未来智讯 > 人脸语音识别论文 > 改进的KPCA人脸识别技能研讨

改进的KPCA人脸识别技能研讨

发布时间:2018-11-30 01:06:05 文章来源:未来智讯    
    改进的KPCA人脸识别技能研讨作者: 吴林   摘 要:为了提高传统的核主元分析的识别率,论文提出了一种基于再生核的KPCA(Kernel Principal Component Analysis,KPCA)提取人脸特征.使用ORL人脸数据库进行实验,并且与传统的KPCA在识别率长进行了对照.实验数据证明,改进的KPCA不但可以抽取非线性数据而且有着比传统的KPCA有更好的识别效果.
  关键词:主元分析;特征脸;人脸识别
  DOI:10.16640/j.cnki.37-1222/t.2015.21.204
  0 引言
   Scholkopf等人最初提出了核主元分析,由于KPCA选取了非线性特征量,所以识别效果会比PCA更好.但单一使用的核函数会使得特征提取的数据有一定的缺陷和不足.因此,文章对单一核函数进行改进提出了一种再生核KPCA的人脸识别。
  1 核主元分析方法
   核主元分析方法的基本思绪是通过一个非线性映射函数,将输入数据 xk(k=1,...,l)(l为输入数据的个数) 映射到一个高维特征空间F ,再在F空间长进行线性主元分析.
   输入数据被映射为xk(k=1,...,L),假如
   (7)
   由于消掉一个常数对于求特征向量没有影响,因此只要算出k的特征值和特征向量就能够算出(5)式的解。
   设k的特征值为,相应的特征向量为,并设是第一个不为零的特征值。由于F中的特征向量需要规范化,即
   (8)
   因此根据(7)和(8)式得
   主元提取的目的便是计算测试样本在特征向量上的映射。设x是一个测试样本点,在F中的映射为,则
   (11)
   传统PCA提取主元的个数最多为输入向量的维数,然而在KPCA中,如果采样数超过输入维数时,主元提取的个数能够比输入维数多。 如果(3)式不成立时,需要对映射进行调整,设
  2 再生核函数
  2.1 再生核定义
   设X是一个抽象集,H是定义在X上的实值或复值函数f的Hilbert空间.X*X在域上的函数K(x,y)称为再生核, K(x,y)满足以下2个特性:
  
  
   如果H是一个具有再生核的可分的Hilbert函数空间,并且H中的正交基为,那么H中的再生核为:
   (15)
   文章介绍了一种选取δ函数在H1(R)和H2(R)的2种空间上计算再生核的技能。
   令K1(X)是算子的基本解,满足内积定义,
  的H1(R)的再生核是K1(x-y).令K2(X)
  是算子的基本解,满足内积定义,
  的H2(R)上再生核是K2(x-y)。
  2.2 Hn(R)核函数设计
  3 实验结果及分析
   (1)数据库描述。实验环境:WindowsXP+Matlab7.0,计算机的CPU:Dual Core Processor2.4 GHz,1.87GB内存.在实验中使用的是ORL人脸库,该数据库包含了40个人,每人采集10张分别率为112×92的黑白照片,一共400张灰度图像。该数据库可以充分地反应了同一个人不同人脸图像的差别。
   (2)分类效果的对照与分析。为了对照分类效果,本实验取ORL数据库中的每人任意5幅图像作为训练样本,其他5幅图像作为测试样本.然后对传统的KPCA和使用再生核改进的KPCA分辨抽取每个样本的前两个最佳辨别特征进行分析对照。从图1可看出传统KPCA只可较好识别同一人图片的差异,而对不同人之间的差异识别效果较差.从图2可看出使用再生核改进的KPCA不仅具有很好的类内可分性,类间散度也很好。
  4 结论
   利用H'(R)核函数和卷积算子能够设计出Hn(R)再生核函数.实验结果证明:再生核函数其分类效果比传统的KPCA要好,识别率较稳定,且时间复杂度大幅降低.由于,在选取核函数方法进行人脸识别时,使用预先选定的某种核函数 ,往往不是最佳的.因此,通过设计再生核函数,联合具体的工程实际应用,能够选出较为合适的核函数用于人脸识别.
  参考文献:
  [1]Daoqiang Zhang,Zhi-Hua Zhou,and Songcan Chen, Diagonal principal component analysis for facerecognition[J].PatternRecognition,2006,39(1):140-142.
  [2]Congde Lu,Taiyi Zhang,Xingzhong Du et al, “A Robust Kernel PCA Algorithm”[N], Proceedings of the Third International Conference on Machine Learning and Cybernetics,2004.
  [3]A.D.Back,and A.S.Weigend,A first application of independent component analysis to extracting strueture from stock returns[J].International Journal on Neural Systems,1998,8(4):473-484.
  [4]边肇祺,张学工.模式识别[M].北京:清华大学出版社,2000:450-490.
  作者简介:吴林(1983-),男,福建莆田人,硕士,讲师,研讨方向:模式识别。
转载请注明来源。原文地址:https://www.7428.cn/page/2018/1130/49127/
 与本篇相关的热门内容: