改进的模块2DPCA人脸识别算法

合集下载

改进的2DPCA人脸识别算法

ｅｔａｔｏｐｌｄｔｃｓｐｅｅｔｄ，ｔｃｎｒｄｃｉｅｓｏｌｙｘｒｃｉｎａｐｉｗｉｅｉｒｓｎｅｉａｅｕｅｄｍｎｉｎａｉ．ＥｘｅｉｅｅｐｒｍｅｔｒｅｆｒｄｏｈｅｔｔｎｓｖｘｅｉｎｓａｅｐｒｏｍｅｎｔｅＯＲＬ
为Ｎ的一维向量，如一张人脸图像分辨率为１０１０２０＂０
经转换后人脸图像向量高达１００００，这样会耗费大量的计算时间。基于图像矩阵的二维主元分析
（ｗｏｄｍｅｓｎｌＰｉｃｐｌＣｏｏｅｔＡｎｌｓｓＴ・ｉｎｉａｒｉａｏｎｍｐｎｎａｙｉ，
此方法把一张ＮＮ的二维图像可以看成是一个长度￣
２２ＣＤＰＡ方法介绍
２ＰＡ等价于基于行的ＰＡ。因此，２ＰＡ仅ＤＣＣＤＣ
在行方向上对原图像进行了压缩，其具体过程如下：
设ｘ表示ｎ列向量，为ｍ× 维Ａｎ的图像矩阵，可
ｏｈｒａｇｒｔｍｓｉｅｏｎｔｎｒｔ．ｔｅｌｏｉｈｎｒｃｇｉｏａｅｉ
Ｋｅｗｏｄ：ｆｃｃｇｉｏ；ｗｏｄｍｅｓｏａｐｉｃｐｏｏｅｔｎｙｉ（ＤＰｙｒｓａｅｅｏｎｔｎｔ —ｉｎｉｎｌｒｉａｃｍｐｎｎａｓ２ＣＡ）ｆａｕｅｘｒｃｉｒｉｎｌａｌｓ；ｅｔｔｔｒｅａｏ
ｌ引言
人脸识别是模式识别和图像处理等学科的一个研

基于改进的2DPCA对近红外人脸图像的识别方法

人脸识别是指通过对人脸图像的视觉信息进行分析和处理进行身份验证的一种计算机技术．早期
的人脸识别技术都在可见光状态下进行，但在实际应用中，环境光照通常更复杂，光照的强弱、方向
与光源的数量等都会对可见光人脸识别产生影响．为了解决可见光各种因素对人脸识别的影响，人们
ｔｈｅＩｍｐｒｏｖｅｄＴｗｏ — －ＤｉｍｅｎｓｉｏｎａｌＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ
ＷＵＢｏ，ＬＩＵＸｉａｏ — ｈｕａ。ＺＨＯＵＣｈｕｎ — ｇｕａｎｇ（Ｃｏｌｌｅｇｅ０／（７ｏｅｐｒｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００１２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅａｕｔｈｏｒｓｕｓｅｄｔｗｏ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍａｎｄｔｈｅｎｅａｒｉｎｆｒａｒｅｄｆａｃｅｍｅｔｈｏｄｔｏｓｏｌｖｅｔｈｅｉｎｆｌｕｅｎｃｅｏｆｅｎｖｉｒｏｎｍｅｎｔａｌｌｉｇｈｔｏｎｔｈｅｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ，ｏｎｔｈｅｂａｓｉｓｏｆｗｈｉｃｈｔｈｅａｕｔｈｏｒｓａｄｖａｎｃｅｄｔｈｅｔＷＯ — ｗａｙｔｗｏ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍａｎｄｔｗｏ — ｗａｙｓｙｍｍｅｔｒｉｃｔＷＯ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍ，ａｎｄｇｏｔｔｈｅｈｉｇｈｅｒｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｏｆｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｓ．Ｋｅｙｗｏｒｄｓ：ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ；ｎｅａｒｉｎｆｒａｒｅｄ；ｔＷＯ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍ；ｔＷＯ — ｗａｙｔｗｏ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍ；ｔｗｏ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍｔＷＯ — ｗａｙｓｙｍｍｅｔｒｉｃａｌ

人脸识别算法的优化及改进方法详解

人脸识别算法的优化及改进方法详解人脸识别技术是近年来快速发展的一项人工智能技术，其在安全领域、人机交互领域和智能监控领域有着广泛的应用。

然而，目前的人脸识别算法仍然存在一些问题，如准确率、鲁棒性和计算效率等方面的限制。

本文将详细介绍人脸识别算法的优化和改进方法，以提高识别的准确性和效率。

一、特征提取算法的优化特征提取是人脸识别算法的核心步骤之一，直接影响到最终的识别效果。

常用的特征提取算法包括主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。

为了提高识别准确率，可以通过以下方法对特征提取算法进行优化：1.降低维度：PCA算法通常会产生高维特征向量，导致计算复杂度高。

可以使用基于SVD（奇异值分解）的快速PCA算法进行降维，以减少计算量和存储空间。

2.增强鲁棒性：LDA算法在处理非线性数据时性能较差，针对这个问题可以采用核技巧，如核主成分分析（KPCA）和核线性判别分析（KLDA），来提高算法的鲁棒性和非线性拟合能力。

3.结合时空信息：人脸识别算法除了可以利用静态图像进行识别，还可以结合视频序列的时空信息。

通过使用光流估计算法提取视频序列中的运动信息，并将其融合到静态特征中，可以提高识别的准确性。

二、人脸对齐算法的改进人脸对齐是人脸识别算法中的重要步骤，其目的是将输入的图像中的人脸对齐到一个标准姿态。

传统的人脸对齐算法通常使用刚体变换，如欧拉变换和仿射变换。

然而，这些算法对姿态变化较大的人脸无法获得良好的对齐效果。

为了改进人脸对齐算法，可以考虑以下方法：1.采用非刚体变换：使用非刚体变换模型，如Thin-Plate Spline（TPS）变换和Active Shape Model（ASM），可以更好地处理人脸的非刚体形变问题。

这些变换模型能够根据局部特征点的位置和形状变化来实现非刚体变换，从而提高对齐的准确性。

2.结合深度信息：近年来，深度学习技术的发展为人脸对齐提供了新的思路。

改进的模块PCA人脸识别新算法

改进的模块PCA人脸识别新算法赵鑫;汪维家;曾雅云;熊才伟;任彦嘉【摘要】The traditional Principal Component Analysis(PCA)requires that training samples are in accordance with Gauss-ian distribution strictly. However, generating pictures are always influenced by illumination, facial expressions, and pos-tures. In order to solve the problem, a new modular algorithm based on PCA is proposed, which is also a guarantee of the rate of identification. The new algorithm, on the one hand, takes a blocked mode which divides pictures with a same pos-ture into one matrix, so the training sample can be closer to the Gaussian distribution. On the other hand, since the first three characteristics of the principal component are easily affected by light variation, a less than one weighting coefficient is added to reduce the effects of light in the recognition. Thus the improved PCA training matrix is no longer limited to the Gaussian distribution with the combinations of the sub-blocks and the weight coefficients, the recognition rate is improved at the same time. The numerical experiments in the ORL human face databases show that the improved algorithm is supe-rior to the traditional PCA algorithm.%由于传统的PCA要求训练样本符合高斯分布，而现实中得到的图片往往由于光照、表情、姿态的不同，不符合高斯分布。

基于PCA和LBP改进算法的人脸识别研究

基于PCA和LBP改进算法的人脸识别研究一、本文概述人脸识别作为生物特征识别技术的重要组成部分，近年来在公共安全、身份认证、人机交互等多个领域得到了广泛的应用。

然而，由于人脸识别技术在实际应用中受到光照、表情、遮挡等多种因素的影响，其准确性和鲁棒性仍然面临挑战。

因此，如何提高人脸识别的准确性和鲁棒性成为了当前研究的热点和难点。

本文旨在研究基于主成分分析（PCA）和局部二值模式（LBP）改进算法的人脸识别技术。

我们将对PCA和LBP算法进行详细的介绍和分析，探讨它们在人脸识别中的优势和不足。

然后，我们将结合两者的特点，提出一种基于PCA和LBP的改进算法，旨在提高人脸识别的准确性和鲁棒性。

具体来说，我们将通过对PCA算法进行优化，改进其提取人脸特征的能力；我们也将对LBP算法进行改进，提高其对抗光照、表情等干扰因素的能力。

我们将通过实验验证所提出改进算法的有效性，并将其与传统的人脸识别算法进行对比和分析。

本文的研究不仅有助于推动人脸识别技术的发展，还为相关领域的应用提供了理论支持和实践指导。

我们相信，随着技术的不断进步和应用的不断拓展，人脸识别技术将在未来发挥更加重要的作用。

二、相关理论与技术三、PCA与LBP改进算法设计在人脸识别领域，主成分分析（PCA）和局部二值模式（LBP）是两种被广泛应用的算法。

然而，它们各自存在一定的局限性。

为了克服这些限制，我们提出了一种基于PCA和LBP的改进算法，以提高人脸识别的精度和效率。

我们对传统的PCA算法进行了改进。

传统的PCA算法主要关注于全局特征提取，但忽视了人脸图像的局部细节信息。

为了解决这个问题，我们引入了局部保持投影（LPP）的思想，将全局和局部信息相结合。

LPP是一种能够保持数据局部结构的线性降维方法，它能够在降维过程中保留数据的局部几何结构。

通过结合PCA和LPP，我们的改进算法能够在提取全局特征的同时，更好地保留人脸图像的局部细节信息。

我们对传统的LBP算法进行了改进。

改进2DPCA算法在人脸识别中的应用

第44卷第11A期2017年11月计算机科学COMPUTER SCIENCEVol.44 No. 11ANov.2017改进2D P C A算法在人脸识别中的应用冯飞姜宝华刘培学陈玉杰(青岛黄海学院青岛266427)摘要随着二维主成分分析法在人脸识别中的应用，许多基于2D的分析方法日益成熟。

相比于P C A算法基于向量的特征提取，2D P C A算法是基于矩阵的特征提取。

与依赖于特征矩阵的列或特征矩阵的全部矩阵的方法不同，提出了基于特征矩阵行的距离测量方法，该算法与K N N算法进行了结合。

通过使用该方法可以缓解2D P C A算法相比于基于主成分分析的算法（P C A)需较多系数的问题。

在人脸数据库上的实验结果表明，所提方法的分辨精度比2D P C A方法高，在准确性和存储容量方面超过了2D P C A算法。

关键词2D P C A，人脸识别，行-K N N中图法分类号T N911.4文献标识码AApplication of Improved 2DPCA Algorithm in Face RecognitionF E NG F e i J IA N G Bao-hua L I U Pei-xue CH E N Y u-jie(Qingdao Huanghai College, Qingdao 266427,China)Abstract W ith the application o f tw o-dim ensional p rin cip a l com ponent analysis (P C A) in face reco g n itio n, a lo t o f analysis m ethods based on 2D are becoming m ore popular. Com pared w ith P C A a lg o rith m based on vector feature extrac-tio n,2D P C A a lg o rith m is based on the feature e xtra ctio n o f the m a trix. U n lik e the m ethods depending on the colum ns o r a ll m a trix o f the e ig e n m a trix, we proposed an a lg o rith m based on the distance m easurem ent m ethod o f the characteristic m a trix, and the a lg o rith m is combined w ith K N N a lg o rith m. B y using th is m ethod, the shortcom ing based on the 2D P C A a lg o rith m compared w ith a lg o rith m based on p rin cip a l com ponent analysis (P C A) can alleviate some problem s needed to be m ore coefficient. E xp e rim e n ta l results on face database show th a t the proposed m ethod o f d istin g u ish accuracy w ill in c re a s e,is p e rfo rm a n c e is b e tte r than o th er m ethods in term s o f accuracy and storage capacity.Keywords 2D P C A，Face re c o g n itio n，R o w-K N N人脸识别技术被认为是一个重要的基于评价因素的生物识别技术。

基于改进2DPCA的红外图像人脸识别方法

ＡｂｔａｔＩｆｒｄｉｇａｏｆａｖｎａｅ，ｕｈ／ｔｎｎｉｉｔｒｒｎｅｉｄｐｎｅｃｏｖｓｌｉｈｓｒｃ：ｎｒｅｍａｅｈｓａｌｔｏｄａｔｇｓｓｃＩｓｒｇａｔｎｅｆｅｃ，ｎｅｅｄｎｅｔｉｉｅｌｔａＳｏ — ｅｂｇ
Ｉｐｏｅｍｒｖｄ２ＤＰＣＡ
ＳＮ —ｈｎＪＮＪｎ－ｏｇＵＹｕｓｅｇ，Ｉｉｇｙｎ
（ｏｅｅｏＥｅｔｃｙａｄＩｆｍｔｎＥｇｅｒＺｅｇｈｕＵｉｒｔｏＬｇｔｎｕｔ，ｈｎｚｏ５０３Ｃｉ）Ｃｌｇｆｌｒｉｎｏａｉｎｉｅ，ｈｎｚｏｎｖｓｙｆｉｄｓｙＺｅｇｈｕ４００，ｈｎｌｃｔｉｎｒｏｎｅｉｈＩｒａ
Ｆｓｅｈｕｈｈａｕｅｅｔｃｉｎ，ｎｅｄｒｄｔｎｌＤＣｆｗｓＥｐｒｍｅｔｌｒｓｌｈｗａｈｅｏ — ｉｈｒｔｏｇｔｎｔｅｆｔｒｘｒｔｉｅａｏａｄｒｍｅｙｔｉｏａＰＡａ．ｘｅａｉ２ｌｉｎａｅｕｔｓｏｔｔｅｒｃｇｓｈｔｎｔｎｍｅｈｄｗｏｋｂｅａｄｈｓｇｏａｔｉｎｃｐｂｌｙｉｏｔｏｒａｌｎａｏｄｐｒｔａａｉｔ．ｉｉｏｉ
・图像与信号处理・
基于改进２ＰＡ的红外图像人脸识别方法ＤＣ
孙玉胜，靳敬永
（郑州轻工业学院电气信息工程学院，河南郑州４００）５０３

一种改进的2DPCA人脸识别方法

Ｐｉｃ：ｌＣｍｐｎｎａｙｉ（ＤＣ，ｎｗｉｈｄａｆｔｉｉｇｓｐｅｓｓｂｔｕｅｏｈｖｒｇ．ｏｄｍｏ — ｒｉａｏｏｅｔＡｎｌｓｓＭ２ＰＡ）ｉｈｃｔｅｍｅｉｏｒｎｎａｌｓｉｕｓｔｔｆｒｔｅａｅａｅＴｅｎｎｌＩｈｎａｍｉｄ
Ｃｍｕｅｎｉｅｒｇａｄｐｌａｉｎ计算机工程与应用ｏｐｔＥｇｎｅｉｎＡｐｉｔｓｒｎｃｏ
一
种改进的２ＰＡ人脸识别方法ＤＣ
韩晓翠
ＨＡＮＸｉｏｃａ — ｕｉ
临沂师范学院信息学院，山东临沂２６０７００
建总体散布矩阵。在ＯＲＬ和ＦＲＴ人脸数据库上的实验结果证明，方法可以有效改善识剐性能，于传统的ＰＡ和２ＣＥＥ新优ＣＤＰＡ
方法。
关键词：脸识别；维主成分分析；本中间值；征提取人二样特Ｄ：０３７￣ｉｓ．０－３１００２．４文章编号：０２８３（００２ —１５０文献标识码：ＯＩ１．７８．ｎ１２８３．１．５５ｓ０２０１０ —３１２１）５０８．３Ａ中图分类号：Ｐ９Ｔ３１
ｓａｅｈｅｆｅｔｅｅｓｏｈｔｏｅｔｎｉｅｅｐｒｍｅｔｒｅｆｒｅｏｔｏｐｐｌｒａｅａａａｅ，ｕｈａＯＲＬｄｒｔｔｔｅｃｉｎｓｆｔｅｍｅｈｄ，ｘｅｓｖｘｅｉｎｓａｅｐｒｏｖｍｄｎｗｏｕａｆｃｄｔｂｓｓｓｃｓｎａＦＲＥＴＥｘｅｉｅｔｒｓｌｎｉａｅｔａｈｒｐｓｄｍｅｏｓｂＲｒｔａａｉｏａＣＡｎＤＰＡ．Ｅ．ｐｒｎｅｕｔｉｄｃｔｔｔｅｐｏｏｅｔｄｉｅｅｎｔｄｔｎｌＰｍｓｈｈｈｒｉａｄ２Ｃ．６ｏ

模块2DPCA算法在人脸识别中的应用和讨论

收稿日期22 修改日期226作者简介郑豪(6—),男,河南开封人,南京晓庄学院数学与信息技术学院讲师,研究方向模式识别与智能系统2009年11月第6期南京晓庄学院学报JOURNAL OF NANJ I NG X I A OZ HUANG U N I V ERS ITY Nov .2009No .6模块2D PCA 算法在人脸识别中的应用和讨论郑　豪(南京晓庄学院数学与信息技术学院,江苏南京210017)摘　要:文章讨论了模块2D P CA (t w o 2di m ensional princi pa l co mponent analysis )的人脸识别方法.传统的P CA 方法是在特征抽取之前将子图像矩阵转化为图像向量,这样会造成维数增大.二维主成分分析算法(2DPC A )作为模式识别领域的一种重要算法,它直接利用原始二维图像矩阵,生成特征提取所需的图像协方差矩阵,具有较高健壮性.模块2D P CA 是2DPCA 的推广,模块2DPCA 方法先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于构造总体散布矩阵,然后利用总体散布矩阵的特征向量进行图像特征提取.与2DPC A 相比,模块2DPCA 方法在识别性能上优于PCA,比2DPC A 更具有鲁棒性.最后就模块2DPCA 存在的问题进行了讨论.关键词:模块2D PC A;特征提取;人脸识别中图分类号:TP391.41 文献标识码:A 文章编号:100927902(2009)06200832030　引言传统的基于主成分分析(P CA )的人脸识别,是先将图像矩阵转化成图像向量.由于图像向量维数非常高,这给随后的特征提取造成很大的困难.这样,在进行线性鉴别分析时不仅会耗费大量的时间,而且高维的特征向量会造成类内散布矩阵奇异性问题,从而造成计算最优鉴别矢量集的困难[122].针对这一问题,出现了2维主成分分析(2DPC A ),其基本思想是利用图像矩阵直接构造图像散布矩阵,并在此基础上进行鉴别分析[324].很多学者又对2DPCA 方法进行了推广,其中模块2DPC A 就是很好的应用于人脸识别的一种方法.模块2DPCA 方法的基本思想是先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于鉴别分析.与基于图像向量的鉴别方法(比如PC A )相比,该方法的特点是:由于直接基于2维子图像矩阵,能方便地降低原始特征的维数;在特征提取过程中可以完全避免使用矩阵的奇异值分解,方法简便.1　2D PCA 算法原理设u 表示n 维单位化的列向量,A 为m ×n 的图像矩阵.A 投影到u 上y =Au于是得到一个m 维列投影向量y,称之为图像A 的投影特征向量[5].为了得到一个最优投影轴,可以使用投影向量的总的散布矩阵,即投影特征向量的散布矩阵的迹.所以定义准则函数J (u )=tr(Su )Su 是投影特征向量的散布矩阵,记为Su =E (y -Ey )(y -Ey )T=E [Au -E (A u)][Au -E (A u)]T=E [(A -EA )u ][(A -EA )u ]T式中,E 表示计算期望,因此,J (u )=tr (Su )=u T [E (A -EA )T (A -EA)]u其中我们定义G =E [(A -E A )T(A -EA )]为图像散布矩阵.设有M 个m ×n 训练图像A 1,A 2,…,A M ,所有图像的均值图像为,G =1M ∑Mi =1(Ai-A )T(A i -A )我们进一步将所有的图像中心化—3—:20090702:2009101:197:.8G =1M∑Mi =1AiT A i所以J (u )=tr(Su )简化为J (u )=u TGu为使图像矩阵在u 上投影后得到的特征向量的分散程度最大,我们最大化该准则函数的单位向量,并称之为最优投影向量,其中图像总体散布矩阵G 的最大特征所对应的单位特征向量对应于最优投影向量.我们需要找一组满足标准正交条件且极大化准则函数的最优投影向量u 1,u 2,…,u p ,其中最优投影向量组u 1,u 2,…,u p 是G 的对应于前p 个最大特征值的正交特征向量.令U =[u 1,u 2,…,u p ],U 称为最优投影矩阵.2DPCA 特征提取过程为Y =A U ,Y =[y 1,y 2,…,y p ].2　模块2D PCA 方法模块2DPCA 的思想是先将一个m ×n 的图像矩阵A 分成p ×q 模块图像矩阵(类似于线性代数中矩阵的分块),即A =A 11A 12…A 1q A 21A 22…A 2q …………A p1A p 2…A pq其中,每个子图像矩阵A k 1是m 1×n 1矩阵,p m 1=m,qn 1=n,然后将所有训练图像样本的子图像矩阵看作训练图像样本施行2DPCA 方法.设模式类别有c 个:ω1,ω2,…,ωc ,每类有训练样本图像n i 个,A 1,A 2,…,A M 为所有训练样本图像(M =∑ci =1n i ),每个样本图像是m ×n 矩阵.训练图像样本的子图像矩阵的总体散布矩阵G 2为:G 2=1N ∑M i =1∑p k =1∑ql =1((A i)kl-B )((A i )kl-B )T其中,N =M pq 表示训练样本子图像矩阵总数,B =1N∑M i =1∑p k =1∑ql =1(A i )kl 为所有训练样本子矩阵均值矩阵.取G 2前d 个最大本征值对应的本征向量x 1,…,x d (λ1≥λ2≥…≥λd )作为最优投影向量Q =(x 1,…,x d ),有x Ti x j =0(i ≠j ,i,j =1,…,d ).用Q 对待测图像A 进行投影,提取出A 的特征值矩阵的特征矩阵为B i =(A i )T11Q (A i )T12Q …(A i )T1q Q (A i )T21Q(A i )T22Q…(A i )T2q Q…………(A i )Tp1Q(A i )Tp 2Q…(A i )Tp q Q通过以上的特征抽取过程,每个原始图像对应一个特征矩阵.分类则先求出第i 类训练图像的均值图像矩阵A i ,得到模块图像矩阵,同理得到A i 的特征矩阵B i ,分类器采用最近邻(余弦距离)分类器,进行模式分类.3　实验结果与分析3.1　试验实验1是在ORL 标准人脸库上进行的.系统采用的是Matlab 编程语言,操作系统是w in2000.此人脸库由40人,每人10幅图像组成,其中有些图像拍摄于不同时期;人的脸部表情和脸部细节有着不同程度的变化,如,笑或不笑,眼睛或睁或闭,戴或不戴眼镜;人脸姿态也有相当程度的变化,深度旋转和平面旋转可达20°;人脸的尺度也有多达10%的变化.图1是ORL 人脸库中某一人的5幅图像.实验前没对图像进行任何预处理,实验中,以每人的前5幅图像作为训练样本,后5幅作为测试样本,训练样本和测试样本总数均为200.软件算法简单如下:读入图像数据→进行模块2DPCA 变换得到数据矩阵→得到协方差矩阵,重新排列向量→得到映射向量构成的矩阵→将数据映射到映射向量上得到变换后的数据,得到识别率.在保持2×2的分块模式不变的情况下,分别用1到10个投影向量对图像进行特征提取,分类采用的分类器是最近邻(余弦距离)分类器.为便于比较,图2中给出了2DPC A 方法的结果.从图2中可以看出,对图像的2种模块情形,模块2DPCA 的结果比2D P CA 更具有鲁棒性.3.2　分析数据表明,在最高正确识别率方面,模块2DPC A 方法在人脸数据库上的结果与2DPCA 方法的结果相同,而与PCA 方法相比,模块2DPCA 方法的结果均优于PCA 方法的结果;模块2DPCA 方法是2DPCA 方法的推广,在投影向量数相同的情况下,模块2DPCA 的结果优于2DPCA 的结果.其原因是通过对原始数字图像分块,抽取到每一单元块的局部特征,这些局部特征与2DPCA 方法抽取的全局特征相比更能反映图像的差异,有利于模式识别——.48图1　O RL 人脸库中某人的前5幅图像图2　模块2D PC A 和2DPCA 性能比较4　讨论设一样本集为A 1,A 2,…,A M ,且有A 1=A 2=…=A M .根据2DPCA 求出的总体散布矩阵为G =E [(A -EA)T(A -E A)]=0,这与实际意义相符,因为它们在多元空间中是同一个点,不存在相互之间的散度.用模块2DPCA 对总体散布矩阵的定义式,计算出的子图像矩阵的总体散布矩阵显然不是零矩阵.这就是说原本根本就不存在着散度的样本,因为实现模块化而出现了散度,还能求出一系列的最优投影向量,这显然与实际不符.可见模块2DPCA 中总体散布矩阵的定义欠妥.我们可以从使样本投影后类间散度与类内散度的比值达到最大出发寻求最优的投影方向.参考文献:[1]Be l hu meur V,Hespanha J,Krieg man D .Eigenfaces vsFis herfaces:Recogniti on using cla ss s pec ific linear p rojec 2ti on[J ].I EEE Transacti ons on Pattern Analysis and M a 2ch i ne Int e lligence,1997,19(7):7112720.[2]Liu K .Cheng Y .Q .,Yang J.Y .An efficient alg orit hm forFoley 2Sammon o p ti m al set of discri m inant v ec t ors by alge 2braic m ethod [J ].Inte rna tiona l Journa l of Pattern Recog 2nition and A rtificia l Intelligence,1992,6(5):8172829.[3]Y ang J,Zhang D ,Yang J .Y .T wo 2di mensi onal PC A:Anew app r oach t o appea rance 2based face representati on and recogniti on[J ].IEEE Transactions on Pa tte rn Ana lysis and M achine Int e lli gence ,2004,26(1):1312137.[4]Y ang J,Yang J .Y .Uncorre lated i mage p rojec tion discri m i 2nant ana l ysis and face recogniti on[J ].Journal ofCo mputer 2Re search and D eve l opment,2003,40(3):4472452.[5]杨万扣.基于增强的2维主成分分析的特征提取方法及其在人脸识别中的应用[J ].中国图象图形学报,14(2),2009.(责任编辑:王海军)Applica t i on and D iscussio n of M odul a r 2DPCA A lgor ithm i n Face Recogn it i onZHENG Hao(School of Infor ma tion &Technol ogy,Nanjing Xiaozhuang Universit y,Nanjing 210017,Jiangsu )Abstrac t:This artic le discusses the modular 2DPC A (t wo 2di m ensiona l p rinc i pal component ana lysis)m ethod f or face r ecogniti on .Traditi onal PC A feature extr acti on m ethod is t o transf or m the sub 2i mage m atrix to a vector i m age bef ore featur e extr acti on,which will r e sult in greater di m ension .A s an i mportant field of pattern recognition alg o 2rithm s,2DPC A direc tly uses the original t wo 2di m ensi onal i mage m atrix t o generate covariance m atrix of the necessa 2ry i mage feature extr acti on,bringing about high r obustne ss .Module 2DPCA,the p r omoti on of 2DPCA,first divides i m age m atrix into blocks,and then the divided bl ocks of sub 2i m age matrix are direc tly used in the overall s p reading m atrix structure,and finally spreads the use of the whole eigenvec t or m atrix f or i mage f eature extracti on .Compared w ith 2DPCA,module 2DPC A m ethod is superior to 2DPCA r obustness in identifying the perf or m ance of PC A.Pr ob 2le m s of the module 2DPC A are a lso discussed .K y 2y ;f x ;f —5—e wor ds:modular t wo di m ensional principa l c o mponent anal sis eature e tr acti on ace recognition8。

改进的模块2DPCA与MSD结合的人脸识别

图像。该方法不仅利用了原始图像的局部特征和类别信息，而且完全避免了使用矩阵的奇异值分解。在０ＲＬ人脸
库上的实验结果验证了该方法的有效性。
关键词：模块二维主成分分析（２ＤＰＣＡ）；最大散度差鉴别分析；人脸识别文献标志码：Ａ中图分类号：ＴＰ３９１．４ｄｏｉ：１０．３７７８／ｊ．ｉｓｓｎ．１００２．８３３１．１２０３．０５３２
ｌｅｍｏｆｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎｏｆｍａｔｒｉｘ．ＥｘｐｅｒｉｍｅｎｔｓｐｅｒｆｏｒｍｅｄｏｎＯＲＬｆａｃｅｄａｔａｂａｓｅｖｅｒｉｆｙｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ．
（ＭＳＤ）ｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅｉｍｐｒｏｖｅｄｍｏｄｕｌａｒ２ＤＰＣＡｉｓａｐｐｌｉｅｄｔｏｔｈｅｏｒｉｇｉｎａｌｆａｃｅｉｍａｇｅｓｆｏｒｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．Ｔｈｅｎ
ＭＳＤｉｓｕｓｅｄｔｏｔｈｅｓｕｂ－ｉｍａｇｅｓｏｆｔｈｅｓｅｏｂｔａｉｎｅｄｆｅａｔｕｒｅｉｍａｇｅｓｉｎｗｈｉｃｈｗａｙｔｈｅｉｎｆａｌｆｅａｔｕｒｅｉｍａｇｅｓａｒｅｏｂｔａｉｎｅｄ．Ｔｈｉｓｍｅｔｈｏｄｃａｎｎｏｔｏｎｌｙｅｘｐｌｏｉｔｌｏｃａｌｆｅａｔｕｒｅｓｏｆｏｒｉｇｉｎａｌｉｍａｇｅａｎｄｄｉｓｃｒｉｍｉｎａｔｅｉｎｆｏｒｍａｔｉｏｎｂｕｔａｌｓｏｔｏｔａｌｌｙａｖｏｉｄｔｈｅｐｒｏｂ－

2DPCA算法在人脸识别中的现代研究

2DPCA算法在人脸识别中的现代研究摘要2DPCA算法是直接利用原始图像矩阵构造图像的协方差矩阵。

为了测试和评估2DPCA算法，在ORL人脸数据库上进行了实验。

结果表明，2DPCA 算法用于人脸识别的正确识别率高于PCA算法，在特征提取方面比PCA算法更有效。

关键词PCA；2DPCA；人脸识别1 概述人脸识别[1，2]在身份验证、视觉监控以及人机接口等方面有着广泛地应用。

主元分析（PCA）方法是得到验证并在实际中广泛应用的方法。

PCA方法在实际使用中需要将每一个二维图像矩阵转变为单列向量，建立协方差矩阵时容易产生维数灾难，另外转换为单列向量时破坏了图像原本的结构信息，但是这些信息对人脸图像的识别是非常重要的信息。

2DPCA算法直接利用二维图像矩阵产生总体散布矩阵。

其算法充分利用了图像原始信息中的二维结构信息，并且产生矩阵的维数不超过原始图像矩阵的维数，从而降低了计算机的存储空间和计算强度，避免了维数灾难问题。

2 PCA及2DPCA算法2.1 PCA算法主成分分析（PCA）是利用一组为数不多的特征来尽可能精确地表示模式样本，是特征提取的典型方法。

而PCA 算法需将原始图像矩阵转换成列向量，然后构造图像的协方差矩阵。

2.2 2DPCA算法的提出2DPCA[3，4]直接利用原始圖像的二维矩阵构建一个协方差矩阵，求解此协方差矩阵特征值和特征向量，并利用其对应于最大几个特征值对应的特征向量构建坐标系，然后将每个图像矩阵在这个坐标系上投影，从而得到图像的特征。

这种特征避免了传统PCA将图像矩阵转化了一维向量时产生的空间信息的丢失。

2DPCA算法的基本原理推导如下：设X表示N维列向量，对于任意一幅M×N的样本图像A，向X方向投影后，得其中：x是一维列向量。

该准则称为广义总离散度准则。

当取最大值时得到的一维列向量叫作最佳投影轴，表明图像矩阵在该方向投影后，投影特征向量的总离散度是最大的。

最佳投影轴是当目标函数取最大值时的一维向量，也就是矩阵的最大特征值对应的特征向量。

基于分块的2DPCA人脸识别方法

基于分块的2DPCA人脸识别方法人脸识别是一种常见的生物特征识别技术，它可以通过分析人脸图像来识别和验证个体身份。

随着数字图像处理和模式识别技术的不断发展，人脸识别技术已经得到了广泛的应用。

基于主成分分析（PCA）的人脸识别方法是一种经典的方法，它可以通过降维的方式来提取人脸图像中的主要特征。

然而，传统的PCA方法在处理高维数据时存在一些问题，例如计算复杂度高、信息丢失等。

为了克服这些问题，研究人员提出了2DPCA方法，该方法可以更好地处理二维数据，提高人脸识别的准确性和性能。

2DPCA是一种基于分块的PCA方法，它将二维数据按照块的形式进行处理，从而能够更好地捕获图像中的局部特征。

与传统的PCA方法相比，2DPCA能够更有效地提取图像中的空间信息，同时减少对数据的处理和计算复杂度。

在人脸识别领域，2DPCA方法已经被广泛应用，并取得了较好的识别效果。

1.数据预处理：首先，对人脸图像进行预处理，包括灰度化、归一化、去噪等操作。

对于每张人脸图像，将其划分为若干个大小相等的块，以便后续特征提取和分析。

2.特征提取：对每个块进行2DPCA处理，得到块级别的特征向量。

然后，将所有的块级别特征向量组合起来，构成整个人脸图像的特征向量。

3.特征选择：对特征向量进行降维处理，选取最具代表性的特征，以减少数据的维度和提高计算效率。

4.模式识别：利用训练集对选取的特征进行模式识别，构建人脸识别模型。

然后，利用测试集对模型进行评估，并计算人脸识别的准确率和召回率。

5.识别结果：根据模型对测试集的识别结果，判断测试集中的人脸图像是否与库中的人脸图像匹配，并给出相应的识别结果。

1.可以更充分地利用图像中的局部信息，提高人脸特征的区分度和稳定性。

2.降低了数据处理和计算复杂度，减少了特征提取的时间和资源消耗。

3.对光照、姿态等因素具有一定的鲁棒性，能够适应不同环境下的人脸识别任务。

4.在人脸识别的准确性和性能方面具有更好的表现，可以有效地解决传统PCA方法存在的问题。

基于改进的PCA算法的人脸识别技术

基于改进的PCA算法的人脸识别技术近年来，随着科技的不断发展，人脸识别技术在各个行业和领域中得到了广泛应用，例如安防、金融、物联网等。

基于人脸识别技术的应用越来越多，对于算法的精度和效率要求也越来越高，传统的PCA算法已经无法满足实际需求，因此改进的PCA算法应运而生。

一、传统的PCA算法PCA(Principal Component Analysis)是一种广泛应用于统计学、机器学习、数据降维等领域的线性代数方法。

在人脸识别中，PCA算法可以提取出人脸图像中最具代表性的几个特征向量，并将人脸图像映射到这些特征向量的空间中，对于新的人脸图像，则可以通过计算其在特征向量空间中的投影，从而实现人脸识别的目的。

传统的PCA算法的基本步骤包括：取得待处理的样本数据，对数据进行标准化，以样本奇异值分解的方式求出协方差矩阵的特征向量和特征值，然后选取前N个最大的主成分，代表了数据变化最大的方向，构成新的特征向量空间，将样本投影到新的空间中，最后用基于距离度量的方法实现人脸识别。

二、改进的PCA算法虽然传统的PCA算法在人脸识别中有着良好的应用效果，但是其在一些特定情况下的缺陷也不容忽视。

例如，当数据集中存在噪声或者标准化不充分时，传统的PCA算法的性能会大幅下降，导致识别率不够稳定，易受到干扰。

因此，研究者提出了一系列改进的PCA算法，例如KPCA(Kernel Principal Component Analysis)、FLD(Linear Discriminant Analysis)等，这些算法都在传统的PCA算法中加入了一些新的处理方法，提高了PCA算法的性能和鲁棒性。

1.KPCA算法KPCA算法是一种基于核方法的PCA算法，在特征向量的空间中引入了核函数的概念，通过非线性变换将低维数据映射到高维空间中，在高维空间中进行PCA操作。

这样做的好处是可以在低维空间中处理非线性问题，从而提高了PCA算法在人脸识别中的识别率。

基于改进的加权分块2D-PCA人脸识别技术的研究

基于改进的加权分块2D-PCA人脸识别技术的研究
余元辉;邓莹
【期刊名称】《河南农业大学学报》
【年(卷),期】2015(049)004
【摘要】比较了PCA(Principal Component Analysis)和2D-PCA (Two-Dimensional Principal Component Analysis)人脸识别算法.在2D-PCA的基础上提出了一种改进算法,即基于整体区域、感兴趣区域与非感兴趣区域的加权分块2D-PCA算法.该算法借助权值的动态调整,最终实现了最优解.基于知名脸库ORL 设计实验来验证文中提出的改进的加权分块2D-PCA算法.分析试验结果表明,发现本算法识别率达到97.5％,较PCA算法提高21.66％,较2D-PCA算法提高
10.08％,进一步证实本算法较PCA和2D-PCA显著提高了人脸识别的准确率.【总页数】5页(P500-504)
【作者】余元辉;邓莹
【作者单位】集美大学计算机工程学院,福建厦门361021;厦门工学院,福建厦门361021
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于分块技术的改进LPB人脸识别算法的研究 [J], 张茹;薛凯;李玮晖;晏楠根;熊育婷
2.基于加权强度PCNN模型的分块人脸识别 [J], 李瀚;扆梦楠;邓红霞;常莎;李海芳
3.基于分块加权LBP技术的人脸识别算法 [J], 管灵霞;杨会成;鲁春;童英
4.基于分块加权的LBP算法在人脸识别中的应用 [J], 朱天星;黄世震
5.基于加权小波变换和2D-PCA的人脸识别改进算法 [J], 张梦;曾毓敏;李鹏程因版权原因，仅展示原文概要，查看原文内容请购买。

基于2DPCA和改进的LDA算法的人脸识别技术

Face Recognition Based on 2DPCA and Improved Linear Discrimination Analysis 作者：施志刚姜彬
作者机构：南通航运职业技术学院管理信息系,江苏南通226010
出版物刊名：南通职业大学学报
页码： 88-92页
主题词：二维主成分分析线性鉴别分析协方差矩阵特征提取主成分分析边缘类人脸识别
摘要：为提高人脸识别的准确率，缩短图像特征提取的时间，提出了一种将二维主成分分析（简称2DPCA）与改进的线性鉴别分析（简称LDA）相结合的人脸识别方法。

该法首先以图像矩阵为分析对象，直接利用原始图像矩阵构造图像的协方差矩阵。

以进行特征提取和2DPCA分析；再采用改进的线性鉴别分析。

得到最佳的分类特征，从理论上有效解决了传统的线性鉴别分析在人脸识别中存在的“边缘类”问题：最后．在ORL人脸库上检验了该识别方法的性能。

实验结果表明，该方法抽取的鉴别特征有较强的鉴别能力。

一种改进感知哈希算法的2DPCANet人脸识别方法

一种改进感知哈希算法的2DPCANet 人脸识别方法摘要：感知哈希算法是一种常见的人脸识别方法，但是由于其较低的识别率和误识别率，需要进行改良。

本文提出了一种改进感知哈希算法的2DPCANet 人脸识别方法。

该方法在传统的感知哈希算法基础上引入了2DPCA 和连通性分析，并通过实验结果验证了其较高的识别率和较低的误识别率。

该方法具有简单高效的特点，可在实际应用中发挥重要作用。

关键词: 感知哈希算法，2DPCA，连通性分析，人脸识别Introduction:人脸识别技术在生物识别领域得到了广泛应用，并取得了良好的效果。

然而，如何准确、高效地实现人脸识别仍然是一个挑战。

感知哈希算法是一种常见的人脸识别算法，其基本思想是将大尺度的图像压缩成小尺度并将其表示为二进制编码，以减少计算量和存储空间。

然而，传统的感知哈希算法在实际应用中存在一些问题，例如识别率较低、误识别率较高等，需要进行改进。

在2DPCA（二维主成分分析）方法中，图像被视为一个二维矩阵，并可以将其分解为多个序列，然后通过对每个序列的主成分进行计算来提取图像的特征。

连通性分析则是一种常见的形态学分析方法，它可以用来识别流数据中的结构性元素。

本文提出了一种改进感知哈希算法的2DPCANet 人脸识别方法，该方法在传统感知哈希算法基础上加入了2DPCA 和连通性分析，并且通过实验验证了该方法的有效性。

The proposed method:改进感知哈希算法的2DPCANet 人脸识别方法主要包括以下四个步骤：1.使用2DPCA 提取人脸图像的特征向量。

2.根据提取的特征向量将人脸图像进行二值化处理。

3.运用感知哈希算法将二值化的人脸图像压缩成小尺度的2DPCANet。

4.利用连通性分析方法对每个2DPCANet 进行特征提取和识别过程。

2DPCA 技术可以将人脸图像进行有效的编码，从而提高了人脸识别的准确率。

在本文中，使用相同的样本集在原始PCA 和2DPCA 上进行了比较，结果表明，2DPCA 能够更有效地提取人脸特征，因为它不仅考虑了像素之间的相关性，而且考虑了不同像素之间的关联信息。

改进的模块2DPCA人脸识别算法

改进的模块2DPCA人脸识别算法张岩;武玉强【期刊名称】《计算机工程》【年(卷),期】2011(037)007【摘要】提出一种改进的模块2DPCA人脸识别算法,即基于子距离的模块2DPCA 人脸识别算法.该算法对图像进行分块,对每一子块独立地利用2DPCA进行处理,求出测试样本子块与洲练样本对应子块间的子距离,将所有子距离相加得到测试样本与训练样本的距离,用最近距离分类器分类.在ORL人脸库上的实验结果表明,该算法在识别性能上优于普通的模块2DPCA算法和修正的模块2DPCA算法.%An improved modular Two-Dimensional Principal ComponentAnalysis(2DPCA), modular 2DPCA based on sub-distance, is proposed.The original images are divided into sub-images in proposed algorithm.Each kind of sub-images at the same position is disposed by 2DPCA independently, and the sub-distance between the corresponding sub-images of the test sample and the train sample can be given.The distance between the test sample and the train sample can be calculated by adding all these distances between the sub-images together, and the nearest distance classification is used to distinguish each face.Experimental results on ORL face database indicate that the improved modular 2DPCA is obviously superior to that of general modular 2DPCA and amendatory modular 2DPCA.【总页数】3页(P228-230)【作者】张岩;武玉强【作者单位】济宁学院物理与信息工程系,山东,曲阜,273155;曲阜师范大学自动化研究所,山东,曲阜,273165;曲阜师范大学自动化研究所,山东,曲阜,273165【正文语种】中文【中图分类】TP391【相关文献】1.基于AMD度量和类间模块2DPCA的人脸识别算法 [J], 李小红;李寅;张静;金建2.基于改进核范数的2DPCA人脸识别算法研究 [J], 刘辉;马文;何强3.改进的模块2DPCA与MSD结合的人脸识别 [J], 孔爱祥;王成儒4.改进的模块2DPCA人脸识别方法 [J], 张龙翔5.改进的2DPCA人脸识别算法 [J], 伍行素;余为益因版权原因，仅展示原文概要，查看原文内容请购买。

基于模块C-2DPCA改进算法的人脸识别方法的开题报告

基于模块C-2DPCA改进算法的人脸识别方法的开题报告一、选题背景近年来，随着计算机视觉技术的发展，人们对人脸识别技术的需求越来越高。

人脸识别技术可以应用于安防监控、金融支付、门禁系统等领域。

而基于PCA（Principal Component Analysis，主成分分析）的人脸识别方法是比较经典的一种方法。

但是，PCA方法对于人脸识别中存在的光照变化、面部表情变化等问题并不稳定，因此研究如何改进人脸识别算法的准确性和鲁棒性是非常有意义的。

二、选题意义本课题将研究基于模块C-2DPCA改进算法的人脸识别方法。

该方法将C-2DPCA（Complete Principal Component Analysis，完全主成分分析）与模块化分析相结合，可以更好地处理人脸识别中的光照变化、面部表情变化等问题，提高识别准确性和鲁棒性。

该方法的研究可以为人脸识别技术的发展提供新的思路和方法。

三、研究内容本课题的主要研究内容包括：1. 深入研究模块C-2DPCA算法的原理和优缺点。

2. 分析人脸识别中的光照变化、面部表情变化等问题，研究如何利用模块化分析的方法来改进C-2DPCA算法。

3. 设计和实现基于模块C-2DPCA改进算法的人脸识别系统，并进行实验测试。

4. 对实验结果进行分析和评估，评估改进算法的效果和可行性。

四、预期目标通过本课题的研究，在克服人脸识别中的光照变化、面部表情变化等问题方面获得新的进展。

预期实现以下目标：1. 设计和实现基于模块C-2DPCA改进算法的人脸识别系统，识别准确性和鲁棒性明显提高。

2. 通过实际应用验证算法的可行性和实用性。

3. 对光照变化、面部表情变化等问题的处理方法进行总结和归纳，为人脸识别技术的发展提供参考和借鉴。

五、研究方法本课题将采用以下研究方法：1. 理论分析和文献研究：分析模块C-2DPCA算法的原理，分析人脸识别中的问题，并研究改进算法的思路和方法。

2. 实验设计和实现：根据研究思路和方法，设计并实现基于模块C-2DPCA改进算法的人脸识别系统，选取典型的人脸数据库进行实验，并进行实验分析。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Ｔｈｒｇｎｌｉｇｓａｅｄｉｉｅｎｏｓｂｉａｅｎｐｏｏｅｌｏｉｈｅｏｉｉａｍａｅｒｖｄｄｉｔｕ — ｍｇｓｉｒｐｓｄａｇｒｍ．Ｅａｈｋｎｆｓｂｉｇｓａｈａｏｉｏｓｄｓｏｅｙ２ｔｃｉｄｏｕ —ｍａｅｔｔｅｓｍｅｐｓｔｎｉｉｐｓｄｂＤＰＣＡｉｉｄｐｎｅｔ，ａｄｔｅｓｂ— ｉｔｎｅｂｔｅｈｏｒｓｏｄｎｕ —ｍａｅｆｔｅｔｓｓｍｐｅａｄｔｅｔａｎｓｍｐｅｃｎｂｉｅＴｈｉｔｎｅｎｅｅｄｎｌｙｎｈｕｄｓａｃｅｗｅｎｔｅｃｒｅｐｎｉｇｓｂｉｇｓｏｈｅｔａｌｎｈｒｉａｌａｅｇｖｎｅｄｓａｃ
ｂｔｅｈｅｔｓｍｐｅａｄｔｅｔａｎｓｍｐｌａｅｃｌｕａｅｙａｄｎｌｔｅｅｄｓａｃｓｂｔｅｈｕ —ｍａｅｏｅｈｒｎｈｅｒｓｅｗｅｅｃｎｂａｃｌｔｄｂｄｉｇａｌｈｓｉｔｎｅｅｗｅｎｔｅｓｂｉｇｓｔｇｔｅ，ａｄｔｅｎａｅｔ
第３７卷第７期
Ｖ＿＿７０３ｌ
・
计
算
机
工
程
２１年４月０１
Ａｐｉ０１ｒｌ２１
ＮＯ７．
ＣｏｕｅｇｉｅｒｎｍｐｔｒＥｎｎｅｉｇ
人工智能及识别技术・
文章编号：１ｏ＿４８０１７２— ３０ｏ。２（１０— ２８２）
ｄｓａｃｌｓｉｉａｉｎｉｓｄｔｉｔｎｕｓａｈｆｃ．ｐｉｎａｅｕｔｎＯＲＬｆｃａａａｅｉｄｃｔｈｔｔｅｉｒｅｄｕａＤＰｉｔｎｅｃａｓｆｔｏｓｕｅＯｄｓｉｇｉｅｃａｅＥｘｍ‘ ｃｈｍｅｔｌｒｓｌｓｏａｃｄｔｂｓｎｉａｅｔａｈｍｐｏｖｄｍｏｌｒ２ＣＡｓｉ
文献标识码：Ａ
中图分类号：Ｐ９Ｔ３１
改进的模块２ＰＡ人脸识别算法ＤＣ
张岩，武玉强
（．济宁学院物理与信息工程系，山东曲阜２３５；２曲阜师范大学自动化研究所，１７Ｉ５
攮
要：提出一种改进的模块２ＰＤＣＡ人脸识别算法，即基于子距离的模块２ＣＡ人脸识别算法。该算法对图像进行分块，对每一子块独ＤＰ
２ＲｓａｈＩｓｔｔｏＡｕｏｔｎＱｕｕｒｌｎｖｒｔ，ｆ７５Ｃｉａｅｅｒｔｕｅｒｔｍａｏ，ｆｍａＵｉｅｓｙＱｎｕ２３，ｈｎ）ｃｎｉ＂ｉＮｏｉ１６
［ｓｒｃ］ＡｒｖｄｍｏｕａｗｏＤｍｅｓｎｌｒｃａＣｍｐｎｎａｓｓＤＰＡ）ｍｏｕａＤＰＡｂｓｄｏｕ —ｉａｃ，ｓｒｐｓｄＡｂｔａｔｎｉｏｅｄｌｒｍｐＴ — ｉｎｉａＰｉｉｌｏｏｅｔ１ｉ２ｃ，ｄｌ２Ｃａｅｎｓｂｄｓｎｅｉｐｏｏｅ．ｏｎｐＡｎｙ（ｒｔ
ｏｂｉｕｌｕｅｉｒｔａｆｅｅ’ｌｄｕａ’ ｖｏｓｙｓｐｒｏｔｔ￣ｎｌｏｈｏａｍｏＩｌ２ＤＰＣＡｎｍｅｄｔｒｄｌｒＤＰａｄａｎａｏｙｍｏｕａ２ＣＡ．
［ｙｗｒｓｗｏＤｍｅｓｎｌｒｃｐｌｏｏｅｔ１１ｓ（ＤＰＡ）ｓｂｄｓｎｅｍｏｕａＤＣＡ：ｅｔｒｘｒｃｉｎｆｃｅｏｎｔｎＫｅｏｄ］Ｔ — ｉｎｉａＰｉｉａＣｍｐｎｎａｙｉ２Ｃ：ｕ—ｉａｃ；ｄｌｒＰｏｎＡｌｓｔ２ｆａｕｅｔｔ：ａｅｒｃｇｉｏｅａｏｉ
关健词：二维主成分分析；子距离；模块二维主成分分析；特征提取；人脸识别
ＩｍｐｒｖｄＦａｅＲｅｏｎｔｏｇｒｔｏｅｃｃｇｉｉｎＡｌｏｉｈｍｆＭｏｌｒ２ｏｄｕａＤＰＣＡ
ＺＨＡＮＧＹａｎ－ＷＵ一．Ｙｕ．ａｎｇｑｉ（１ＤｅａｔｎｆＰｙｉｓａｄＩｆｒａｉｎＥｎｉｅｒｎ，ｉｉｇＵｎｖｒｉ，ｆ７５Ｃｈｉａｐｒｍｅｔ＂ｈｓｃｎｎｏｍｔｏｇｎｅｉｇＪｎｎｉｅｓｔＱｕｕ２３１５，ｎ；ｏｙ
立地利用２Ｐ进行处理，求出测试样本子块与训练样本对应子块问的子距离，将所有子距离相加得到测试样本与训练样本的距离，用ＤＣＡ
最近距离分类器分类。在ＯＬ人脸库上的实验结果表明，该算法在识别性能上优于普通的模块２ＰＲＤＣＡ算法和修正的模块２ＰＡ算法。ＤＣ