关键字 |
| 离散余弦变换、主成分分析、人脸识别。 |
介绍 |
| 基于生物识别技术近年来得到普及。它已成为识别个人成功的选择。任何生理或行为特征可以用来识别一个人只要是永久性的(不变的)或不同的为每个单独的[1]。人脸识别技术近年来已经成为一个活跃的研究领域。人脸识别技术来识别人的脸从静态图像或anyvideo。开发这样一个系统,我们使用图像数据库的脸图像[2]。 |
| 几种方法对人脸识别在文献中提出的。中提取有效的降维是至关重要的特性和减少计算复杂度分类阶段。主成分分析(PCA)[3],[4],线性判别分析(LDA)[5]和离散余弦变换(DCT)[6]是主要用于数据简化和特征提取的技术基于外观的方法。基于主成分分析的模型在向量。他们使用基于Eigenface方法。文学的模式识别,几个PCA变异等使用模块化的PCA[7],内核PCA[8],独立分量分析[9]等二维(2 d) PCA消除了需要将2 d图像矩阵转化为一维向量与传统PCA [10]。而二维主成分分析工作只在一个方向上,无论是行或列,两个方向的二维主成分分析工作在两个方向上同时[11]。另一方面,基于DCT技术提取最重要的训练图像的DCT系数作为特征提取的一部分。某些标准化技术可以提高基于DCT的人脸识别系统的鲁棒性在面部几何和光照变化[12]。DCT可以适用于整个额全球DCT图像获取特性或当地的特性,如鼻子、眼睛等,可以提炼出手动然后DCT可以应用到他们形成当地DCT特征。 When local and global features are combined, DCT gives a relatively high recognition rate [13]. In DCT-PCA based face recognition technique, PCA is directly applied on the extracted DCT coefficients of the face images, thus achieving dimensionality reduction and also improved recognition rates [14]. |
| 在本文中,我们试图研究DCT-PCA人脸识别的基础技术。我们也比较该技术与传统的PCA和DCT和比较研究。标准的脸上的实验进行数据集ORL、曼彻斯特理工和一个真实的数据集。剩下的纸是组织如下:第二节讨论了PCA,基于DCT和DCT-PCA脸认识了在第三节,第四节介绍了实验结果。最后一个工作是在第五节总结。 |
但仍然基于成分分析的人脸识别 |
| 利用PCA特征提取技术的想法代表脸图像最初是由科比和报告[3]。这种方法后来被用于脸表示和识别技术通过土耳其和Pentland [4]。Eigenface使用的主成分分析技术为基础,在所有培训面临的2 d图像矩阵图像转换为一维向量,然后表示为一个点在高维向量空间,称为特征向量空间。 |
| 让a1, a2, a3,…。,aMbe M training samples each of size r x c. Each 2D image matrix ai (i=1,2,…,M) is converted into 1D image vector and then mean centered by subtracting the mean image from each vector as follows: |
 (1) |
| 数据矩阵的大小N x M (M是训练图像的数量N = r * c元素的数量在ai)是由使用意味着集中图像向量为: |
 (2) |
然后我们计算协方差矩阵乘以数据矩阵 和它的转置: |
 (3) |
计算协方差矩阵的特征向量和向量kEigen klargest对应特征值是命令按照降序排列形式Eigenface空间。让 ,获得Eigenface空间。 |
| 一旦获得特征空间,每一个集中训练图像向量(ai)投影到特征空间。 |
 (4) |
| 在分类阶段,第一个测试图像是指集中通过减去均值图像从测试图像向量。然后投射到获得特征向量空间为: |
 (7) |
和 (6) |
| 之间的比较是完成预计每个训练图像和测试图使用相似性度量。训练图像发现接近测试图像是用来测试图像进行分类。最广为人知的相似性度量是欧几里得距离。 |
基于DCT和DCT-PCA方法 |
| DCT是可逆线性变换,可以表达有限序列的数据点的总和的余弦函数在不同频率的振荡。最初的脸图像转换为频域采用2 d DCT。可以恢复从原始图像DCT系数通过使用反转2 d DCT [6]。 |
| 在基于DCT的人脸识别、重要的训练图像的频率成分,通过DCT函数提取。培训包含图像的特征向量提取,更相关的信息。在分类阶段,获得的特征向量训练图像和测试图像使用相似性测度方法相比,主要是欧氏距离。训练图像与最小距离是用来测试图像进行分类。给定一个由c图像f r (r、c), 2 d r c DCT定义如下: |
|
| 在基于DCT-PCA方法中,最初2 d DCT函数给出了方程(7)应用在脸上图像DCT系数。在这些系数,我们只提取这些系数代表更多的相关信息。一旦相关的频率成分提取,应用主分量分析在特征提取[14]。通过应用主成分分析提取的DCT系数,达到更高的压缩率,也可以提高识别率。 |
实验结果 |
| 我们的实验需要使用两个标准数据集ORL和曼彻斯特理工和一个真实的数据集,包括面部的轻微变化姿势,光照、表情等。 |
结果数据集ORL脸上 |
| ORL数据库由ofgrayscale面临40人的10个样本的图像。112 x 92的图片是新尺寸。他们代表的轻微变化姿势和表情。图1显示了示例ORL的图像数据集。 |
 |
| 实验包括以各种方式不同训练样本的数量。我们首先考虑备用样品等(i) 1, 3, 5, 7, 9, (ii) 2, 4, 6, 8 10培训和剩下的样品进行测试。我们也考虑训练,连续样品(3)1,2,3,4,5,(iv) 6, 7, 8, 9, 10, (v)随机7和4 (vi)随机样本所有培训和剩余的脸图像进行测试。在上述实验中,我们记录的识别精度,实现了算法在不同维度下的特征向量。不同维度考虑我们的工作5、10、15、20、25。 |
| 在本文中,我们考虑过DCT-PCA实现及其性能与传统的PCA和DCT相比。实验结果在ORL数据库使用DCT-PCA绘制在图2所示。在DCT-PCA,首先,我们应用二维DCT功能训练脸上图像;从100年面对图像的DCT系数,提取最相关的频率成分。在这些脸的DCT系数中提取图像,应用主成分分析,进一步降低了维数从图像中提取的特征。为了进行比较分析,我们进行了相同的实验上面提到的PCA和DCT。获得的结果通过使用PCA在ORL数据库图3所示。 |
 |
| DCT技术在ORL数据库的性能图4所示。从ORL数据集上的实验结果,我们可以说DCT的表演和DCT-PCA比PCA。还DCT-PCA执行优于DCT在大多数情况下,除非有少量的训练样本。而且,使用的脸表示的系数DCT-PCA DCT相比较小。因此,我们可以说DCTPCA优于其他两种方法,这显然是图5所示,图3算法的性能在ORL训练样本6、7、8、9和10所示。 |
 |
曼彻斯特理工脸上的数据集的结果 |
| 本文实验的另一个数据集被认为是曼彻斯特理工数据集。它由20人的脸图像与不同数量的样品。我们的实验中,我们只考虑15样品的每个人。图7显示了15个样品的曼彻斯特理工的一个人。 |
 |
| 同一组进行实验,在ORL也曼彻斯特理工数据集上执行本文提到的所有不同的人脸识别方法。的15个样本,这里的每个人,我们已经考虑了样本训练子集和休息在ORL测试在同样的方式。获得的认可率使用DCT-PCA, PCA和DCT在曼彻斯特理工是绘制在图7中,图8和图9分别。 |
| 从曼彻斯特理工数据集上实验结果,我们可以分析DCT和DCT-PCA优于传统的PCA在ORL数据集的情况下。另一方面,DCT和DCT-PCA曼彻斯特理工数据集上执行几乎以类似的方式,在某些情况下DCT-PCA执行得更好。而DCT的性能改善,即使降低特征向量的维度。自从DCT-PCA使用较少数量的比DCT系数的脸表示,我们可以说DCT-PCA是一种有效的人脸识别技术。图10显示了情节的表演3算法对训练样本在曼彻斯特理工1,2,3,4,5,6,7,这清楚地表明,DCT-PCA性能更好。 |
 |
 |
结果真正面临数据集 |
| 我们也有扩展我们的工作在真正面对数据集,由16人每7脸样本。他们代表的轻微变化姿势,表情和照明。7这样的样本真实数据集的一个人是图11所示。 |
 |
| 实验结果获得使用DCT-PCA, PCA和DCT在真实数据集在图12所示,分别为13和14。我们一直使用几乎相同的实验设置,在ORL和曼彻斯特理工真实数据集,除了有1组随机抽样(随机5样品1,3、4、6、7)被认为是培训,不像ORL或曼彻斯特理工。 |
 |
| 在真实数据集的情况下,DCT-PCA不会产生一种改进的识别率比DCT,但比主成分分析提供了一个更好的结果。但是我们仍然可以认为在三种方法中,DCT-PCA更好,因为它使用非常少的系数和达到更高的压缩比DCT的脸表示。在ORL和曼彻斯特理工DCT-PCA的性能不下降甚至降低特征向量的维数在真实数据集,这是一个优势。 |
 |
结论 |
| 在这篇文章中,我们实现和测试人脸识别的三种方法,PCA, DCT和一个集成的方法称为DCT-PCA。标准数据集上的实验进行ORL和曼彻斯特理工和一个真实的数据集。各种实验是对这些数据集进行了使用三个算法;它包括不同训练样本的数量在不同的方法在不同维度下的特征向量。 |
| 从实验结果,我们得出这样的结论:DCT和DCT-PCA技术,在频域内进行工作,使识别精度优于PCA在空间域的工作。此外,DCT-PCA DCT和PCA,作品比其他两种技术的识别精度和计算效率。 |
引用 |
- 耆那教等,介绍生物特征识别,IEEE电路和系统视频技术,14卷,没有。2004年1月1日。
- 诉讼m·迪亚,DevangRathod Jigna j . Jadav“人脸识别方法的调查”,国际工程研究和应用程序(IJERA)杂志ISSN: 2248 - 9622卷。3,问题1、pp.632 - 635, 2013年1月2月。
- m . Kirby和l .她“应用程序Karhunen-Lokve过程的表征人脸”,IEEEtransactions模式分析和机器智能。12.卷。1。1990年1月。
- m·a . Turk和a . p . Pentland j . Cogn.Neurosci“Eigenfaces识别,”。,3卷,第86 - 71页,1991年。
- 周,et al .,“基于PCA的人脸识别图像重建和LDA”, Optik——Int。j .光电子选择。http://dx.doi.org/10.1016/j.ijleo.2013.04.108 (2013)。
- AnandNajan教授,教授a.c. Phadke太太,“基于DCT的人脸识别”,国际工程创新与研究杂志》上,卷1,问题5,ISSN: 2277 - 5668。
- RajkiranGottumukkal VijayanK。Asari”,一种改进的人脸识别技术,基于模块化的PCA方法”,模式识别Letters25, 429 - 436, (2004)。
- M.H.杨“内核Eigenfaces与内核Fisherfaces:人脸识别使用内核的方法,“Proc。第五IEEE国际相依自动脸和手势识别(RGR ' 02),第220 - 215页,2002年5月。
- 硕士巴特利特,jr Movellan T.J. Sejnowski,“由独立分量分析人脸识别,”IEEE反式。神经网络,vol.13,没有。6,1450 - 1464年,2002页。
- j·杨,d,自动跟踪Frangi, J.Y.杨”二维主成分分析:基于新方法出现的脸表示和识别”,IEEE反式。模式肛门。马赫。智能,26 (1)131 - 137 (2004)。
- Daoqiang张Zhi-Hua周”(2 d2 PCA):双向二维主成分分析对有效的表示和识别”,Neurocomputing 69年,224 - 231,(2005)。
- 济m。马丁·d·莱文,白沙滩里闪现出“人脸识别使用离散余弦变换”,国际计算机视觉杂志》43(3),167 - 188年,2001年。
- 阿曼r·查达帕拉维·埃呀尔·Vaidya m·摩尼夺得,“面部识别使用离散余弦变换为全球和本地功能”,《2011年国际会议上最近的进步电气、电子和控制工程(IConRAEeCE) IEEE Xplore: CFP1153R-ART;ISBN: 978-1-4577-2149-6。
- Swarup K。D, Sukadev马赫,人脸识别”为核心的“新技术forDCT-PCA, InternationalConference ElectronicSystems, http://hdl.handle.net/2080/1356, 2011年。
|
菜单
(1)
(2)
和它的转置:
(3)
,获得Eigenface空间。
(4)
(7)
(6)
