基于对称核主成分分析的人脸识别.pdf

【基于对称核主成分分析的人脸识别】 在人脸识别领域，提高识别的准确性和鲁棒性始终是核心问题。本文提出的“基于对称核主成分分析的人脸识别”方法，结合了人脸图像的镜像对称性和核主成分分析（KPCA）技术，旨在解决光照、姿态变化等因素对识别性能的影响。 对于原始人脸图像，应用小波变换进行压缩处理，目的是减小数据量并保留图像的主要信息。小波变换能够捕捉到图像的局部细节和多尺度特性，特别是在低频部分，通常包含了人脸的主要结构信息。因此，从小波分解的结果中选取低频分量作为后续处理的基础。 接着，利用镜像变换得到人脸图像的镜像偶对称和镜像奇对称图像。这是基于人脸左右对称性的特点，即人的左半边脸和右半边脸在一定程度上是可互换的。通过这种方式，可以增加样本的多样性，进一步增强算法对不同光照和姿态的适应性。 随后，对奇偶对称图像分别进行核主成分分析。KPCA是一种非线性主成分分析方法，它通过核函数将数据映射到高维空间，使得在高维空间中的线性关系在原始数据空间中表现为非线性关系。这有助于提取出人脸图像中的非线性特征，特别是在光照和表情变化复杂的情况下。 提取出的奇偶特征通过一个加权因子进行融合，以平衡奇偶特征的贡献，这个权重因子可以根据实际需求调整，以优化识别效果。这种方法考虑了奇偶对称性在人脸识别中的重要性，通过组合不同对称性下的特征，提高了识别的鲁棒性。 采用最近邻分类器进行分类。最近邻分类器基于距离度量，将测试样本与训练集中最接近的样本进行比较，从而决定其类别。这种简单的分类策略在人脸识别中常用，因为它能有效处理高维特征空间中的数据。 通过在ORL人脸数据库上的实验，该方法表现出增强样本容量的能力，能够在一定程度上克服光照和姿态变化的不利影响，提高了人脸识别率。实验结果验证了所提出方法的有效性。 总结来说，基于对称核主成分分析的人脸识别方法通过结合人脸的镜像对称性、小波变换、KPCA和最近邻分类器，实现了对光照和姿态变化的鲁棒性，并提高了识别的准确性。这种方法对于实际应用中的人脸识别系统具有重要的参考价值。