基于改进PCA的人脸识别算法

合集下载

改进的模块2DPCA人脸识别算法

Ｔｈｒｇｎｌｉｇｓａｅｄｉｉｅｎｏｓｂｉａｅｎｐｏｏｅｌｏｉｈｅｏｉｉａｍａｅｒｖｄｄｉｔｕ — ｍｇｓｉｒｐｓｄａｇｒｍ．Ｅａｈｋｎｆｓｂｉｇｓａｈａｏｉｏｓｄｓｏｅｙ２ｔｃｉｄｏｕ —ｍａｅｔｔｅｓｍｅｐｓｔｎｉｉｐｓｄｂＤＰＣＡｉｉｄｐｎｅｔ，ａｄｔｅｓｂ— ｉｔｎｅｂｔｅｈｏｒｓｏｄｎｕ —ｍａｅｆｔｅｔｓｓｍｐｅａｄｔｅｔａｎｓｍｐｅｃｎｂｉｅＴｈｉｔｎｅｎｅｅｄｎｌｙｎｈｕｄｓａｃｅｗｅｎｔｅｃｒｅｐｎｉｇｓｂｉｇｓｏｈｅｔａｌｎｈｒｉａｌａｅｇｖｎｅｄｓａｃ
ｂｔｅｈｅｔｓｍｐｅａｄｔｅｔａｎｓｍｐｌａｅｃｌｕａｅｙａｄｎｌｔｅｅｄｓａｃｓｂｔｅｈｕ —ｍａｅｏｅｈｒｎｈｅｒｓｅｗｅｅｃｎｂａｃｌｔｄｂｄｉｇａｌｈｓｉｔｎｅｅｗｅｎｔｅｓｂｉｇｓｔｇｔｅ，ａｄｔｅｎａｅｔ
第３７卷第７期
Ｖ＿＿７０３ｌ
・
计
算
机
工
程
２１年４月０１
Ａｐｉ０１ｒｌ２１
ＮＯ７．
ＣｏｕｅｇｉｅｒｎｍｐｔｒＥｎｎｅｉｇ

《2024年基于PCA的人脸识别研究》范文

《基于PCA的人脸识别研究》篇一一、引言人脸识别技术已成为现代社会中不可或缺的一部分，其广泛应用于安全监控、身份认证、人机交互等领域。

然而，由于人脸的复杂性以及各种因素的影响，如光照、表情、姿态等，使得人脸识别成为一个具有挑战性的问题。

为了解决这些问题，研究者们提出了一种基于主成分分析（PCA）的人脸识别方法。

本文旨在探讨基于PCA的人脸识别技术的研究，包括其原理、方法、实验结果及未来发展方向。

二、PCA原理及方法PCA（Principal Component Analysis）是一种常用的统计分析方法，其主要思想是将原始特征空间中的高维数据投影到低维空间中，从而减少数据的冗余性和复杂性。

在人脸识别中，PCA通过将人脸图像的高维特征向量投影到低维空间中，以实现降维和特征提取。

具体而言，PCA方法包括以下步骤：1. 数据预处理：对原始人脸图像进行灰度化、归一化等预处理操作，以便进行后续的降维和特征提取。

2. 构建协方差矩阵：根据预处理后的人脸图像数据，构建协方差矩阵。

3. 计算特征值和特征向量：对协方差矩阵进行特征值分解，得到其特征值和特征向量。

4. 选取主成分：根据特征值的大小选取前k个主成分，构成新的低维空间。

5. 投影与降维：将原始数据投影到新的低维空间中，得到降维后的数据。

三、基于PCA的人脸识别方法基于PCA的人脸识别方法主要包括以下步骤：1. 人脸检测与预处理：通过人脸检测算法从图像中提取出人脸区域，并进行预处理操作，如灰度化、归一化等。

2. 特征提取：利用PCA方法对预处理后的人脸图像进行降维和特征提取。

3. 训练与建模：将提取的特征向量输入到分类器中进行训练和建模，如支持向量机（SVM）、神经网络等。

4. 测试与识别：将待识别的人脸图像进行同样的预处理和特征提取操作后，与训练集中的数据进行比较和匹配，从而实现人脸识别。

四、实验结果与分析本文采用ORL人脸数据库进行实验，对比了基于PCA的人脸识别方法与其他方法的性能。

基于改进的2DPCA对近红外人脸图像的识别方法

人脸识别是指通过对人脸图像的视觉信息进行分析和处理进行身份验证的一种计算机技术．早期
的人脸识别技术都在可见光状态下进行，但在实际应用中，环境光照通常更复杂，光照的强弱、方向
与光源的数量等都会对可见光人脸识别产生影响．为了解决可见光各种因素对人脸识别的影响，人们
ｔｈｅＩｍｐｒｏｖｅｄＴｗｏ — －ＤｉｍｅｎｓｉｏｎａｌＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ
ＷＵＢｏ，ＬＩＵＸｉａｏ — ｈｕａ。ＺＨＯＵＣｈｕｎ — ｇｕａｎｇ（Ｃｏｌｌｅｇｅ０／（７ｏｅｐｒｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００１２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅａｕｔｈｏｒｓｕｓｅｄｔｗｏ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍａｎｄｔｈｅｎｅａｒｉｎｆｒａｒｅｄｆａｃｅｍｅｔｈｏｄｔｏｓｏｌｖｅｔｈｅｉｎｆｌｕｅｎｃｅｏｆｅｎｖｉｒｏｎｍｅｎｔａｌｌｉｇｈｔｏｎｔｈｅｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ，ｏｎｔｈｅｂａｓｉｓｏｆｗｈｉｃｈｔｈｅａｕｔｈｏｒｓａｄｖａｎｃｅｄｔｈｅｔＷＯ — ｗａｙｔｗｏ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍａｎｄｔｗｏ — ｗａｙｓｙｍｍｅｔｒｉｃｔＷＯ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍ，ａｎｄｇｏｔｔｈｅｈｉｇｈｅｒｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｏｆｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｓ．Ｋｅｙｗｏｒｄｓ：ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ；ｎｅａｒｉｎｆｒａｒｅｄ；ｔＷＯ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍ；ｔＷＯ — ｗａｙｔｗｏ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍ；ｔｗｏ — ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍｔＷＯ — ｗａｙｓｙｍｍｅｔｒｉｃａｌ

基于PCA和LDA改进算法的人脸识别技术研究

基于PCA和LDA改进算法的人脸识别技术研究人脸识别是一种通过计算机视觉和模式识别技术来识别和验证人脸的生物特征，并将其与已知的人脸进行匹配的技术。

近年来，随着计算机算力的提升和人工智能技术的发展，人脸识别技术得到了广泛的应用，例如人脸解锁、人脸支付等。

PCA（Principal Component Analysis，主成分分析）和LDA（Linear Discriminant Analysis，线性判别分析）是两种常见的降维方法，用于从高维数据中提取有用的特征。

基于这两种方法的人脸识别技术研究已经得到了广泛关注。

PCA是一种无监督学习方法，通过将高维数据投影到低维子空间中，保持数据的大部分方差，从而达到降维的目的。

在人脸识别中，PCA可以通过计算训练集中人脸图像的协方差矩阵，然后提取其特征向量和特征值，选择前k个特征向量作为主成分，将人脸图像投影到主成分空间中。

在测试阶段，将待识别的人脸图像也投影到主成分空间中，通过计算其与训练集中人脸图像的距离，来判断其身份。

PCA的一个问题是它在无监督降维的可能忽略了一些与分类有关的信息。

为了解决这个问题，可以利用LDA来增加分类的准确性。

LDA是一种有监督学习方法，它通过最大化类别之间的差异性和最小化类别内的方差，选择最佳的投影方向。

在人脸识别中，LDA可以通过计算训练集中各类别的均值和类内散度矩阵，得到最佳的投影方向。

在测试阶段，将待识别的人脸图像投影到最佳的投影方向上，通过计算其与训练集中各类别的距离，来判断其身份。

由于PCA和LDA均是线性方法，它们对于人脸图像的非线性变化不敏感。

为了提高人脸识别的准确性，可以将PCA和LDA与非线性方法相结合，例如核技巧（kernel trick）。

通过将人脸图像映射到一个高维的特征空间中，利用核函数来计算其与训练集中人脸图像的相似性。

还可以利用深度学习方法来改进人脸识别技术。

深度学习是一种通过构建多层神经网络来学习数据特征的方法，它可以自动地学习人脸图像中的高级特征。

基于PCA和LDA改进算法的人脸识别技术研究

基于PCA和LDA改进算法的人脸识别技术研究人脸识别技术已成为信息安全、安防领域中的一项重要技术。

而PCA(Principal Component Analysis)和LDA(Linear Discriminant Analysis)是两种常见的人脸识别算法。

本文将对PCA和LDA算法进行简要介绍，并提出一种基于PCA和LDA改进算法的人脸识别技术。

PCA算法是通过对训练集图像进行主成分分析，得到训练集样本基础变换矩阵，使用该矩阵对待识别人脸图像进行变换，将其转化为低维空间中的向量，最后再进行分类识别。

PCA算法简单易懂，但是其容易受到噪声和光照变化等外部因素的影响，导致识别准确率不高。

LDA算法则是通过最大化同一类别内部的类内离散度并最小化不同类别之间的类间离散度，得到一个最好的分类平面，从而使得样本分类更加准确。

但是LDA算法面临的问题在于，当类别数目非常多时，其计算复杂度会大大增加，同时也容易发生过拟合现象。

针对PCA算法和LDA算法的局限性，本文提出了一种基于PCA和LDA改进算法的人脸识别技术。

该算法主要是在PCA算法和LDA算法基础上，通过引入核方法来进行特征提取和分类识别。

核方法是一种通过向高维空间的映射来处理低维空间中非线性问题的方法。

在本文中，我们选择使用径向基函数核(RBF Kernel)来进行特征提取。

这种核函数能够将样本从低维空间映射到高维空间，从而使得非线性问题也能够被线性分类。

具体而言，本文提出的改进算法具体步骤如下：1. 对于人脸图像的训练集，通过PCA算法对其进行主成分分析，并对每张图像进行降维处理，得到训练集样本基础变换矩阵。

2. 将训练集样本基础变换矩阵输入到LDA算法中，得到最佳分类平面参数。

3. 对于待识别的人脸图像，使用PCA算法将其转化为低维空间中的向量。

4. 将转化后的向量输入到径向基函数核中进行特征提取。

5. 基于提取后的特征，将人脸图像分类识别。

一种基于改进BP神经网络的PCA人脸识别算法

ＰＣＡＦＡＣＥＲＥＣｏＧＮＩＴＩｏＮＡＬＧＯＲＩＴＨＭＢＡＳＥＤｏＮＩＭＰＲｏＶＥＤＢＰＮＥＵＲＡＬＮＥＴＷｏＲＫ
ＬｉＫａｎｇｓｈｕｎ，
ＬｉＫａｉ
ＺｈａｎｇＷｅｎｓｈｅｎｇ
（ＳｃｈｏｏｌｏｆＳｃｉｅｎｃｅ，ＪｉａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆ￣ｉｅｃｅ＆Ｔｎｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ３４１０００，Ｊｉａｎｇｘｉ，Ｃｈｉｎａ）。（ＳｃｈｏｏｌｆｏＩｎｆｏｒｍａｔｉｏｎ，ＳｏｕｔｈＣｈｉｎａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｚｈｏｕ５１０６４２，Ｇｕａｎｇｄｏｎｇ，Ｃｈｉｎａ） ’ （ＩｎｓｔｉｔｕｔｅｆｏＡｕｔｏｍａｔｉｏｎ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｆｏＳｃｉｅｃｅｎｓ，Ｂｅｉｊｉｎｇ１００１９０，Ｃｈｉｎａ）
ａｌｇｏｉｒｔｈｍｈａｓａｓｔｒｏｎｇａｂｉｌｉｔｙｉｎｓｅｌｆ－ｌｅａｒｎｉｎｇ，ｓｅｌｆ－ａｄａｐｔｉｖｉｔｙａｎｄｎｏｎｌｉｎｅａｒｍａｐｐｉｎｇ．Ｍｏｒｅｏｖｅｒ，ｉｔｈａｓａｓｉｇｎｉｉｆｃａｎｔｐｒｅｄｏｍｉｎａｎｃｅｉｎｈｕｍａｎ

PCA在人脸识别中的改进算法

、．．ｂ１ＮＯ１６
Ｊ．１ａ２ｎ０ｌ
中国科技论文在线
ＳＥＣＥＡＥＣ１０１年１月
ＰＡ在人脸识别中的改进算法Ｃ
黄叻，张宝昌，刘金琨
（北京航空航天大学自动化与电气工程学院，北京１０９）０１１
ＡｓａｔＰｉｉａｃｍｏｅｔｎｌｓ（Ｃ）ｏｅｆｃｅｔｄｍｒｎｔｈｉｅｏｆａｒｅｔｃｏｗｄｌｕｅｂｔｃ：ｒｃｌｏｐｎｎａａｉＰＡｉｎｏａｐｅａｉｐｔｔｅｎｕｆｅｔｅｘａｉｉｙｓｒｎｐｙｓｓｃｄｎｏａｃｑｒｕｒｔｎｅｄ
ｉｅａｅｓｏｍａｅｅｏｎｔｎｓｃｓｈｍａａｅｒｃｇｉｏ．ｒｍｏｅｎｔｒａｆｉｇｓｒｃｇｉｏｕｈａｕｎｆｃｏｎｔｎＰｏｔＰＣＡ，ｕｎｆｃｃｇｉｉｎｔｃｎｑｅｂｓｄｈｉｅｉｄａｈｍａｅｒｏｎｔｈｉｕａｅａｅｏｅｏＣＡ，ｓｐｅｅｔｄｉｒｅａｎＰｉｒｓｎｅ，ｎｏｄｒｔｈｔＰＣＡｏｎｙｌｉｕｓａｉｒｕｏＦｉｔｔｅｏｇａａｉｇｓｔｓｄｖｄｉｎｔｌｍｔｔＧａｓｉｎｄｓｉｔｎ．ｒ，ｈｒｉｌｒｉｎｅｉｉｅｓｏｉｅｏｄｔｂｉｓｉｎｔｎｗａｄｉｔｏｅｓｂｓｔ．ＳｃｎｅｗｅｌｎｗｎＰｎｏｓｍｕ－ｅｓｅｏｄｔｌｋｏＣＡｔｏｓｉｔｓｄｔｈｓｕ－ｅｓｏｔｉｅｏｒｓｎｉｇｈ－ｍｅｄＷａｄｒｌｕｅｏｔｅｅｓｂｓｔｂａｄｃｒｅｐｄｎｈｃｅｙｎｏｔａｓｏｍｅｍａｒｘｓＴｒｕｈｔｅｅｍａｒｅ，ｒｉｉｇｓｔｎｄｔｓｎｅｗｅｅｍａｐｄｉｅｔｒｐａｅＩｄｉｏ，ｏｄｒｒｎｆｒｄｔｅ．ｈｏｇｈｓｉｔｉｓｔａｎｅｘｎａｅｔｇｓｔｒｉｐｅｎｆａｕｅｓｃ．ｎａｄｔｎｉｒｅｉｎｔａｅｕｅｏｔｅｃｒｅａｉｎａｏｇｓｍｐｅ．ｒｍｏｅｍｅｏｂｅｎｄｓａｃ — ｔｘｉｒｓｎｅ．ｉｔｉｅｏ，ｏｍｋＳｆｏｒｌｔｈｏｍｎａｌｓａｐｏｔｄｈｔｄａｄｏｉｔｎｅｍａｒＳｐｅｅｔＷｔｈｓｍｔｄｓｉｄｈｈｔｅｉｆｒｔｎｌｓｕｉｇｔｅｂｏｋｎｓｓｖｄｔｅｅｐｒｏｍａｃｓｉｒｖ．ｅｔｐｏｔＣＡｎｏｈｏｍａｉｏｔｄｒｎｌｃｉｇｉａｅａｎｔｅｆｒｎｅｉｍｐｏｅＴｏｔｓｒｍｏｅＰｎｏｈｄｎｈｈｄｄａｄｔｅａｕｔｔｅｆｒａｃ，ａｓｒｅｆｅｐｒｅｔｒｒｏｅｎａｈａａｅｉｇａａａｅ：ＦｒｔｈａａｅｖｌａｉｐｒｏｍｎｅｅｓｏｘｅｍｎｓｗｅｐｆｒｄｏｕｎｆｃｍａｅｄｔｂｓｅｅｕｎｆｃｅｓｉｉｅｅｍｍｓｍａａａｓＴｅｅｐｉｎｓｌｎｉａｅｔｔｄｔｂｅ．ｈｘｒｅｔｌｅｕｔｉｄｃｔｈａｔｅｐｒｏａｃｆｒｍｏｅＣＡｉｂｉｕｌｕｒｒｏｔａｏｔｄｔｎｌｓｅｍａｒｓｈｅｆｒｎｅｏｐｏｔｄＰｍｓｏｖｏｙｓｐｉｔｈｔｆｒｉｏａｓｅｏａｉ

一种改进的模块PCA方法及其在人脸识别中的应用

ｔａｄｐｏｌｎｒａｉｄｓｂｉｇｅａｅｏｔｉｅｃｏｄｎｌ．ｅｏｄｙｗｈｎａｌｕ — ｇｓｏａｎｎａｐｅｎｅ — ｈｔｓｍａｅｕｆａｌｏｉｍｌｅｕ — ｚｍａｓｃｎｂｂａｎｄａｃｒｉｇｙＳｃｎｌ．ｅｌｓｂｉｅｆｒｉｉｇｓｍａｔｍｌｓａｄｔｓ
Ｌａ — ｏｇＦＩＳｕｍｉ，ＺＩＸｉｏｄｎ，Ｅｈ — ｎＨＡＮＧａＴｏ
（ｅａｏａｏｆａｕｅｎｎｏｔｌｆＣｍｌｘＳｓｍｆｎｉｅｒｇＭｉｉｒｏＥｕａｏ，ＫｙＬｂｒｔｒｏｓｒｍｅｔｄＣｎｒｏｐｅｙｔｓｏｇｅｉ，ｎｓｙｆｄｃｔｎｙＭｅａｏｏｅＥｎｎｔｉ
ｎａｅｔｄｓｎｅｃａｓｆａｉｎｉｕｅｏｄｓｉｇｉｈｅｃａｅＴｅｅｐｒｎｅｕｔｏＲＬｆｃａａａｅｉｄｃｔｈｔｉｒｖｄｅｓｉｔｃｌｓｉｃｔｓｓｄｔｉｎｕｓａｈｆｃ．ｈｘｅｍｅｔｒｓｌｎＯｅｄｔｓｉａｅｔａｍｐｏｅｒａｉｏｔｉｓａｂｎ
一
种改进的模块ＰＡ方法及其在人脸识别中的应用Ｃ
・９・１
一
种改进的模块ＰＡ方法及其在人脸识别中的应用Ｃ
李晓东，费树岷，张涛
２０９）１０６（东南大学自动化学院复杂工程系统测量与控制教育部重点实验室，江苏南京
摘要：出了一种改进的模块ＰＡ方法，提Ｃ即基于类内平均脸的分块ＰＡ算法。该算法对每一类训练样本中每个训练样本Ｃ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ａｌｇｏｉｒｔｈｍｂａｓｅｄｏｎＢｉｄｉｒｅｃｔｉｏｎａｌ — ＷＰＣＡｗａｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｔｒａｉｎｉｎｇａｎｄｔｅｓｔｉｎｇｓａｍｐｌｅｗａｓｗｅｉｇｈｔｅｄｂｙｄｏｕｂｌｅ— ｃｅｎｔｅｒ
摘要：针对传统主成分分析法在特征提取中出现的耗时过长、平均对待所有像素点等问题，提出一种双中心羽化加权双向ＰＣＡ（ＢｉｄｉｒｅｃｔｉｏｎａｌＷＰＣＡ，ＢＤ— ＷＰＣＡ）的算法。算法首先将训练人脸样本
ｕｓｉｎｇｔｈｅＢｉｄｉｒｅｃｔｉｏｎａｌＰＣＡａｌｇｏｉｒｔｈｍ．Ｌａｓｔ，ｔｈｅｅｉｇｅｎｗａｓｍａｔｃｈｅｄｂｙＫ— ＮＮａｌｇｏｉｒｔｈｍ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｉｎｄｉｃａｔｅｓｔｈａｔｔｈｅａｌｇｏｉｒｔｈｍｎｏｔｏｎｌｙｓｐｅｅｄｅｄｕｐｔｈｅｒａｔｅｏｆｃａｌｃｕｌａｔｉｏｎ，ｂｕｔｌｓａｏｇｏｔａｂｅｔｔｅｒａｃｃｕｒａｃｙ，ｗｈｉｃｈｃｏｎｉｆｒｍｓｔｈｅｆｅａｓｉｂｉｌｉｔｙｏｆｔｈｅａｌｇｏｉｔｒｈｍ．
降低运算耗费时间的同时能获得较高的识别率，具有可行性。
关键词：人脸识别；双向ＰＣＡ；双中心羽化加权
中图分类号：ＴＰ３ பைடு நூலகம் ７．４文献标识码：Ａ文章编号：１６７４ — ７７２０（２０１５）１７ — ００４３ — ０３
２．ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＳｉｃｈｕａｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｎ６１００６５，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＡｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｏｆｏｒｉｇｉｎａｌＰＣＡｌｉｋｅｌｏｎｇｃａｌｃｕｌａｔｉｎｇｔｉｍｅａｎｄａｖｅｒａｇｅｔｒｅａｔｓａｌｌｐｉｘｅｌｓ，ａｒｅｃｏｇｎｉｔｉｏｎ
ｍａｇｅａｎｄＭｕｌｔｉｍｅｄｉａ
基于改进ＰＣＡ的人脸识别算法
李云彤，黄山，徐海明
（１．四川大学电气信息学院，四川成都６１００６５；２．四川大学计算机学院，四川成都６１００６５）
ＬｉＹｕｎｔｏｎｇ，ＨｕａｎｇＳｈａｎ，ＸｕＨａｉｍｉｎｇ
（１．ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｉｒｃａｌＥｎｇｉｎｅｅｉｎｒｇａｎｄＩｎｆｏｒｍａｔｉｏｎ，ＳｉｃｈｕａｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００６５，Ｃｈｉｎａ；
和测试人脸样本图片进行双中心羽化加权处理，以增加人脸主要器官在识别中所占的比重；再用双向
ＰＣＡ算法分别在行和列方向上降雏并提取特征；最后用Ｋ近邻法匹配分类。实验结果表明，该算法在
引用格式：李云彤，黄山，徐海明．基于改进ＰＣＡ的人脸识别算法【Ｊ】．微型机与应用，２０１５，３４（１７）：４３ — ４５．
ＦａｃｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＰＣＡ
ＫｅｙＷＯｒｄｓ：ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ；ＢＤ— ＰＣＡ；ｄｏｕｂｌｅ — ｃｅｎｔｅｒｅｃｌｏｓｉｏｎｆｕｎｃｔｉｏｎ
ｅｃｌｏｓｉｏｎｆｕｎｃｔｉｏｎｔｏｉｎｃｒｅａｓｅｐｒｏｐｏｒｔｉｏｎｏｆｍａｊｏｒｏｒｇａｎｓ．Ｔｈｅｎ，ｔｈｅｄｉｍｅｎｓｉｏｎｏｆｓａｍｐｌｅｓｗａｓｒｅｄｕｃｅｄｏｎｔｈｅｒｏｗａｎｄｃｏｌｕｍｎｂｙ