基于PCA余像空间的ICA混合特征人脸识别方法(2)

个不同人脸库的人脸图像样本。

含15个人,每人11张图片,共165张人脸图片,全选所有15个人,每人随机选取5张图片作为训练样本,而剩余的6张作为测试样本;库3(NAROD库)含有20个人,每人含有3～10张数目不等的人脸图片,总共124张人脸图片,假定某个人在库中含有2n张人脸图片(n=(2,…,5)),则随机选取其中

n张作为训练样本,剩余n张作为测试样本;假定某个人在库

中含有2n+1张人脸图片(n=(1,……5)),则随机选取其中

n张作为训练样本,剩余n+1张作为测试样本,最终我们得到

NAROD库训练样本集的样本总数为58,测试样本集的样本

总数为66。

表1　实验使用的3个不同的人脸库

库编号库1(ORL)

(Y))

人数训练集样本总数测试集样本总数

40200)75)

200(40×5)

90(15×6)

66

/主元个数以达

2到最好的效果,库1含200个训练样本,故最终选取200个独立元/主元;库2含75个训练样本,相应地选取75个独立元/主元;库3含58个训练样本,故选择58个独立元/主元进行特征映射。

库1(ORL库),10张人脸图片,共400张人脸图片,全取所有40个人,每人随机选取5张图片作为

训练样本,剩余的5张图片作为测试样本;库2(YALE库)共

表2　实验结果

本文方法

丢弃的使用的主元数

10913

2阶PCA

PCA/ICA

库

库1(ORL库)

库2(YALE库)库3(NAROD库)

w1∶w2

识别率

(%)97.0093.3181.91

丢弃的

10913

使用的

2007558

识别率

(%)95.5091.1174.24

使用基元数

2007558

识别率

(%/%)94.40/95.6487.10/92.0066.67/75.80

独立元数

2007558

主元数独立元数

0.83∶0.170.36∶0.640.07∶0.93

　　表2是实验结果,其识别率是15次随机实验的平均结果。指标“丢弃的主元数”表示从“1次PCA主元特征脸集”中去除的代表光照变化的主元数目,对于光照变化强烈的人

脸库(w2相对w1较大),则“丢弃的主元数”与“使用的独立元数/主元数”的比值相对较大;相反,则该比值相对较小,而

w2相对w1也较小。如表2所示,对光照变化最为强烈的

化不太明显的ORL库,尽管识别率上的差距并不显著,但是本文所采用的基于混合特征的识别方法仍使识别率保持在

97%左右,这也体现了本文提出的基于PCA余像空间的ICA

混合特征识别方法具有较强的适应性。

在识别效率方面,由于本方法是基于PCA余像空间的

ICA混合特征识别,人脸图像通过PCA余像空间投影和之后

NAROD库,基于PCA余像空间的独立元特征在混合特征中的独立元特征抽取,其特征维数已大大降低,将得到的混合特征送入最近邻特征线分类器进行分类识别,在算法的识别效率上与传统基于单纯独立元分析的人脸识别方法相近,但却能获得更佳的识别效果和更好的抗外界因素干扰能力。

所占的比例最大(w2=0.93),它表示光照因素对整个人脸图像的影响较大,而对于ORL库,该比例仅为0.17(w2=

0.17)。

从表2可以看到,对于光照变化较大的YALE库,2阶

PCA方法由于考虑到了光照干扰的影响,较之传统基于特征

4　结语

本文提出了基于PCA余像空间的ICA人脸识别方法,通过对1次主元分析后得到的余像特征脸集作独立元分析

,得到人脸图像基于PCA余像空间的ICA特征投影,然后与原始人脸图像的独立元特征投影进行加权求和得到混合特征,将混合特征送入NFL分类器进行识别。该方法能有效克服人脸图像受光照、人脸姿态变化等干扰因素的影响。实验表明,相对于传统基于特征脸的1阶PCA人脸识别方法以及基于2阶特征脸的人脸识别方法,该方法具有较强的抗外界干扰能力和适应性,是一种有效的人脸识别方法。

下一步的工作希望通过适当方法自动确定光照对人脸图

(下转第1631页)　

脸的识别方法的识别率要高出5个百分点还多,而传统基于独立元分析法的人脸识别方法在识别率上稍高于2阶PCA,这说明在表现人脸姿态、角度变化上,独立元特征较之主元特征更具优势,它也从某个角度反应了人脸的某些重要特征包含在高阶统计信息当中。而本文方法不仅考虑到了光照影响,而且对PCA余像空间进行分析的独立元分析法提取出有效的人脸图像高阶统计特征信息,这使得本文方法在识别率上高出2阶PCA近2个百分点,同时稍高于基于ICA的人脸识别方法。

而对于光照变化更为强烈的NAROD人脸库,从表2的最后一行可以看到,本文方法的优势更加明显。对于光照变

第7期陈良育等:基于图形理解的汉字构形自动分析系统1631　　　　

的位置关系,产生汉字部件构形描述。通过这个结果,可以直接统计出汉字部件频率;在文献[7]的基础上,可以产生汉字数学表达式,可进一步用于汉字加密、压缩、

传输等安全领域。

　　将所有28120张构件图片进行部件组成和组合,产生汉

字的部件描述,经过验证,有效率达90%以上。在汉字部件描述中,可以利用部件间的位置关系,得到汉字部件结构位置关系,统计得到汉字上下型结构1565字,有效率达99%。

根据汉字部件描述可以得到汉字部件统计,表2是对GB2312280字符集一些汉字部件的统计结果。

5　结语

图3　汉字构形自动分析系统流程图

实验对常用200多个部件规则已经进行了程序转化,以汉字构件图片为基础,产生汉字部件构形描述。表1是第

2096号“萍”字的汉字部件构形描述。

表1　“萍”字汉字部件构形描述

部件代码

部件构形描述

本文以GB2312280字符集为研究对象,经过图像形态学等基本操作,产生汉字构件图片,并利用汉字部件知识库,完成构件到部件转化,最后生成汉字部件构形描述、汉字构件统计以及汉字数学表达式等结果,完成汉字构形自动分析,并付诸于完整系统实现。参考文献:

[1]　,张

.[J].自动化

,(3):-],,,[Z].

36(草字头)包含1个构件;凸包(12,12,92,28);中心点坐标(52,20361(三点水)包含3个构件;凸包(9,32,32,93);(20,277(平字)包含3个构件;凸包(;(66,,2002.

,殷建平,陈火旺,等.汉字的数学表达式研究[J].计

算机研究与发展,2002,39(6):707-711.

码,。凸包是包含构件图片黑像素点的最小长方形。从部件中心坐标关系可以看出“萍”字中部件361和部件277是左右关系,部件36和部件

361、部件277是上下结构关系。

表2　汉字部件统计结果表

部件金字旁

提手旁三点水草字头

个数

220284397441

[4]　孙星明,杨茂江,刘国华,等.完全基于结构知识的汉字笔画抽

取方法[J].计算机研究与发展,2000,37(5):543-550.

[5]　SUNXM,YANGLH,TANGYY,etal.Anewstrokeextraction

methodofChinesecharacters[J].

InternationalJournalofPattern

RecognitionandArtificialIntelligence,2001,15(4):701-721.[6]　金连文,徐睿,高学,等.一种基于数学形态学的手写汉字方向

特征提取方法[J].计算机工程,2003,29(20):38-39.

个数

336915264

示例铁

提清草

部件平字口字框言字旁衫字旁

示例评困语杉

[7]　张问银,孙星明,曾振柄,等.汉字数学表达式的自动生成[J].

计算机研究与发展,2004,41(5):848-852.

[8]　SUNXM,CHENHW,YANGLH,etal.Mathematicalrepresenta2

tionofaChinesecharacteranditsapplications[J].(8 …… 此处隐藏：3706字，全部文档内容请下载后查看。喜欢就下载吧 ……