基于2D-PCA与2D-MMC的人脸识别算法.pdf

基于2D-PCA与2D-MMC的人脸识别算法 人脸识别是模式识别领域一个热门的方向，传统的PCA和LDA算法是其中十分常见的算法。然而，这些算法存在一些缺点，例如PCA算法在处理高维样本数据时，存在计算量大的问题，无法利用样本的类别信息等缺点；LDA算法虽然能够充分利用样本信息、有利于分类等优点，但会产生小样本问题。为了解决这些问题，本文提出了一种基于2D-PCA与2D-MMC的人脸识别算法，该算法既可利用图像的二维信息，又可从理论上避免小样本问题。 2D-PCA算法是将二维思想引入PCA算法中，通过构建协方差矩阵，计算其特征值及其对应的特征向量，然后将最大的几个特征值所对应的特征向量构成的矩阵作为投影矩阵，将原始的样本矩阵进行投影，即可得到低维的样本空间。 2D-MMC算法的目的是寻找两个正交投影矩阵，将原始样本数据投影至低维数据，并能保持样本的可分性。该算法使用类间散布矩阵与类内散布矩阵的迹的差作为目标函数的构成准则，使其从理论上避免了小样本问题。 实验结果表明，基于2D-PCA与2D-MMC的人脸识别算法在ORL人脸库上的实验也体现了算法的有效性，相比原始的PCA和2D-MMC算法拥有更好的识别效果。 知识点： 1. 人脸识别是模式识别领域一个热门的方向。 2. PCA算法存在计算量大、无法利用样本的类别信息等缺点。 3. LDA算法存在小样本问题。 4. MMC算法使用类间散布矩阵与类内散布矩阵的迹的差作为目标函数的构成准则，使其从理论上避免了小样本问题。 5. 2D-PCA算法是将二维思想引入PCA算法中，通过构建协方差矩阵，计算其特征值及其对应的特征向量，然后将最大的几个特征值所对应的特征向量构成的矩阵作为投影矩阵，将原始的样本矩阵进行投影，即可得到低维的样本空间。 6. 2D-MMC算法的目的是寻找两个正交投影矩阵，将原始样本数据投影至低维数据，并能保持样本的可分性。 7. 基于2D-PCA与2D-MMC的人脸识别算法可以解决传统PCA和LDA算法的缺点，拥有更好的识别效果。 结论：本文提出了一种基于2D-PCA与2D-MMC的人脸识别算法，该算法既可利用图像的二维信息，又可从理论上避免小样本问题，实验结果表明其有更好的识别效果。