i

Xi

Xave

i12N
(22)
这样可计算协方差矩阵,如式(23)所示:
Cr
好听全球资料 返回顶部