基于2DPCA和流形学习LPP算法的人脸特征提取应用

李国芳

摘要：人脸图像的特征提取是人脸识别系统中最关键同时也是难题之一。流形学习算法是近些年的人脸识别和语音识别两个领域应用较多的非线性降维方法。通过对人脸识别系统的研究，现提出一种全新的基于2DPCA（Two-Dimentional PCA）和流形学习LPP（Locality Preserving Projections）算法的特征提取方法，可为今后深入研究人脸识别技术提供较好的参考。仿真实验表明，该算法与传统特征提取PCA、LDA算法相比，可以取得更好的识别率。

关键词： 流形学习； 人脸识别； 特征提取； 2DPCA算法； LPP算法

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）31-7438-04

Abstract：Face-image feature extraction is one of the key technologies and problems in face recognition systems. Manifold learning algorithm， as a non-linear dimension reduction method， has been used in facial recognition field and speech recognition field in recent years. A new feature extraction based on 2DPCA（Two-Dimentional PCA） and LPP（Locality Preserving Projections） algorithm of the manifold learning is proposed through systematic study of facial recognition system. And it may provide a good reference for further study of facial recognition technology. The simulation experiment shows that this algorithm has better recognition rate as compared with PCA， LDA algorithms of traditional feature extraction.

Key words：manifold learning； face recognition； feature extraction； 2DPCA algorithm； LPP algorithm

图像识别是利用计算机处理、分析图像，因采集的图像受外部环境的影响，使得图像具有特殊性，复杂性[1]。能否从人脸图像中提取有效描述人脸特征的参数，对人脸识别系统的运行效率和成败有着重大的影响[2]。

PCA算法可能会因计算过程中维数过高而在某些环境中的识别效果差强人意，不利于提高运行效率[3]。流形是数学中描述几何形体的总称，流形学习由Bregler等人在可视化语音识别的学术论文首次提出的非线性降维方法[4]，通过学习数据流形的几何拓扑结构来解决特征提取、分类等问题，找到高维空间中数据的低维流形结构[5]。

文中试图将一种全新的基于2DPCA和流行学习LPP算法结合用于人脸图像的特征提取中。在仿真实验中，针对ORL和Yale人脸库进行特征提取与识别，并与经典的PCA、LDA算法作对比分析。

1 2DPCA算法

5 结论

文中提出了一种全新的人脸识别方法，结果表明在ORL和Yale人脸库的识别中得到了较好的效果。流形学习算法尚处于理论阶段，文中的研究对人脸识别的研究是一次很有意义的尝试，相比传统的PCA与LDA算法，运用文中提出的人脸特征提取方法在ORL和Yale人脸库的识别中得到了较高的识别率。该文的下一步的研究方向主要是采用文中的算法对现有的其它的人脸库和自建人脸库分别进行仿真实验，提高非特定人的识别率，将其作为人脸识别的一个重要研究方法加以推动。

参考文献：

[1] 徐彩云.图像识别技术研究综述[J].电脑知识与技术，2013，4，9（10）：2446-2447.

[2] 张旭博，周渊平.基于MFCC和VQ码书的说话人识别系统研究[J].通信技术，2009，42（9）：162-164.

[3] 李康顺，李凯，张文生.一种基于改进BP神经网络的PCA人脸识别算法[J].计算机应用与软件，2014，31（1）：158-161.

[4] HE X F ， CAI Deng， MIN W L. Statistical and Computational Analysis of Locality Preserving Projection[C].International Conference on Machine Learning，2005：281-288.

[5] 徐蓉，姜峰，姚鸿勋.流形学习概述[J]. 智能系统学报，2006，1（01）：44-51.

[6] YANG J， ZHANG D， FRANGI AF， YU Y J. Two Dimensional PCA：A New Approach to Appearance-Based Face Representation and Recognition.IEEE Transactions Pattern Anal Mach Intell.2004，26（01）：131—137.

[7] 赵雅英，谭延琪，马小虎. 基于样本扩充和改进2DPCA的单样本人脸识别[J].计算机应用，2011，31（10）：2728-2756.

[8] HE X F，YAN S C， HU Y X， etc. Face Recognition Using Laplacian Faces[J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005，27（03）：328-340.

[9] 季伟， 王力.基于流形学习LPP算法的语音特征提取应用[J].通信技术，2013，46（12）：15-18.