基于对称核主成分分析的人脸识别

计算机应用 ›› 2012, Vol. 32 ›› Issue (05): 1404-1406.

基于对称核主成分分析的人脸识别

刘嵩¹,²,罗敏¹,张国平²,³

1. 湖北民族学院信息工程学院，湖北恩施 445000
2. 华中师范大学物理科学与技术学院，武汉 430079
3. 华中师范大学物理学院

收稿日期:2011-10-31 修回日期:2011-12-18 发布日期:2012-05-01 出版日期:2012-05-01
通讯作者: 刘嵩
作者简介:刘嵩（1979-），男，湖北孝感人，讲师，博士研究生，CCF会员，主要研究方向：模式识别、嵌入式系统设计；罗敏（1978-），女，湖北随州人，讲师，主要研究方向：光电子技术；张国平（1969-），男，湖北汉川人，教授，博士生导师，主要研究方向：模式识别、光电子技术。
基金资助:
湖北省自然科学基金资助项目（2009CDB069）

Face recognition based on symmetrical kernel principal component analysis

LIU Song¹,²,LUO Min¹,ZHANG Guo-ping²,³

1. College of Information Engineering, Hubei Institute for Nationalities, Enshi Hubei 445000, China
2. College of Physical Science and Technology, Huazhong Normal University, Wuhan Hubei 430079, China
3.

Received:2011-10-31 Revised:2011-12-18 Online:2012-05-01 Published:2012-05-01
Contact: LIU Song

摘要/Abstract

摘要： 为了提高人脸识别技术的实用性，结合人脸镜像对称性和核主成分分析提出了一种新的人脸识别方法。首先利用小波变换压缩人脸图像数据，获取小波分解的低频分量，再通过镜像变换得到镜像偶对称图像和镜像奇对称图像，然后分别对奇偶对称图像进行核主成分分析提取奇偶特征，并且通过加权因子对奇偶特征进行融合，最后采用最近邻分类器分类。基于ORL人脸数据库的实验结果表明：该算法增大了样本容量，在一定程度上克服了光照、姿态的不利因素，提高了人脸识别率。

关键词: 人脸识别, 镜像对称, 特征提取, 核主成分分析, 最近邻分类器

Abstract: In order to improve the practicability of face recognition technology, a new face recognition method was proposed by adopting the facial mirror symmetry and Kernel Principle Component Analysis (KPCA). Firstly, the original images were decomposed by wavelet transform, and the low frequency components could be obtained. Then, the odd symmetry samples and the even symmetry samples were obtained by mirror transforming. Odd/even eigen vector were separately extracted through KPCA and fused to composite features by an odd-even weighted factor. A nearest neighbor classifier was used to classify the images. The proposed method was tested on the ORL face image database. The experimental results show the method can increase the sample capacity, overcome the effect of illumination and posture, and raise the recognition rate. Besides, in the comprehensive performance, it is better than contrast method.

Key words: face recognition, mirror symmetry, feature extraction, Kernel Principle Component Analysis (KPCA), nearest neighbor classifier

中图分类号:

TP391.41

刘嵩罗敏张国平. 基于对称核主成分分析的人脸识别[J]. 计算机应用, 2012, 32(05): 1404-1406.

LIU Song LUO Min ZHANG Guo-ping. Face recognition based on symmetrical kernel principal component analysis[J]. Journal of Computer Applications, 2012, 32(05): 1404-1406.

参考文献

［1］TURK M, PENTLAND A. Eigen faces for recognition［J］. Journal of Cognitive Neuroscience,1991,3(1):71-86.

［2］SCHLOKOPF B, SMOLA A, MULLER K. Nonlinear component analysis is as a kernel eigenvalue problem［J］. Neural Computation,1998,10(5): 1299-1319.

［3］KIM K I,JUNG K. Face recognition using kernel principal component analysis［J］.IEEE Signal Processing Letters,2002,9(2):40-42.

［4］YANG JIAN, FRANGI A F,YANG JINGYU.KPCA plus LDA:A complete kernel Fisher discriminated framework for feature extraction and recognition［J］.IEEE Transactions on Pattern Analysis Machine Intelligence,2005,27(2):230-244.

［5］XU Y,ZHANG D,SONG F X,et al.A method for speeding up feature based on KPCA［J］.Neural Computing,2007,70(46):1056-1061.

［6］郭雷,肖怀铁,付强.基于核主分量分析和支持矢量数据描述的雷达目标模糊识别方法［J］.信号处理, 2009,25(1):63-66.

［7］曾接贤,田金权,符祥.基于KPCA和FMSD的人脸识别［J］.计算机工程,2011,37(17):19-22.

［8］杨琼，丁晓青.对称主分量分析及其在人脸识别中的应用［J］. 计算机学报,2003,26(9):1146-1151.

［9］郑宇杰,杨静宇,吴小俊.基于对称ICA的特征抽取方法及其在人脸识别中的应用［J］.模式识别与人工智能,2006,19(1):116-121.

［10］万小萍，顾勇.一种基于KPCA 和形状先验知识的图像分割模型［J］.中国生物医学工程学报,2011,30（4）：541-548.

［11］李楠,张云燕,李言俊.基于KPCA 冗余检测的故障识别算法［J］.系统仿真学报, 2011,23(10):2079-2088.

［12］周欣,吴瑛. 基于KPCA 和LDA 的信号调制识别［J］.系统工程与电子技术 2011,33(7):1611-1666.

［13］张新征.基于多小波子带加权判别熵的SAR 目标ICA特征提取及识别［J］.计算机应用,2011,31(9):2468-2471.

［14］SIEW CHEOK N,PARAMESRAN R．Enhanced rhythm extraction using blind source separation and wavelet transform［J］.IEEE Transactions on Biomedical Engineering, 2009,56(8): 2024-2034.

［15］VIJVYP S,SURYA S D.Feature identification via a combined ICA wavelet method for image information mining［J］.IEEE Geoscience and Remote Sensing Letters,2010,7(1): 18-22．

[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]	郑志强, 胡鑫, 翁智, 王雨禾, 程曦. 基于改进DenseNet的牛眼图像特征提取方法[J]. 计算机应用, 2021, 41(9): 2780-2784.
[3]	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.
[4]	佘玉龙, 张晓龙, 程若勤, 邓春华. 基于边缘关注模型的语义分割方法[J]. 计算机应用, 2021, 41(2): 343-349.
[5]	赵津, 宋文爱, 邰隽, 杨吉江, 王青, 李晓丹, 雷毅, 邱悦. 儿童阻塞性睡眠呼吸暂停计算机人脸辅助诊断综述[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3394-3401.
[6]	朱新成, 何坤金, 倪娜, 郝博. 基于改进迭代最近点算法的接骨板贴合性快捷计算方法[J]. 计算机应用, 2021, 41(10): 3033-3039.
[7]	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.
[8]	尹春勇, 何苗. 基于改进胶囊网络的文本分类[J]. 计算机应用, 2020, 40(9): 2525-2530.
[9]	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.
[10]	周云, 陈淑荣. 基于双流非局部残差网络的行为识别方法[J]. 计算机应用, 2020, 40(8): 2236-2240.
[11]	张家岗, 李达平, 杨晓东, 邹茂扬, 吴锡, 胡金蓉. 基于深度卷积特征光流的形变医学图像配准算法[J]. 计算机应用, 2020, 40(6): 1799-1805.
[12]	徐代, 岳璋, 杨文霞, 任潇. 基于改进的三向流Faster R-CNN的篡改图像识别[J]. 计算机应用, 2020, 40(5): 1315-1321.
[13]	沈亮, 王鑫, 陈曙晖. 面向移动应用识别的结构化特征提取方法[J]. 计算机应用, 2020, 40(4): 1109-1114.
[14]	刘尚旺, 刘承伟, 张爱丽. 基于深度可分卷积神经网络的实时人脸表情和性别分类[J]. 计算机应用, 2020, 40(4): 990-995.
[15]	张俊升, 徐晶晶, 余伟. 面部美化图像质量无参考评价方法[J]. 计算机应用, 2020, 40(4): 1184-1190.