未来智讯 > 人脸语音识别论文 > 改进的PCA人脸识别算法研究

改进的PCA人脸识别算法研究

发布时间:2018-05-09 11:32:00 文章来源:未来智讯    
    关键词:图像处理;人脸识别;PCA算法;LDA算法;特征空间
    DOIDOI:10.11907/rjdk.172280
    中图分类号:TP312
    文献标识码:A 文章编号:1672-7800(2018)002-0015-04
    0 引言
    人脸识别是最早在19世纪末由美国科学家提出的一种生物识别技术,进入新世纪以来,随着计算机科学的快速发展,人脸识别技术也发展迅速,并以其唯一性、简便性、隐蔽性、安全性等特点成为模式识别及图像处理领域的研究热点,广泛应用于智能交通、军事作战、智能安防等社会领域[1]。主成分分析方法作为特征提取方法,具有快速、操作简便等优点,但在现实中依旧会受到人脸图像分辨率、光照、角度等要素影响,造成实际结果与理论结果有很大差距。为了提高识别率,采用图像直方图均衡化、中值滤波对人脸图像进行预处理,在传统的PCA算法上结合LDA算法消除子空间误差,同时利用粗糙集知识和神经网络来提高人脸识别准确率。
    1 图像预处理
    图像预处理是对待识别人脸作一些数据方面的处理,不论采用什么角度、采集设备与采集方案,得到的图片往往并不完美,需要利用图像预处理去除其中的噪声等干扰信息,并突出有用信息,比如图像边缘信息,以更好地进行下一步识别。本文采用的图像预处理方法包括图像增强、噪声抑制及边缘检测。
    1.1 图像增强
    直方图均衡化的主要思想是对图像中像素个数多的灰度级进行展宽,同时压缩像素个数少的灰度级,以扩展像素取值动态范围,提高对比度,改善灰度色调变化,使图像更加清晰[2]。
    通过直方图均衡化处理的效果如图1所示。
    1.2 噪声抑制
    噪声点处像素的灰度值通常比非噪声点像素灰度值大或小,可以用一些合适的灰度值代替噪声点像素的灰度值,以达到理想的滤波效果。中值滤波的主要思想是,对整个图像的灰度值进行重新排序,把灰度值突然变大(小)的噪声点放在最左(右)边,最终研究处于中间的非噪声点数据,以实现抑制噪声的效果[3]。
    中值滤波的基本原理是取一个二维模板矩阵,将需要滤波的图像像素点按单调序列进行排列,然后利用滤波公式:
    其中,f(x,y)、g(x,y)为原图像和处理后的图像,W为二维模板。中值滤波效果如图2所示。
    1.3 边缘检测
    边缘检测的目的是提取图像边缘信息,根据边缘情况分割图像,获取所需的人脸图像。使用最多的边缘检测方法是Canny算子,以下为Canny算子检测过程。
    由于高斯函数具有可分性,可以把G分解成两个在行列方向上的一维滤波器:
    按照Canny的定义,计算出Gn与图像f(i,j)的卷积在边缘方向上的最大值即为中心边缘点,根据每个点在梯度方向上的强度大小进行判断,如果该点强度是最大值,该点则为边缘点。Canny检测效果如图3所示。
    2 K-L�换
    K-L变换是指由矢量信号M的协方差矩阵ω中的归一化特征正交矢量N所组成的正交矩阵P,对于矢量信号M作正交变换Y=PM,称这个变换为K-L变换[4]。假定n是一个M×1的向量集合n={n1,n2,n3,…,nm},ni是变量n的平均值,可以统计M个样本的向量估计。
    向量信号在K-L变换前后是相同的,然而在变换前后各个分量各不相同。该做法不但最大程度地保留了所需信息,而且降低了图像维数,更有利于数据的压缩与存储。
    3 基于PCA算法的人脸识别
    3.1 PCA介绍
    主成分分析(PCA)是一种数学上的降维方法,其原理是将原来具有一定相关性的指标重新组合,然后用一组新的互不相关的综合指标取代原有指标,实现对主成分分析的解释,并且最大限度地保留原数据的结构分布,在最小均方意义下建立最能代表原始数据的投影,从而达到空间特征降维的目的[5]。
    3.2 PCA算法流程
    如果人脸库有N个人脸图像,可以用I1,I2,I3,…,IN表示,由公式得到人脸库中人脸图像的平均脸:
    以上给出了以主成分分析为基础的人脸识别算法的全部步骤,其中包括了重要的K-L变换,并利用MATLAB仿真软件设计了一个人脸识别系统。通过人脸样本的训练建立标准库,接着对注册人员进行识别,并研究了特征值选择与距离标准问题。为进一步提高人脸识别效率,研究发现PCA算法对异常数据比较敏感,异常数据会使估计子空间偏差较大,不能反映真实状况,同时无法处理非线性数据[6]。为了尝试解决该难点,提出利用PCA -LDA构建特征脸的方法,并通过对比实验验证该算法效果。
    4 PCA-LDA人脸识别
    LDA(Linear Discriminant Analysis)算法是从特征空间提取一些重要特征,这些特征具有判别能力,同时可以聚集同类样本,分隔开不同样本。选取使样本类间离散度Sb与样本类内离散度Sw之间比值达到最大的特征。也即是说,样本类间离散度越大,代表样本间间隔越大越好,样本内离散度越小越好[7]。具体定义为:
    LDA算法通常遇到的小样本问题可以通过PCA-DAL融合算法解决,首先利用改进的PCA算法对人脸图像进行降维处理,将人脸图像投影到特征子空间,保证类内离散度矩阵是非奇异的,并利用LDA算法在次特征空间取得最优变换[8]。
转载请注明来源。原文地址:https://www.7428.cn/page/2018/0509/16978/
 与本篇相关的热门内容: