利用小波变换提高基于KPCA方法的人脸识别性能

被引：10

作者：

杨绍华 ^{[1
]}

林盘 ^{[2
]}

潘晨 ^{[1
]}

机构：

[1] 宁夏大学数学计算机学院

[2] 福建师范大学软件学院

来源：

山东大学学报(理学版) | 2007年 / 09期

关键词：

人脸识别; 小波变换; 核主成分分析;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

基于核主成分分析(KPCA)的人脸识别算法能够提取非线性图像特征,在小样本训练条件下有较好性能.然而并非所有非线性特征对识别都有利,过多的不相关特征可能会降低识别性能.针对图像信息冗余的特点,预先对图像进行小波变换,通过消除对识别无关的细节信息,不仅提高了KPCA方法的识别精度,而且降低了该算法对计算机硬件的要求.同时,为了抑制KPCA对光照等变化的较高敏感性,还提出一种对图像灰度进行衰减的预处理策略.基于ORL数据库的实验表明,综合上述措施的系统比传统方法具有更快的训练速度和更高的识别精度.

引用

页码：96 / 100+106 +106

页数：6

共 11 条

[1]

Two-dimensional PCA:Anew approach to appearance-based face representation andrecognition. YANG J,ZHANG D,YANG J Y. IEEE Trans.on Pattern Anal Machine Intell . 2004

[2]

Nonlinear component analysis as a kernel eigenvalue problem. Bernhard Sch?lkopf,Alexander Smola,Klaus Robert Muller. Neural Computation . 1998

[3]

Non-negative matrixfactorization on kernels. ZHANG D Q,CHEN S C,ZHOU Z H. Proceedings of the 9th pacificrim international conference on artificial intelligence(PRI-CAI′06) . 2006

[4]

A theory for multiresolution signal decomposition. Mallat S. IEEE Transactions on Pattern Analysis and Machine Intelligence . 1989

[5]

Frequency-based Non-rigid Motion Analysis. Nastar C,Ayache N. IEEE Transactions on Pattern Analysis and Machine Intelligence . 1996

[6]

Principal Manifolds and Probabilistic Subspaces for Visual Recognition. Moghaddam B. IEEE Transactions on Pattern Analysis and Machine Intelligence . 2002

[7]

Input Space vs, Feature Space in Kernel-based Methods. Scholkopf B,Mika S,Burges C,et al. IEEE Transactions on Neural Networks . 1999

[8]

Eigenfaces vs fisherfaces:Recognition using class specific lin-ear projection. Peter N Belhumeur,Joao P Hespanha,David J Kriengman. IEEE Trans on Pattern Anal Machine Intell . 1997

[9]

Eigenfaces for recognition. TURK M,PENTLAND A. Jour-nal of Cognitive Neuroscience . 1991

[10] 具有统计不相关性的图像投影鉴别分析及人脸识别 [J].

杨健 ;

杨静宇 .

计算机研究与发展, 2003, (03) :447-452

← 1 2 →