基于POEM_SLPP的人脸识别算法.pdf

【基于POEM_SLPP的人脸识别算法】 在人脸识别领域，高效准确的特征提取和降维方法是关键。本文提出的“基于POEM-SLPP的人脸识别算法”旨在解决由方向边缘幅值模式（POEM）提取特征时所面临的高维度问题和计算复杂度问题。POEM是一种用于描述图像边缘信息的特征表示方法，它通过分析图像中不同方向的边缘幅度来捕获人脸的局部结构。然而，POEM得到的特征向量维度通常很高，这不仅增加了计算负担，也可能导致识别性能下降。 为了解决这个问题，作者提出结合POEM与有监督的局部保持投影（Supervised Locality Preserving Projections，SLPP）的方法。SLPP是一种降维技术，它保留了样本之间的局部结构，并在降维过程中考虑了类别信息，因此在人脸识别中可以更有效地处理高维数据并提高识别性能。 算法流程如下： 1. **特征提取**：利用POEM算子对输入的人脸图像进行处理，提取出包含人脸边缘信息的高维特征向量。 2. **降维处理**：然后，将这些高维特征向量投影到SLPP算法求得的低维空间中。SLPP通过最大化类别内的局部保持和最小化类别间的局部保持来实现降维，同时保持样本的类内相似性和类间差异性。 3. **分类识别**：使用最近邻分类器（Nearest Neighbor，NN）对降维后的测试样本进行分类。NN方法简单且直观，根据训练样本与测试样本之间的距离来确定分类结果。 实验是在CAS-PEAL-R1人脸数据库上进行的，这个数据库包含了多种变化因素，如表情、背景、饰物、年龄和距离等。结果显示，相比于仅使用POEM+LPP或POEM+PCA的算法，基于POEM-SLPP的算法在这些测试集上的平均识别率显著提高，分别提升了22%和2%。这表明，结合SLPP的监督学习特性能够改善高维特征的表达能力，从而提高人脸识别的准确性和鲁棒性。 POEM-SLPP算法提供了一种有效的人脸识别解决方案，它通过结合POEM的边缘信息提取能力和SLPP的降维与分类能力，实现了在复杂环境下的高识别率。这种方法对于未来人脸识别系统的设计和优化具有重要的参考价值。