本文介绍了人脸图像识别的基本原理和人脸识别的两大步 骤——特征提取和样本分类,然后介绍了K-L变换在人脸图像特征提 取方面的运用,以及Fisher线性判别在人脸图像样本分类方面的运用。 最后用MATLAB对Fisher线性判别进行了仿真。

方法,在高维空间里往往行不通。因为这样会导致计算量非常巨大,这种现象被Bellman称为“维数灾难”[2]。所以,对高维特征空间问题,我们要尽可能把它转化为在低维特征空间上进行判决的问题。
Fisher线性判别3.2.3.2.Fisher
考虑把d维空间的样本投影到一条直线上,形成一维空间,即把维数压缩到一维。一般来说,总能找到某个方向,使在这条直线上,样本的投影能分开得最好。Fisher在1936年的一篇经典论文中解决了这一问题。
假设有一集合X包含N个d维样本x1,x2,...,xN,其中N1个属于ω1类的样本记为子集X1,N2个属于ω2类的样本记为X2。若对xi的分量做线性组合可得标量:
yi=wTxii=1,2,....,N[3-1]
这样便得到N个一维样本yi组成的集合,并可分为两个子集Y1与Y2。从集合上看,如果||w||=1,则每个yi就是相对应的xi到方向为w的直线上的投影。实际上,w的绝对值是无关紧要的,他仅使yi乘上一个比例因子,重要的是选择w的方向。w的方向不同,将使样本投影后的可分离程度不同,从而直接影响识别效果。因此,所谓寻找最好投影方向的问题,在数学上就是寻找最好的变换向量w*的问题[3]。
在定义Fisher准则函数之前,先定义几个必要的基本参量。1.在d维X空间上定义(1)各类样本均值向量mi
mi=1∑x
N
x∈Xi
i=1,2[3-2]
(2)样本类内离散度矩阵Si和总类内离散度矩阵Sw
Si=
x∈Xi
∑(x mi)(x mi)
T
i=1,2
[3-3]
Sw=S1+S2
(3)样本类间离散度矩阵Sb
Sb=(m1-m2)(m1-m2)T[3-4]
其中Sw是对称半正定矩阵,而且当N>d时通常是非奇异的。Sb也是对称半正定矩阵,在两类条件下,它的秩大于等于1。2.在一维Y空间上定义(1)各类样本均值
~i=1my∑Niy∈Yi
~~
(2)样本类内离散度Si2和总类内离散度Sw
~~i)2Si2=∑(y m
y∈Yi
[3-5]
~~~Sw=S12+S22
[3-6]
现在来定义Fisher准则函数。为了投影后,在一维Y空间里各类样本尽可能分得开些,
~1 m~2)越大越好;同时也希望各类样本内部尽量密集,即希望类内即希望两类均值之差(m
离散度越小越好。因此,定义Fisher准则函数:
基于Fisher判别法的人脸图像识别_专业资料。本文描述了人脸识别的两大步骤——特征提取和样本分类,介绍了K-L变换在人脸图像特征提取方面的运用,重点讲解了应用广泛的...
人脸识别分类器设计: – 搜集要识别的人的人脸图像,建立人脸图像库; – 利用K-L变换确定人脸基图像; – 用这些基图像对人脸图像库中的有人脸图像进行K-L变换,...
K-L变换,为了得到彩色人脸图像的主分量特征灰度图像,可以采用Ohta[3]等人提出 ...Fisher线性判别方法(Fisher linear discriminant analysis,简称FLD)使投影后的模 ...
基于K-L变换的人脸识别系统_专业资料。围绕人脸识别问题对人脸特征提取及识别技术进行了研究.主要有:运用灰度投影提取出在简单背景中的人脸图像,进行归一化操作;以...
在实 验中,为了进行计算机处理,首先是将整幅人脸图像数字化处理,这样,模拟 图像成为了数字图像,然后,提取人脸图像的代数特征,通过K—L变换方法降 低人脸特征的维数...
K-L变换在人脸识别中的应用_工学_高等教育_教育...美国在人脸识别领域有较多的研 究。对于二维图像的...个特征, 每个样本就是这 k 个本征脸的线性组合。...
Fisher线性判别方法(Fisher linear discriminant analysis,简称FLD)使投影后的模 ...K-L变换,为了得到彩色人脸图像的主分量特征灰度图像,可以采用Ohta[3]等人提出 ...
基于人脸分类和 K-L 变换的人脸识别新方法 A new...主要采取的人脸 最佳匹配的人脸图像,从而达到识别...(2) 式中:P 表示照片数,f 表示每张照片的线性...
方法是基于K-L变换的人脸识别方法, K-L变换是图像压缩的一种最优 正交变换。...如果假设人脸在这些低维线性空间 的投影具有可分性, 就可以将这些投影用作识别的...
基于K-L变换(PCA)的特征脸人脸识别方法综述_工学...文献[6]对用 K-L 变换和 fisher 准则分别求出来...(l)用线性插值缩小以后的图像识别率没有降低,其中...
热门文档