基于改进的等距离映射算法的人脸识别

doi:10.3724/SP.J.1087.2013.00076

计算机应用 ›› 2013, Vol. 33 ›› Issue (01): 76-79.DOI: 10.3724/SP.J.1087.2013.00076

基于改进的等距离映射算法的人脸识别

刘嘉敏,王会岩,周晓莉,罗甫林

重庆大学光电工程学院，重庆 400044

收稿日期:2012-07-10 修回日期:2012-08-29 出版日期:2013-01-01 发布日期:2013-01-09
通讯作者: 王会岩
作者简介:刘嘉敏(1973-)，男，四川成都人，副教授，博士，主要研究方向：数字图像处理、模式识别；王会岩(1985-)，女，河北定州人，硕士研究生，主要研究方向：数字图像处理、模式识别；周晓莉(1987-)，女，四川巴中人，硕士研究生，主要研究方向：数字图像处理、模式识别；罗甫林(1988-)，男，四川内江人，硕士研究生，主要研究方向：数字图像处理、模式识别。

Face recognition based on improved isometric feature mapping algorithm

LIU Jiamin,WANG Huiyan,ZHOU Xiaoli,LUO Fulin

College of Optoelectronic Engineering, Chongqing University, Chongqing 400044, China

Received:2012-07-10 Revised:2012-08-29 Online:2013-01-01 Published:2013-01-09
Contact: WANG Huiyan

摘要/Abstract

摘要： 针对等距离映射(Isomap)算法在处理扰动图像时拓扑结构不稳定的缺点，提出了一种改进算法。改进算法将图像欧氏距离(IMED)嵌入到等距离映射算法之中。首先引入坐标度量系数计算图像的坐标度量矩阵，通过线性变换将原始图像从欧氏距离(ED)空间转换到图像欧氏距离空间；然后计算变换空间中样本的欧氏距离矩阵，并在此基础上构建样本邻域图，得到近似测地距离矩阵；最后采用多维标度(MDS)分析算法构造样本的低维表示。对ORL和Yale人脸数据库降维并结合最近邻分类器进行实验，基于改进算法的识别率平均分别提高了5.57%和3.95%，表明与原算法相比，改进算法在人脸识别中对图像扰动具有较好的鲁棒性。

关键词: 图像欧氏距离, 等距离映射, 人脸识别, 最近邻分类器

Abstract: Isometric feature mapping (Isomap) algorithm is topologically unstable if the input data are distorted. Therefore, an improved Isomap algorithm was proposed. In the improved algorithm, Image Euclidean Distance (IMED) was embedded into Isomap algorithm. Firstly, the authors transformed images into image Euclidean Distance (ED) space through a linear transformation by introducing metric coefficients and metric matrix; then, Euclidean distance matrix of images in the transformed space was calculated to find the neighborhood graph and geodesic distance matrix; finally, low-dimensional embedding was constructed by MultiDimensional Scaling (MDS) algorithm. Experiments with the improved algorithm and nearest-neighbor classifier were conducted on ORL and Yale face database. The results show that the proposed algorithm outperforms Isomap with average recognition rate by 5.57% and 3.95% respectively, and the proposed algorithm has stronger robustness for face recognition with small changes.

Key words: image Euclidean distance, Isometric feature mapping (Isomap), face recognition, nearest-neighbor classifier

中图分类号:

刘嘉敏王会岩周晓莉罗甫林. 基于改进的等距离映射算法的人脸识别[J]. 计算机应用, 2013, 33(01): 76-79.

LIU Jiamin WANG Huiyan ZHOU Xiaoli LUO Fulin. Face recognition based on improved isometric feature mapping algorithm[J]. Journal of Computer Applications, 2013, 33(01): 76-79.

参考文献

［1］HUANG W L, YIN H J. On nonlinear dimensionality reduction for face recognition ［J］. Image and Vision Computing, 2012, 30(4): 355-366.

［2］胡洁.高维数据特征降维研究综述［J］.计算机应用研究,2008,25(9):2601-2606.

［3］HOU C P, ZHANG C S, WU Y, et al. Stable local dimensionality reduction approaches ［J］. Pattern Recognition, 2009, 42(9): 2054-2066.

［4］TENENBAUM J B, de SILVA V, LANGFORD J C. A global geometric framework for nonlinear dimensionality reduction ［J］. Science, 2000, 290(5500): 2319-2323.

［5］ROWEIS S T, SAUL K L. Nonlinear dimensionality reduction by locally linear embedding ［J］. Science, 2000, 290(5500): 2323-2326.

［6］BELKIN M, NIYOGI P. Laplacian eigenmaps for dimensionality re-duction and data representation ［J］. Neural Computing, 2003, 15(6): 1373-1396.

［7］WU Y M, CHAN K L. An extended Isomap algorithm for learning multi-class manifold ［C］// Proceedings of the 2004 International Conference on Machine Learning and Cybernetics. Piscataway: IEEE Press, 2004: 3429-3433.

［8］GENG X, ZHAN D C, ZHOU Z H. Supervised nonlinear dimen-sionality reduction for visualization and classification ［J］. IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, 2005, 35(6): 1098-1107.

［9］YANG M H. Extended Isomap for pattern classification ［C］// Proceedings of the Eighteenth National Conference on Artificial Intelligence. Menlo Park: American Association for Artificial Intelligence, 2002: 224-229.

［10］CHOI H, CHOI S. Robust kernel Isomap ［J］. Pattern Recognition, 2007, 40(3): 853-862.

［11］邵超,黄厚宽,赵连伟.一种更具拓扑稳定性的Isomap算法［J］.软件学报,2007,18(4):869-877.

［12］WANG L W, ZHANG Y, FENG J F. On the Euclidean distance of images ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(8): 1334-1339.

［13］郝建东,张伟伟.基于核的图像欧氏距离人脸识别［J］.计算机工程与设计,2011,32(11):3844-3847.

[1]	高工, 杨红雨, 刘洪. 基于深度学习的三维点云人脸识别[J]. 计算机应用, 2021, 41(9): 2736-2740.
[2]	李虹霞, 秦品乐, 闫寒梅, 曾建潮, 鲍骞月, 柴锐. 基于面部特征图对称的人脸正面化生成对抗网络算法[J]. 计算机应用, 2021, 41(3): 714-720.
[3]	赵青, 余元辉. 基于分层特征化网络的三维人脸识别[J]. 计算机应用, 2020, 40(9): 2514-2518.
[4]	方书雅, 刘守印. 基于学生人体检测的无感知课堂考勤方法[J]. 计算机应用, 2020, 40(9): 2519-2524.
[5]	李东博, 黄铝文. 重加权稀疏主成分分析算法及其在人脸识别中的应用[J]. 计算机应用, 2020, 40(3): 717-722.
[6]	龚锐, 丁胜, 章超华, 苏浩. 基于深度学习的轻量级和多姿态人脸识别方法[J]. 计算机应用, 2020, 40(3): 704-709.
[7]	陈放, 刘晓瑞, 杨明业. 基于活体检测和身份认证的人脸识别安防系统[J]. 计算机应用, 2020, 40(12): 3666-3672.
[8]	任珍文, 吴明娜. 基于熵自加权联合正则化最近点的图像集分类算法[J]. 计算机应用, 2019, 39(9): 2547-2551.
[9]	丁莲静, 刘光帅, 李旭瑞, 陈晓文. 加权信息熵与增强局部二值模式结合的人脸识别[J]. 计算机应用, 2019, 39(8): 2210-2216.
[10]	方国康, 李俊, 王垚儒. 基于深度学习的ARM平台实时人脸识别[J]. 计算机应用, 2019, 39(8): 2217-2222.
[11]	桑高丽, 闫超, 朱蓉. 基于多区域融合的表情鲁棒三维人脸识别算法[J]. 计算机应用, 2019, 39(6): 1685-1689.
[12]	杨亮东, 杨志霞. 稀疏限制的增量式鲁棒非负矩阵分解及其应用[J]. 计算机应用, 2019, 39(5): 1275-1281.
[13]	李秋珍, 栾朝阳, 汪双喜. 基于卷积神经网络的人脸图像质量评价[J]. 计算机应用, 2019, 39(3): 695-699.
[14]	谢志华, 江鹏, 余新河, 张帅. 基于VGGNet和多谱带循环网络的高光谱人脸识别系统[J]. 计算机应用, 2019, 39(2): 388-391.
[15]	张芳艳, 王新, 许新征. 基于结构化遮挡编码和极限学习机的局部遮挡人脸识别[J]. 计算机应用, 2019, 39(10): 2893-2898.

基于改进的等距离映射算法的人脸识别

Face recognition based on improved isometric feature mapping algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics