《电子技术应用》

基于优化的LMNLDA的人脸识别研究

来源:微型机与应用2011年第12期 作者:苗春玉,闫德勤
2011/9/30 9:10:59

摘  要: 提出了一种优化的LMNLDA的人脸识别方法。为了减弱边缘类对投影方向的主导作用,重新定义类间散度矩阵,克服了边缘类对选择最佳投影方向的影响,从而达到最优化。同时,在计算特征值时通过因数分解的方法避免了对矩阵求逆,解决了小样本问题。在人脸数据库YALE、ORL和PIE上进行试验,证明实验结果的有效性。
关键词: 线性判别分析;散度矩阵;最大边际近邻元分析 ;边缘类;人脸识别

 人脸识别特指利用分析比较人脸视觉特征星系进行身份鉴别的计算机技术,是一项热门的计算机技术研究,它属于生物特征识别技术,是人工智能与模式识别领域以及计算机视觉领域最富挑战性的研究课题之一。特征提取是人脸识别中极其关键的一步。线性判别分析(LDA)也叫做Fisher线性判别(FLD),是模式识别的经典算法,其基本思想是将高维的样本投影到低维最佳鉴别矢量空间,投影后保证样本在该空间中有最佳的可分离性。但LDA算法过度强调了边缘类与其他类的类间距离大小,导致在投影空间中近邻类样本的重叠。LDA算法在人脸识别应用中常遇到两个问题:(1)SSS小样本问题(Small Sample Size)[1];(2)边缘类的存在造成投影空间中近邻样本重叠的问题。而一种改进的LDA算法——最大边际近邻元判别分析方法(LMNLDA)可以有效地克服样本类间数据重叠,增加了样本间的相似度来描述数据之间关系,于是重新定义散度矩阵,从而得到该判别准则。
    如图1所示,考虑一个M维的样本模型投影到一维空间,假定有一个边缘类4与类1、类2、类3相隔较远,则根据传统LDA算法得到的最佳投影方向A夸大了与其他3个类的类间距离较大的、可分性很好的类4,但却造成了类间距离本来就小的类1、类2、类3的彼此重叠。因此,就分类性而言,基于Fisher准则得到的鉴别方向并不是最优的,最大边际近邻元判别分析方法同样没有对这类问题进行解决。


  


3 实验结果
    为了测试优化的LMNLDA算法的识别性能,本文采用Yale人脸数据库、ORL人脸数据库和PIE人脸数据库进行了识别对比实验。
3.1 采用Yale人脸数据库的实验
    采用国际通用的Yale人脸数据库,该数据库由15人,每人11幅,共165幅人脸正面256级灰度图像组成,每幅图像大小为243 mm×320 mm。其中有些图像是拍摄于不同时期的,人的脸部表情和脸部细节有着不同程度的变化,人脸姿态也有相当程度的变化。图2所示为预处理后的同一个人的人脸图像,共选择105个图像为训练集,其余的60个图像为测试集。

3.2 采用ORL人脸数据库上的实验
    ORL人脸数据库由剑桥大学实验室1992年4月到1994年4月拍摄的一系列人脸图像组成,具体为40个人,每个人由不同表情或不同视点的10幅图像构成,倾斜角度不超过20°。人脸库中某一人的10幅图像如图3所示,一共选择了280个图像为训练集,其余的120个图像为测试集。

3.3 采用PIE人脸数据库的实验
    PIE人脸数据库拥有68人,有不同的姿势,不同的灯光条件,以及不同的明暗表情等差别,其中包括了每个人的 13 种姿态条件,43种光照条件和4种表情下的照片。如图4所示的一部分图像,一共选择340个图像为训练集,其余的11 214个图像为测试集。

3.4 实验结果分析
    如表1、表2、表3表示5种方法在取相同特征维数的情况下的识别率比较,通过对3种人脸数据库的实验结果对比可以看出,本文所提出的优化的LMNLDA算法的识别率比其余4种方法的识别率都要高,5种算法呈现一个大体的趋势,就是在一个确定的维数即本征维数上识别率最高,维数越大,识别率越趋于平衡。从以上的实验结果可以看出,在相同特征维数的情况下OLMNLDA优于其余4种算法,克服了边缘类对选择最佳投影
方向的影响,进而能得到较为满意的效果。实验结果充分证明了本文算法的有效性。

参考文献
[1] BELHUMEUR P N,HESPANHA J P,KRIEGMAN D J,et al.Fisherfaces:Recognition using class specific linear projection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):711-720.
[2] 张贤达.矩阵分析与应用[M].北京:清华大学出版社,2004.
[3] KILIAN Q,WEINBERGER L K,SAUL.Distance metric distance metric learning for large margin nearest neighbor  classifiers[J].Journal of Machine Learning Research,2009(10):207-244.
[4] CHEN L,LIAO H,KO M,et al.A new lda-basedface recognition system which can solve the small sample size problem[J].Pattern Recognition, 2000,33(10):1713-1726.
[5] MARTINEZ A M,ZHU M.Where are linear featureextraction methods applicable[J].IEEE Trans. On Pattern Analysis and  Machine Intelligence, 2005, 27(1):1934-1944.
[6] LIU K,CHENG Y Q,YANG J Y,et al.An efficient algo rithm for Foley-Sammon optimal set of discriminant vectors by algebraic method[J].Int.J.Pattern Recog.Artif.Intell, 1992,6(5):817-829.

继续阅读>>