一种改进的基于奇异值扰动的单样本人脸识别方法.pdf

【文章标题】：一种改进的基于奇异值扰动的单样本人脸识别方法 【文章摘要】：针对单训练样本情况下人脸识别性能不佳的问题，本文提出了一种改进的基于奇异值扰动的人脸识别方法。首先通过奇异值扰动方法扩展人脸样本，然后运用小波变换压缩扩展样本，选择小波变换分解后的低频分量作为子图像，再采用核主成分分析提取人脸的高阶特征，最后根据最近邻分类器进行分类。在ORL和Yale数据库上的仿真实验验证了本文方法的识别性能优于对比方法。 【关键知识点】： 1. **人脸识别**：人脸识别是一种生物特征识别技术，通过捕捉和分析人脸图像，确定个体身份。在单样本情况下，由于训练数据有限，识别准确性往往较低。 2. **奇异值扰动**：奇异值扰动是矩阵理论中的一个概念，用于处理稀疏或不完整数据。在此文中，该方法被用来扩展人脸样本，增加训练数据的多样性，以改善识别效果。 3. **小波变换**：小波变换是一种数学工具，能将信号分解成不同频率的成分。在人脸识别中，它用于压缩和预处理扩展的样本，提取出人脸图像的关键特征。 4. **低频分量**：小波变换后的低频分量通常包含图像的主要结构信息，选择这些分量作为子图像可以保留人脸的基本特征。 5. **核主成分分析(KPCA)**：核主成分分析是主成分分析（PCA）的一种扩展，通过核函数将数据映射到高维空间，从而在非线性情况下也能有效提取特征。在本文中，KPCA用于提取人脸的高阶特征，提高识别的区分度。 6. **最近邻分类器**：这是一种简单的机器学习分类算法，分类时根据测试样本与训练集中最近的样本的距离来决定其类别。在人脸识别中，最近邻分类器用于最后的分类决策。 通过上述步骤，该文提出的方法克服了单样本人脸识别的挑战，通过增加样本多样性、有效特征提取和分类器的选择，提高了整体识别性能。实验结果表明，这种方法在ORL和Yale这两个标准人脸数据库上表现优越，显示了其在实际应用中的潜力。