双边角度二维主成分分析算法及其应用研究

发布时间：2021-07-25 12:03

　　随着科技的不断进步,快捷安全的身份鉴别在人们的日常生活中越来越重要。人脸识别作为一种生物特征识别技术,因其采集图像方便、无侵犯等优势备受人们关注。特征提取作为人脸识别的关键一步,对人脸识别率的高低起着决定性的作用。主成分分析（PCA）是一种经典的特征提取方法,但它需要以图像矩阵按行或列转换的一维向量作为输入数据集,这样的转换将不仅会破坏图像像素点间的空间结构信息,而且会产生一个高维向量空间,在其中高维数以及相对少的样本数使得精确地计算协方差矩阵变得困难。二维主成分分析（2DPCA）作为PCA的一种改进方法,其直接用原始图像作为输入从而避免了PCA中出现的上述问题。然而,由于2DPCA用本质为最小二乘损失的F范数平方作为距离度量使其对异常值敏感。角度2DPCA方法是解决该问题的一个有效的方法。本文详细介绍了角度2DPCA相关算法,所取得的研究成果主要有:首先详细介绍PCA及其改进算法,包括2DPCA、基于L1范数的2DPCA（2DPCA-L1）以及基于F范数的2DPCA（F-2DPCA）,分析各个算法的优缺点。其次研究了角度PCA（APCA）和正切角度2DPCA（Tan-2DPCA）算法... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

ExtendedYaleB数据集的部分人脸图像

图(b) 在加噪人脸数据集上图 3.4 Extended Yale B 数据集上 3 种方法的识别率比较从图 3.4 可看出，无论是在原始数据集上还是在加噪的数据集上，角度别率显著的高于 2DPCA 方法，这可能是由于角度方法中用 F 范数作为距离其对含有光照，遮挡等噪音具有较好的鲁棒性。其次，我们可以看到，Ta和 Sin-2DPCA 方法几乎具有相同的识别率，而从两者的目标函数中可以发然比前者简单，故其能够节省训练时间，从而提升运算效率。

DPCA 42×5 58.11±0.70 56.50±1.32 表明，Tan-2DPCA 和 Sin-2DPCA 的识别效果均优于 2DPCA，从原始数据和加噪数据的差异可以看出，角度方法的差异较小敏感度较低，这再次表明角度方法具有鲁棒性。Tan-2DPCA 和识别精度很接近，这是因为当α较小时，有sin tan 成立，而棒性有合理解释。 CMU PIE 数据集上的实验人脸数据集 CMU PIE[46]的一个子集（PoseC9）上进行另一组算法的有效性。PoseC9 数据集包含了 24 种不同光照下的 64 个像。为计算方便，将每张图片大小裁剪为 64×64 像素，随机选前面在 Extended Yale B 数据集一样的随机噪音，部分人脸图像择加噪数据集的 50%用于训练集，其余 50%图像数据用来作为

【参考文献】：
期刊论文
[1]基于Cholesky分解的K2DPCA人脸识别研究[J]. 周水生,郑颖,穆新亮.  系统工程理论与实践. 2016(02)
[2]基于样本扩充和改进2DPCA的单样本人脸识别[J]. 赵雅英,谭延琪,马小虎.  计算机应用. 2011(10)
[3]基于奇异值分解（SVD）的图像压缩[J]. 胡乡峰,卫金茂.  东北师大学报(自然科学版). 2006(03)
[4]机器学习与人脸识别方法概述[J]. 邵平.  玉林师范学院学报. 2006(03)
[5]对称主分量分析及其在人脸识别中的应用[J]. 杨琼,丁晓青.  计算机学报. 2003(09)



本文编号：3301993