李國芳

摘要：人臉圖像的特征提取是人臉識別系統(tǒng)中最關(guān)鍵同時也是難題之一。流形學(xué)習(xí)算法是近些年的人臉識別和語音識別兩個領(lǐng)域應(yīng)用較多的非線性降維方法。通過對人臉識別系統(tǒng)的研究，現(xiàn)提出一種全新的基于2DPCA（Two-Dimentional PCA）和流形學(xué)習(xí)LPP（Locality Preserving Projections）算法的特征提取方法，可為今后深入研究人臉識別技術(shù)提供較好的參考。仿真實驗表明，該算法與傳統(tǒng)特征提取PCA、LDA算法相比，可以取得更好的識別率。

關(guān)鍵詞： 流形學(xué)習(xí)； 人臉識別； 特征提??； 2DPCA算法； LPP算法

中圖分類號：TP18 文獻標(biāo)識碼：A 文章編號：1009-3044（2014）31-7438-04

Abstract：Face-image feature extraction is one of the key technologies and problems in face recognition systems. Manifold learning algorithm， as a non-linear dimension reduction method， has been used in facial recognition field and speech recognition field in recent years. A new feature extraction based on 2DPCA（Two-Dimentional PCA） and LPP（Locality Preserving Projections） algorithm of the manifold learning is proposed through systematic study of facial recognition system. And it may provide a good reference for further study of facial recognition technology. The simulation experiment shows that this algorithm has better recognition rate as compared with PCA， LDA algorithms of traditional feature extraction.

Key words：manifold learning； face recognition； feature extraction； 2DPCA algorithm； LPP algorithm

圖像識別是利用計算機處理、分析圖像，因采集的圖像受外部環(huán)境的影響，使得圖像具有特殊性，復(fù)雜性[1]。能否從人臉圖像中提取有效描述人臉特征的參數(shù)，對人臉識別系統(tǒng)的運行效率和成敗有著重大的影響[2]。

PCA算法可能會因計算過程中維數(shù)過高而在某些環(huán)境中的識別效果差強人意，不利于提高運行效率[3]。流形是數(shù)學(xué)中描述幾何形體的總稱，流形學(xué)習(xí)由Bregler等人在可視化語音識別的學(xué)術(shù)論文首次提出的非線性降維方法[4]，通過學(xué)習(xí)數(shù)據(jù)流形的幾何拓撲結(jié)構(gòu)來解決特征提取、分類等問題，找到高維空間中數(shù)據(jù)的低維流形結(jié)構(gòu)[5]。

文中試圖將一種全新的基于2DPCA和流行學(xué)習(xí)LPP算法結(jié)合用于人臉圖像的特征提取中。在仿真實驗中，針對ORL和Yale人臉庫進行特征提取與識別，并與經(jīng)典的PCA、LDA算法作對比分析。

1 2DPCA算法

5 結(jié)論

文中提出了一種全新的人臉識別方法，結(jié)果表明在ORL和Yale人臉庫的識別中得到了較好的效果。流形學(xué)習(xí)算法尚處于理論階段，文中的研究對人臉識別的研究是一次很有意義的嘗試，相比傳統(tǒng)的PCA與LDA算法，運用文中提出的人臉特征提取方法在ORL和Yale人臉庫的識別中得到了較高的識別率。該文的下一步的研究方向主要是采用文中的算法對現(xiàn)有的其它的人臉庫和自建人臉庫分別進行仿真實驗，提高非特定人的識別率，將其作為人臉識別的一個重要研究方法加以推動。

參考文獻：

[1] 徐彩云.圖像識別技術(shù)研究綜述[J].電腦知識與技術(shù)，2013，4，9（10）：2446-2447.

[2] 張旭博，周淵平.基于MFCC和VQ碼書的說話人識別系統(tǒng)研究[J].通信技術(shù)，2009，42（9）：162-164.

[3] 李康順，李凱，張文生.一種基于改進BP神經(jīng)網(wǎng)絡(luò)的PCA人臉識別算法[J].計算機應(yīng)用與軟件，2014，31（1）：158-161.

[4] HE X F ， CAI Deng， MIN W L. Statistical and Computational Analysis of Locality Preserving Projection[C].International Conference on Machine Learning，2005：281-288.

[5] 徐蓉，姜峰，姚鴻勛.流形學(xué)習(xí)概述[J]. 智能系統(tǒng)學(xué)報，2006，1（01）：44-51.

[6] YANG J， ZHANG D， FRANGI AF， YU Y J. Two Dimensional PCA：A New Approach to Appearance-Based Face Representation and Recognition.IEEE Transactions Pattern Anal Mach Intell.2004，26（01）：131—137.

[7] 趙雅英，譚延琪，馬小虎. 基于樣本擴充和改進2DPCA的單樣本人臉識別[J].計算機應(yīng)用，2011，31（10）：2728-2756.

[8] HE X F，YAN S C， HU Y X， etc. Face Recognition Using Laplacian Faces[J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005，27（03）：328-340.

[9] 季偉， 王力.基于流形學(xué)習(xí)LPP算法的語音特征提取應(yīng)用[J].通信技術(shù)，2013，46（12）：15-18.