基于鏡像奇異值分解的單樣本人臉識(shí)別

自20世紀(jì)90年代以來,人臉識(shí)別技術(shù)已成為計(jì)算機(jī)視覺、模式識(shí)別和信息技術(shù)等領(lǐng)域研究的熱點(diǎn)課題之一,并且在此基礎(chǔ)上提出了主成分分析PCA(Principal Component Analysis)[1,2]、二維主成分分析2DPCA（Two-Dimensional Principal Component Analysis)[3]、雙方向的二維主成分分析[4]和線性鑒別分析LDA(Linear Discriminant Analysis)[5]等有效的識(shí)別方法。但是，現(xiàn)有的正面人臉圖像的識(shí)別方法，僅當(dāng)有充分?jǐn)?shù)量的有代表性的人臉圖像樣本時(shí)才能取得較好的識(shí)別效果。然而在一些特殊場(chǎng)合，如法律實(shí)施、海關(guān)護(hù)照驗(yàn)證和身份證驗(yàn)證等，每類(人)只能得到一幅圖像，此時(shí)就只能用這些數(shù)目有限的圖像去訓(xùn)練人臉識(shí)別系統(tǒng)。若用前面提到的那些方法處理這種訓(xùn)練樣本數(shù)目有限的人臉識(shí)別系統(tǒng)，識(shí)別率會(huì)明顯下降,甚至變得不再適用。參考文獻(xiàn)[6]首先對(duì)原始人臉圖像利用奇異值分解，然后運(yùn)用分解得到的較大的幾個(gè)奇異值對(duì)原始人臉圖像近似重構(gòu)，并且將重構(gòu)人臉圖像和原始圖像一起作為訓(xùn)練樣本，從而對(duì)原訓(xùn)練樣本個(gè)數(shù)進(jìn)行擴(kuò)展，再對(duì)增加了訓(xùn)練樣本后的樣本集運(yùn)用2DPCA方法進(jìn)行特征抽取，該方法可取得較好的識(shí)別效果。但是由于人臉圖像存在姿態(tài)、表情等變化，而且這個(gè)變化越大，算法的識(shí)別誤差也越大。基于此，本文提出了一種基于圖像鏡像和奇異值分解的鏡像奇異值分解方法。該方法首先對(duì)人臉圖像做鏡像變換，然后對(duì)原始人臉圖像和鏡像圖像分別做奇異值分解，接著用較大的幾個(gè)奇異值分別對(duì)原人臉圖像重構(gòu)，將這些重構(gòu)圖像、原圖像以及鏡像圖像一起作為訓(xùn)練樣本運(yùn)用(2D)2PCA方法對(duì)其進(jìn)行特征抽取，最后使用基于最小歐氏距離的分類方法對(duì)樣本集進(jìn)行分類識(shí)別。由于考慮了人臉圖像的旋轉(zhuǎn)等姿態(tài)變化,在ORL人臉數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明，該方法比參考文獻(xiàn)[6]中的方法有更好的識(shí)別性能。
1 方法的思想與實(shí)現(xiàn)
1.1 鏡像人臉圖像生成
增加鏡像圖像可以部分消除由于頭部的旋轉(zhuǎn)對(duì)人臉識(shí)別造成的影響，而且人臉圖像是基本對(duì)稱的[7]，則此時(shí)可以考慮將原始人臉圖像A以其垂直中心軸由式(1)作鏡像變換,從而對(duì)原始訓(xùn)練人臉圖像的個(gè)數(shù)進(jìn)行擴(kuò)展。
A1=A×M (1)
其中，M為反對(duì)角線元素為1、其余元素為0的方陣。
1.2 基于奇異值分解的人臉表示