基于ＳＶＤ和ＬＤＡ的人臉識別方法

摘要：提出了一種基于奇異值分解與改進的LDA相結合的人臉識別方法。首先利用奇異值分解方法獲得圖像的有效特征；然后經過改進的LDA處理，這樣不僅可以有效降低維數，而且使抽取特征的判別能力得到了有效增強；最后對壓縮后的特征向量進行排序，將排序后的特征送入BP網絡進行識別。實驗結果表明，該方法在低維特征向量下取得了很高的識別率，達到99%，效果優于傳統方法。

關鍵詞：人臉識別；奇異值分解；線性鑒別分析；反向傳播神經網絡

中圖分類號：TP391文獻標志碼：A

文章編號：1001-3695(2007)12-0377-02

近些年來，人臉識別技術在諸多領域得到了廣泛應用，日漸成為計算機視覺和模式識別領域的研究熱點。人臉識別的有效性依賴于特征表示與特征匹配，良好的特征應具有數據量少且識別率高的特點。1991年Z.Hong提出了基于奇異值分解（SVD）的人臉識別方法，錯誤識別率為42．67％^[1]。文獻[2]提出了一種基于奇異值分解和數據融合的人臉識別方法，對ORL(olivetti research laboratory)人臉數據庫的正確識別率達到96％以上，但識別過程較繁瑣。文獻[3]用奇異值分解法與神經網絡法對ORL作了分類識別實驗。其處理過程是依次對奇異值進行能量降維壓縮、標準化、排序處理；最后用BP分類器識別。圖像的奇異值分解是一種有效的代數特征提取方法，LDA（linear discriminant analysis，線性鑒別分析）不僅使得投影后的模式樣本在新的特征空間中有最大的類間距離和最小的類內距離，而且能有效地降低特征向量的維數。本文巧妙結合了SVD與LDA兩種技術的優點，提出了SVD－LDA－BP方法。通過這種方法提取出數量較少的人臉特征，并將特征輸入到神經網絡分類器進行識別。基于ORL的實驗結果表明，本文方法優于傳統方法，具有特征維數少、識別率高的特點。

1基于奇異值分解和LDA的神經網絡識別方法

本文提出的SVD－LDA－BP方法包括三部分。首先對人臉圖像庫進行奇異值分解，將奇異值向量作為圖像特征矩陣；再用LDA獲得降低維數的最佳分類特征；最后將降維后的特征送入BP進行訓練，得出識別結果。圖1是人臉識別的整個系統框架。

下面對奇異值分解和線性鑒別分析兩個重點內容分別加以介紹。

1．1預處理

首先對圖像用適當的閾值進行二值化處理；然后對二值化圖像進行水平方向和垂直方向的積分投影。根據投影曲線，結合人臉幾何結構，可以分割出圖像中的人臉部分。

筆者使用的ORL人臉庫，原始圖像大小是112×92，經分割和其他一系列的預處理得到大小為48×48的圖像。數據量得到了很大壓縮，并且保留了絕大部分的信息，如圖2所示。

1．2圖像的奇異值特征

3結束語

本文利用SVD與LDA相結合的方法進行人臉識別。該方法不僅充分利用了奇異值分解的穩定性、比例不變性、旋轉不變性，而且使用改進的LDA進行特征維數壓縮，比傳統的能量降維取得更具有判別能力的特征；最后用BP分類器進行識別。實驗結果表明，該方法具有識別率高、特征維數少的特點，其性能優于傳統奇異值分解方法。

參考文獻：

[1]HONG Z.Algebraic feature extraction of image for recognition [J].Pattern Recognition，1991，24(3):211-219.

[2]王蘊紅，譚鐵牛，朱勇.基于奇異值分解和數據融合的臉像鑒別[J].計算機學報， 2000，23(6):649-653.

[3]甘俊英，張有為. 一種基于奇異值特征的神經網絡人臉識別新途徑[J].電子學報， 2004， 32(1):170－173.

[4]周德龍，高文，趙德斌.基于奇異值分解和判別式KL投影的人臉識別[J].軟件學報，2003，14（4）:783-789.

[5]LOOG M， DUIN R P W， HAEB－UMBACH R. Multiclass linear dimension reduction by weighted pairwise fisher criteria[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2001，23(7):762-766.

[6]余冰，金連甫，陳平.利用標準LDA進行人臉識別[J].計算機輔助設計和圖形學學報，2003，15(3):302-306.

[7]于海征.基于奇異值分解的數字圖像的特征提取[J].工程數學學報，2004，21（8）：131－134.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”