原创《基于PCA与ICA的人脸识别算法与应用》
本文是人脸识别类有关研究生毕业论文范文跟人脸识别算法和研究和应用有关本科论文怎么写。
摘 要：论文研究了基于线性子空间的人脸识别的两个无监督的的线性特征提取方法：主成分分析（PCA）、独立成分分析（ICA）.通过使用matlab语言在不同人脸库上进行的仿真实验得出了一些有意义的结论.比较了PCA和ICA两种线性鉴别分析算法在不同分类器处理人脸识别时的性能.实验研究结果呈现出两种线性特征提取算法能较好地进行人脸识别,并且可以将较高维数据有效的降低至低维.
关键词：主成分分析；独立成分分析；特征提取；Matlab
人脸识别即使用各种算法提取人脸的面部特征,进行特征匹配,最终来确定特定人脸的归属.特征提取、特征匹配即分类器设计是人脸识别的两个重要环节.人脸的特征提取就是从人脸图像换提取一组反映人脸特征的数值,通常特征维数很高,降维后作为样本,再把识别样本进行正确分类,称为特征匹配,这是一种决策规则.现代社会,身份鉴别技术具有非常重要的应用价值,人脸是人类视觉中最为直接的模式,呈现出举足轻重的作用.由于人脸识别直接及方便,从而使其成为最具应用价值的身份鉴别方式.
子空间算法的理论是仍然保留原始空间的最大信息量,也属于整体特征提取法,即考虑了模型中的整体信息,保留了人脸各特征之间的拓扑关系,也留存了每个局部特征自身的信息.
本文主要研究线性特征提取的主成分分析（PrincipleComponent Analysis,PCA）[1] 人脸识别方法与独立成分分析（Independent Component Analysis,ICA）[2] 的人脸识别方法,并且利用这两种人脸识别算法的比较及在ORL 人脸库中降低维数及训练样本数量不同进行仿真试验,从而比较两种算法的优劣.
一、主成分分析(Principal Component Analysis,PCA)主成分分析（Principle Component Analysis,PCA）[1] 称为特征脸提取算法,是统计学的一种分析数据算法,也叫有限离散K-L 或是叫霍特林变换.假定人脸在新的低维空间的映射是有可分性的,这些投影映射可以作为新的特征向量来识别人脸.这组正交向量集合了原始的人脸空间的总体的散布矩阵,称为“特征脸”,因为保留了人脸图像中的特征性状.主成份分析是最常用的数据降维方法之一,在人脸识别中被广泛的使用.Fukunaga[3] 和Young[4] 等人在十九世纪七十年代研究主成分分析的方法和理论,分析主成分分析方法的线性特征提取的稳定性.Kirby 和Sirovich[5] 等人在1990 年讨论如何利用PCA 进行人脸图像识别的最优表示问题.接着1991年Turk 和Pentland1[1] 研究了这种理论的具体的意义.他们发现把K-L 变换后的特征向量还原成图像矩阵时,竟然是一张张标准化的人脸,用这些系数作为人脸的特征进行分类识别,称为有名的特征脸（Eigenfaces）方法.
(一)主成分分析（PCA）的人脸识别算法模型
二、独立成分分析(Independent ComponentAnalysis,ICA)
独立成分分析（ICA）的基本思想即在线性变换的基础上,使用训练样本找到一组相互独立的投影轴,利用其独立成份作为样本数据.主成份分析利用去除了样本二阶统计意义的相关性信息,独立成分分析则利用去除了样本所有阶数的统计相关性信息,使样本的各阶统计意义下的信息都得到了充分利用[6].主成份分析基于训练样本的二阶统计信息,因而其忽视了高阶统计意义下的信息.Comon[2] 在1994 年提出了独立成份分析的理论.直到二十一世纪初,Bartlett[7]、Yuen和Lai[8] 将独立成份分析理论与方法才运用到人脸识别,他们的研究结果表明ICA 的人脸识别方法要优于PCA.
三、PCA 与ICA 算法思想在ORL 库上的实验
我们用上述两种线性特征提取算法在英国标准人脸库ORL 做了实验.这个人脸库由40 人组成,时间为1992 年4月到1994 年4 月拍摄的一系列人脸图像,其中每人10 幅图像,由于人的脸部细节与表情不同时期会有着不同程度的差别,例如,睁眼或闭眼；笑或不笑；戴眼镜或者不戴眼镜；人脸的姿态在不同时期也会有不同程度的变化；人的脸部的尺度在不同时期也会有多达10% 的变化.ORL 人脸库中一个人的10 幅图像如图1 所示：
我们利用ORL 人脸库随机选择每人的5 幅图像作为训练样本,那么剩下的每人的5 幅图像则作为测试样本.一共做了四次实验,其中每次实验重复5 次取其平均值,分别验证了PCA、ICA 算法随着特征维数、训练样本数的变化的情况,利用余弦角分类器（C）进行了分析,实验运行了10次取平均值.其中训练样本数实验时,取压缩维数60 维.在进行ICA 算法对人脸库人脸实验时,为了避免类内散度矩阵出现奇异,增加运算速度,首先对于ORL 人脸库数据库的特征脸数据进行了PCA 压缩,将其压缩至199 维,再用ICA方法运算,即PCA+ICA.最后用余弦角分类器对其进行分类,为了提高运行速度,本文将图像裁剪至,结果如下图2.
我们从图2（a）可以看出,PCA 算法在压缩维数为20左右就达到了较高的识别率,然而ICA 算法识别率比较理想要在压缩维数为80 左右.此外识别率没有严格的随着压缩维数的增加而增加,随着压缩维数从70 增加到80 时,然而PCA 识别率下降,此种情况表明不是每个投影轴都对分类有利.从图2（b）中可以看出,随着训练样本数增多,识别率也相应的提高.
四、结语
本文研究了PCA、ICA 算法理论与方法,并在ORL 人脸库上进行了仿真实验,描述了这两种无监督线性特征提取算法的识别率与压缩维数及训练样本数目变化的关系.研究结果表明,上述两种人脸识别算法都能较好的识别人脸性能,并且可以将较高维数数据有效的降低至低维,两种算法在识别率高低都呈现出了各自的特性, PCA 算法的识别率相对比较稳定.H
参考文献
[1]Turk M,Pentland A. Face Recognition Using Eigenfaces[C]//Proc.IEEE Conf. on Computer Vision and Pattern Recognition,Maui:IEEE.1991:586-591.
[2]Comon P. Independent component analysis:A new concept [J]. SignalProcessing, 1994,36 (3):287-314.
[3]Fukunaga K and Koontz W.L.G. Representation of random processes usingthe finite Karhunen-Loeve expansion, Inform. And Contr. ,1970,16:85-101.
[4]Young Y. The reliability of linear feature extractor, Trans.IEEEComputers, 1971,C-20: 967-971.
[5]Kirby M,Sirovich L. Application of the Karhunen-Loeve procedure forthe charaterization of human faces [J]. IEEE Transactions on Pattern Analysis andMachine Intelligence,1990,12 (1):103-108.
[ 6 ]Mog h a d d a m B . “Pr i n c i p a l m a n i f o l d s a n d p r o b a b i l i s t i csubspaces for visual recognition”,IEEE Trans.Pattern Anal. MachineIntell.,2002,24(6):780-788.
[7]Bartlett M S,Movellan J R,Sejnowski T J. “Face recognition byindependent component analysis”. IEEE Trans.Neural Networks,2002,13(6):1450-1464.
[8]Yuen Pong C,Lai J.H. “Face representation using independentcomponent analysis”. Pattern Recognition,2002,35(6),1247-1257.
（作者单位：刘粉香,南京工业职业技术学院、三江学院；孙勤红、刘定一,三江学院）
人脸识别论文参考资料：
上文结论:此文是大学硕士与人脸识别本科人脸识别毕业论文开题报告范文和相关优秀学术职称论文参考文献资料，关于免费教你怎么写人脸识别算法和研究和应用方面论文范文。
