基于LLE算法的人脸识别方法摘要:探讨了局部线性嵌入(LLE)算法的推导过程,提出了一种基于LLE算法的人脸识别方法,并实验分析了该方法在ORL和UMIST人脸数据库中的识别效果关键词｡:子空间分析;局部线性嵌入;非线性降维;人脸识别:TP391.41文献标志码:A:1001-3695(2007)10-0176-02??0引言??人脸识别由于在身份认证视觉监控以及人机接口等方面有着广泛的应用前景､,从而成为目前模式识别和计算机视觉领域的一大研究热点通常得到的图像空间维数均非｡常高,例如一幅23×28像素的人脸图像,它的维数就是644维如果把人脸图像均看成是这｡样高维空间中的点,那么表示人脸图像的点的分布可能是很不紧凑的,因而不利于分类,并且计算复杂度也非常大为了得到人脸图像的较紧凑分布｡,M.Kirby等人[1]和M.Turk等人[2]首先把主元分析的子空间思想引入到人脸识别中,并获得了较大成功随后子空间分析｡方法就引起了人们的广泛注意,成为当前人脸识别的主流方法之一子空间分析的思想就是｡根据一定的性能目标来寻找一个线性或非线性的空间变换,把原始信息数据压缩到一个低维子空间,使数据在子空间中的分布更加紧凑,为数据的更好描述提供了手段,计算的复杂度也得到了大大降低｡??LLE算法是S.T.Roweis等人[3]针对非线性数据提出的一种新的无监督的降维方法,能够使降维的数据保持原有的拓扑结构｡LLE算法具有平移旋转以及缩放､不变性,可以广泛地应用于非线性数据的降维聚类可视化以及图像分割等领域､､[3,4]针｡对目前国内对LLE算法及其应用的研究文献报道较少,本文首先介绍了LLE算法,并给出了必要的推导过程;接着提出一种将LLE算法应用于人脸识别的方法;最后采用ORL[5]和UMIST[6,7]人脸数据库验证了该方法的可行性和有效性｡??实验2UMIST人脸库中随机选取20幅(每个人一幅)图片作为识别测试集,剩下的544幅作为训练集,近邻点个数??K??设定为7,样本输出向量维数设定为64其实验结果如图｡2所示由图｡2可知,20幅测试图片均得到正确识别,准确率为100%｡??4结束语??本文提出了一种基于LLE算法的人脸识别方法,实验结果表明该方法具有很高的正确识别率,且对于表情变化和姿态变化有良好的鲁棒性｡参考文献:??[1]KIRBYM,SIROVICHL.Applicationofthekarhunen??loeveprocedureforcharacterizationofhumanfaces[J].IEEETransonPatternAnalysisandMachineIntelligence,1990,12(1):103??108.??[2]TURKM,PENTLANDA.Eigenfacesforrecognition[J].CognitiveNeuroscience,1991,3(1):71-86.??[3]ROWEISST,SAULLK.Nonlineardimensionalityreductionbylocallylinearembedding[J].Science,2000,290(5000):2323-2326.??[4]SAULLK,ROWEISST.Anintroductiontolocallylinearembedding[EB/OL].[2006-07].wwcs.toronto.edu/~roweis/lle/publications.??[5]ATTLaboratoriesCambridge.TheORLdatabaseoffaces[EB/OL].[2006-07].wwcl.cam.ac.uk/Research/DTG/attarchive:pub/data/att_faces.zip.??[6]GRAHAMDB,ALLINSONNM.TheUMISTfacedatabase[EB/OL].[2006-07].images.ee.umist.ac.uk/danny/database.??[7]GRAHAMDB,ALLINSONNM.Characterizingvirtualeigensignaturesforgeneralpurposefacerecognition[C]//WECHSLERH,DHILLIPSPJ,BRUCEV,??etal.??FaceRecognition:FromTheorytoApplications,NATOASISeriesF,ComputerandSystemsSciences.1998.446-456.??[8]徐志节,杨杰,王猛.一种新的彩色图像降维方法[J].上海交通大学学报,2004,38(12):2063-2067.“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文”