文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > IT/计算机 > 计算机软件及应用 > 一种基于半监督学习的2DPCA人脸识别方法
侵权投诉

一种基于半监督学习的2DPCA人脸识别方法

人脸识别论文

一种基于半监督学习的2DPCA人脸识别方法

李凯,徐治平

(河北大学 数学与计算机学院),河北 保定 071002

摘要:结合半监督学习中的自学习技术以及二维主成份分析 (Two-Dimensional Principal Component Analysis-2DPCA)方法,提出了一种基于半监督学习的人脸识别方法。在二维主成份分析的基础上,利用少量具有类别标签的样本训练分类器,然后利用半监督学习中的自学习技术,对未知类别标签的人脸样本进行分类,并将具有高置信度的人脸样本加入到训练集中,以此增加训练集中的人脸样本数量。在ORL人脸库和YALE人脸库的实验结果,表明了提出方法的有效性。

关键字:人脸识别;半监督学习;二维主成份分析法(2DPCA);特征提取

中图分类号:TP391 文献标识码:A

A Semi-Supervised Learning based 2DPCA Face Recognition Method

LI Kai,XU Zhiping

School of Mathematic and computer, HeBei University, Baoding 071002

Abstract: By combining self-training method of the semi-supervised learning with two-dimensional principal component analysis (2DPCA), a semi-supervised learning based face recognition method is proposed. On the basis of two-dimensional principal component analysis, few labeled samples were used to obtain classifier. Then unlabeled samples were classified through the classifier. And according to the self-training method of semi-supervised learning, the face samples with the highest confidence are added to the training set in order to increase the number of face samples in training set. Experimental results on ORL face database and Yale face database show the effectiveness of the presented method.

Key words:face recognition; semi-supervised learning; two-Dimensional principal component analysis(2DPCA);feature extraction

1.引言

人脸识别是模式识别领域的重要应用之一,与其他的生物特征识别技术相比,人脸识别具有直观、识别速度快、非侵扰性等特点,在视频监控、门禁考勤系统、犯罪调查等领域都有着重要的应用。人脸识别技术的关键步骤是人脸特征提取,到目前为止,研究者们提出了很多特征提取方法,其中主成份分析( Principal Components Analysis, PCA)[1]是最为经典的特征提取方法之一,它不但可以有效的降低人脸图像的维数,同时也能保留主要的识别信息,目前仍然被广泛的应用在人脸识别等模式识别领域。但在PCA方法中,为了提取人脸图像的特征,需要将人脸图像转化为一维向量,从而导致出现高维数据所无法避免的小样本问题和运算复杂度高的问题[2],实际上,人脸图像的本质是一个二维矩阵,矩阵的行(列)向量间的相互关系也蕴含着一定的特征信息,而PCA方法在将图像矩阵转换成一维向量的过程基金项目:国家自然科学基金(61073121),河北省自然基金(F2012)。

作者简介:李凯,男,博士,教授,主研方向:机器学习、数据挖掘、模式识别等。

第1页

你可能喜欢

  • matlab人脸识别
  • PCA人脸识别
  • 汉王人脸识别
  • 毕业设计人脸识别
  • 神经网络人脸识别

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email