基于維數(shù)約簡(jiǎn)的區(qū)域協(xié)方差矩陣及其在人臉識(shí)別中的應(yīng)用.pdf

1、隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展與創(chuàng)新,越來(lái)越多的學(xué)者加入了人臉識(shí)別的研究領(lǐng)域。因?yàn)閰f(xié)方差矩陣具有旋轉(zhuǎn)不變性的特征，一些學(xué)者提出了一些基于Gabor特征的區(qū)域協(xié)方差矩陣的人臉識(shí)別方法：一種方法為獲取人臉圖像的區(qū)域協(xié)方差矩陣并通過(guò)區(qū)域協(xié)方差矩陣的廣義特征值距離來(lái)進(jìn)行人臉識(shí)別，但是該方法并未對(duì)區(qū)域協(xié)方差矩陣進(jìn)行降維，由于對(duì)數(shù)據(jù)進(jìn)行Gabor小波變換得到的特征矩陣維數(shù)很大，再求得的區(qū)域協(xié)方差矩陣維數(shù)依然很大，很容易陷入維數(shù)災(zāi)難問(wèn)題，造成圖像識(shí)別率下降；

2、另一種方法為改進(jìn)的一種方法，在上述方法的基礎(chǔ)上，對(duì)區(qū)域協(xié)方差矩陣進(jìn)行近似聯(lián)合對(duì)角化，再通過(guò)廣義特征值距離來(lái)實(shí)現(xiàn)人臉識(shí)別，該方法由于將協(xié)方差矩陣降維成近似對(duì)角化矩陣，降維過(guò)多，可能造成圖像信息損失過(guò)多，從而影響人臉識(shí)別的識(shí)別率。
　　本文從二維人臉數(shù)據(jù)庫(kù)出發(fā)，將人臉數(shù)據(jù)庫(kù)分為五個(gè)區(qū)域，通過(guò)二維Gabor小波變換獲取人臉圖像的特征信息。為了驗(yàn)證增加Gabor特征后人臉識(shí)別的有效性，提出了7種不同的特征映射函數(shù)，再分別計(jì)算出不同映射下的

3、區(qū)域協(xié)方差矩陣。針對(duì)上面兩種方法存在的缺陷，本文提出三種基于降維的區(qū)域協(xié)方差矩陣的人臉識(shí)別方法，即基于二維主成分分析的歐式距離分類(lèi)法、基于二維主成分分析的馬氏距離分類(lèi)法和基于二維主成分分析的廣義特征值距離分類(lèi)法。由于二維主成分分析方法可以利用圖像矩陣直接構(gòu)造圖像的散布矩陣，不需要像主成分分析那樣在特征提取之前需要把圖像矩陣轉(zhuǎn)化為對(duì)應(yīng)的向量，經(jīng)過(guò)二維主成分分析降維后的區(qū)域協(xié)方差矩陣，有利于提取出重要的臉部特征進(jìn)行人臉識(shí)別，既提取了圖像的重

4、要信息，又不會(huì)造成維數(shù)災(zāi)難，提高了人臉識(shí)別的識(shí)別率。本文為了驗(yàn)證所提方法在人臉識(shí)別上有效性，在未降維的區(qū)域協(xié)方差矩陣人臉識(shí)別方法上利用歐式距離分類(lèi)法、馬氏距離分類(lèi)法和廣義特征值分類(lèi)法來(lái)進(jìn)行人臉識(shí)別，將未降維的這三種區(qū)域協(xié)方差矩陣方法、基于區(qū)域協(xié)方差矩陣近似聯(lián)合對(duì)角化的人臉識(shí)別方法和基于降維的三種人臉識(shí)別方法分別應(yīng)用在ORL，YALE,PIE和FERET四種人臉數(shù)據(jù)庫(kù)中。通過(guò)驗(yàn)證發(fā)現(xiàn)增加Gabor的特征映射函數(shù)，人臉識(shí)別率更高，基于降維的