基于图像矩阵判别局部保持投影的人脸识别

合集下载

人脸识别经典算法

人脸识别经典算法
人脸识别经典算法是指在人脸识别领域经典、应用广泛的算法，主要包括以下几种：
1. 特征脸算法（Eigenface）：该算法是利用主成分分析（PCA）对人脸图像进行降维处理，将高维度的图像转换为低维度的向量，然后通过计算向量之间的距离来实现人脸识别。

2. Fisherfaces算法：该算法和特征脸算法类似，但是在计算主成分时，将类内距离最小和类间距离最大作为优化目标，来提高人脸识别的准确率。

3. 局部二值模式（Local Binary Pattern）算法：该算法使用图像中每个像素点周围的像素点值来构建特征向量，并采用模式匹配算法来实现人脸识别。

4. 非负矩阵分解（Nonnegative Matrix Factorization）算法：该算法是将人脸图像矩阵分解为两个非负矩阵，利用这两个矩阵的乘积来表示原始矩阵，实现人脸特征提取和识别。

5. 线性判别分析（Linear Discriminant Analysis）算法：该算法通过最大化类间距离和最小化类内距离来提高人脸识别准确率，同时可以降低维度，减少计算量。

以上算法都有其优缺点，在实际应用中需要根据具体情况选择合适的算法来实现人脸识别。

随着人工智能技术的不断发展，人脸识别算法也在不断改进和创新。

- 1 -。

局部保持鉴别投影及其在人脸识别中的应用

ｔｈｅｉｎｔｒｉｎｓｉｃ１ｏｃａｌｎｅｉｇｈｂｏｒｓｔｒｕｃｔｕｒｅｏｆｔｈｅｓａｍｐｌｅｓｏｆｓａｍｅｃｌａｓｓｉＳｍａｉｎｔａｉｎｅｄａｎｄｔｈｅｄｉｓｔａｎｃｅｓｂｅｔｗｅｅｎｔｈｅｍａｒｅ
ＰｒｏｊｅｃｔｉｏｎｆｏｒＦａｃｅＲｅｃｏｇｎｉｔｉｏｎ
ＺｈａｏＺｈｅｎ．．ｈｕａＨａｏＸｉａｏ．．ｈｏｎｇ
（ＣｏｌｌｅｇｅＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｉｎｒｇ，ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙｏ／Ｔｅｃｈｎｏｌｏｇｙ，Ｌａｎｚｈｏｕ７３００５０，Ｃｈｉｎａ）
ｄｉｍｅｎｓｉｏｎａｌｉｔｙｉｓｐｒｏｐｏｓｅｄｆｏｒｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ．Ｉｎｔｈｉｓｓｔｕｄｙ，ｔｈｅｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｇｒａｐｈｏｆＬＰＰｉｓｓｐｌｉｔｉｎｔｏｗｉｔｈｉｎ — ｃｌａｓｓｇｒａｐｈａｎｄｂｅｔｗｅｅｎ — ｃｌｓｓａｇｒａｐｈａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｌｓｓａｌａｂｅｌｉｎｆｏｒｍａｔｉｏｎｏｆｓａｍｐｌｅｓ．Ａｆｔｅｒｏｐｔｉｍｉｚｉｎｇ，

局部保持最大间距准则在人脸识别中的应用

（ｃｌｅｗｅ —ｌｓｃｔｒｔｘ和局部类内散布矩阵（ｃｌｉｉ— ｌｓｓａｅｍａｉ）因此最终的嵌入能同时保持相邻的几何结构和提取１ａｂｔｅｎｃａｓｓａｔｍａ）ｏｅｉｒ１ａｗｔｎｃａｓｃｔｒｔｘ，ｏｈｔｒ重要的判别信息。言之，换引入恰当的权重能在局部方式提升最大间距准则（ｘｍｕＭａｇｎＣｉｒｎ，写：Ｍａｉｍｒｉｒｅｏ缩ｔｉＭＭＣ）的表现。基准数据库中的在
实验结果一致证明了识别效果的提高
【键词】部保持最大间距准则；征提取；脸识别关局特人
Ｏ概述
远则Ａ（Ｊ较小。换言之，ｉ）节点轧和 ≈上的处理。因此，些新ｉ）Ａ（是 √ 这的权重矩阵描述训练样本之间的局部结构和邻近关系。通常，射矩仿
ｎ
一
．
，
，＝＝设ＪＬ一则可以定义另一个ｎ）一＝维对称的，单一特征（而全局的或局部的）于描述基本的真实结构可能不够Ｄ二Ｗ，，一，：Ｗ，用
一
算子（ｖｒｅｏｅａｒ，此令降低维数和分类更加简便。ｉｅｓｐｒｔ）由ｎｏ其中一个不能忽视的事实是，现实世界数据的结构通常是复杂
设Ｄ和为ｎ维对角线矩阵，对角线元素Ｄ＝，）

基于图像识别的人脸识别技术研究

基于图像识别的人脸识别技术研究人脸识别技术是近年来计算机科学领域中非常热门的话题，其可以应用于安保领域、人机交互领域、计算机视觉领域等多个领域。

而基于图像识别的人脸识别技术作为其中的一种，由于其灵敏度高、准确度高等特点得到了人们的广泛应用和研究。

一、人脸识别技术基础1.1 人脸图像采集为了让计算机对人脸进行识别，首先需要采集人脸图像。

常见的采集手段有摄像头、照相机等。

在采集人脸图像的同时，需要注意图像的质量，光照的均匀性、角度等各种因素都会影响人脸识别技术的准确性。

1.2 人脸检测人脸检测是人脸识别技术中非常重要的一环。

简单来说，就是从一张图片中找出脸部区域。

这个问题在计算机视觉中被称为目标检测问题。

常见的人脸检测算法有Haar特征分类器、Viola-Jones算法等。

1.3 人脸关键点定位人脸关键点定位是指定位出人脸的各个特征点，比如眼睛、鼻子、嘴巴等等。

关键点的定位对于后续的特征提取非常重要。

常见的算法有基于模板匹配的算法、基于深度学习的算法等。

1.4 人脸特征提取人脸特征提取是指从采集到的人脸图像中提取能够反映人脸特征的信息。

常见的算法有主成分分析法、线性判别分析法、局部二值模式算子法等。

1.5 人脸识别人脸识别是指根据图像识别技术提取到的人脸特征对人脸进行鉴别的过程。

常见的算法有基于最近邻算法的人脸识别、基于支持向量机的人脸识别等。

二、基于图像识别的人脸识别技术研究进展2.1 基于深度学习的人脸识别技术近年来，随着深度学习技术的快速发展，基于深度学习的人脸识别技术也不断取得了突破性进展。

深度学习模型能够学习到更为抽象的特征，从而极大地提高了人脸识别的准确性和鲁棒性。

常见的基于深度学习的人脸识别算法有DeepFace、FaceNet、OpenFace等。

2.2 基于模型的人脸识别技术基于模型的人脸识别技术是指通过构建人脸识别模型，对已知的人脸样本进行训练，从而实现对新的未知人脸的识别。

常见的基于模型的人脸识别算法有局部Gabor二值模式算法、自适应特征融合方法等。

用于人脸识别的半监督优化局部保持投影

问题。为此提出一种用于人脸识别的半监督的优化的局部保持投影（ＳＳＯＬＰＰ）。该算法在ＳＯＬＰＰ的基础上，通过加权平衡参
数融合了未监督的主成分析（ＰＣＡ）降维算法，使得投影后的数据保持了高维数据中的未标注样本的、全局的散布结构信息和
ＰｒｅｓｅｖｒｉｎｇＰｒｏｊｅｃｔｉｏｎ，简称ＳＯＬＰＰ）。与只考虑局部
１基本理论
１．１ＬＰＰ
信息的ＬＰＰ相比，ＳＯＬＰＰ还设计相似矩阵来反映样
第１３卷
第９期
２０１３年３月
科
学
技
术
与
工
程
Ｖ０１．１３Ｎｏ．９Ｍｏｒ．２０１３
１６７１ —１８１５（２０１３１０９．２３９８ — ０５
ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇ
信息。在Ｙａｌｅ和ＹａｌｅＢ上实验结果验证了所提算
法的有效性。
ｊｅｃｔｉｏｎ，简称ＳＯＬＰＰ）Ｅ４］基础上，文献［５］提出了监督的优化的局部保持投影（ＳｕｐｅｒｖｉｓｅｄＯｐｔｉｍａｌＬｏｃａｌｉｔｙ
维算法。该算法在保持了ＳＯＬＰＰ的特性，通过引
入非监督的主成分分析（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａ１．

基于改进的子模式局部保持映射人脸识别方法

ｓｃｈｅｍｅｕｓｉｎｇｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗａｓｐｒｏｐｏｓｅｄｆｏｒＳｐＬＰＰ．Ｔｈｅｉｍｐｏｒｔａｎｔｐｒｏｂｌｅｍｏｆｔｈｉｓ
Ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｓｕｂ－ｐａｔｔｅｒｎｌｏｃａｌｉｔｙｐｒｅｓｅｒｖｉｎｇｐｒｏｊｅｃｔｉｏｎＲＥＮＣｈｅｎｇ－ｊｕａｎ
０引言
由于计算机人脸识别在管理、公共安全等领域有着巨大的应用前景，目前已成为人工智能和模式识别领域的一个研究热点。特征提取是计算机人脸识别的核心步骤，子空间分析方法因其具有技术代价小、易实现、描述能力强和可分性好等优点被广泛地应用于人脸特征提取，成为目前人脸识别的主流
Ａｂｓｔｒａｃｔ：ＡｌｔｈｏｕｇｈＳｕｂ — ｐａｔｔｅｒｎｏｃＬｌａｉｔｙＰｒｅｓｅｖｉｒｎｇＰｒ０ｊｅｃｔｉｏｎｓｉｓｒｏｂｕｓｔｔｏｖａｉｒａｔｉｏｎｉｎｉｌｌｕｍｉｎａｔｉｏｎ，
２０１３年第ｇ期
文章编号：１００９— ２５５２（２０１３）０９— ００４２～０４中图分类号：ＴＰ３９１文献标识码：Ａ

基于Haar小波和保局投影的人脸识别

［ｓｒｃＩＦｒｔｅｕｅｏｏａｔｒｓｒｉｇＰ（ｅｔｎ（Ｐｆｒａｅｒｃｇｉｏｎｅｒａｏｉｄｍａｅｙｎｉ，ｈｓａｅｒｓｎｓＡｂｔａｔｏｓｆｃｌｙＰｅｅｖｎｒｃｉｓｈＬｉｏＬＰ）ｏｃｅｏｎｔｎａｄｔｌｗａｇｄｂｏｓｔｉｐｐｒｅｅｔａｆｉｈｅｆｌｓｅｐ
其中，权值矩阵ｗ是相似矩阵；，是矩阵第ｉ行、第列的元素的权值：
属于一的最近邻点个之一或者属于ｔ个的
第３７卷第ｌ期８
、０１７，．３
・
计
算
机
工
程
２１０１年９月
Ｓｅｔｍｂｅ０１ｐｅｒ２１
ＮＯ．８１
ＣｏｕｔｒＥｎｇｎｅｉｇｍｐｅｉｅｒｎ
人工智能及识别技术・
文章绩号：１３２（１１—０８—ｏ文献标识码ｔＡ０＿４８ｏ１８＿８＿ｏ２）１２
Ｉｙｗｏｄａｅｒｃｇｉｏ；ｆａｕｅｅｔｃｉｎｒｓｆｃｅｏｎｔｎｅｔｒｘｒｔ；ＨａａｅｅｔｎｆｒｔｎｏａｉｒｓｒｉｇＰｏｅｔｎ（Ｐ）ｅｅｔｎｉｈｏＫｅｌｉａｏｒａｗｖｌｔｒｓｏｍａｉ；ＬｃｌｙＰｅｅｖｎｒｊｃｉｓＰ；ｎａｓｅｇｂｒａｏｔｏＬｒ
ｃａｓｆｃｔｏｌｓｉａｉｎｉ
Ｄ０Ｉ１．６／ｉｎ１０ —４８２１．８０２：０３９ｊｓ．０３２．０１１．６９．ｓ０
１概述

本科毕业论文-—基于opencv的图像识别

基于2DPCA的人脸识别算法研究摘要人脸识别技术是对图像和视频中的人脸进行检测和定位的一门模式识别技术，包含位置、大小、个数和形态等人脸图像的所有信息。

由于近年来计算机技术的飞速发展，为人脸识别技术的广泛应用提供了可能，所以图像处理技术被广泛应用了各种领域。

该技术具有广阔的前景，如今已有大量的研究人员专注于人脸识别技术的开发。

本文的主要工作内容如下：1)介绍了人脸识别技术的基础知识，包括该技术的应用、背景、研究方向以及目前研究该技术的困难，并对人脸识别系统的运行过程以及运行平台作了简单的介绍。

2)预处理工作是在原始0RL人脸库上进行的。

在图像的预处理阶段，经过了图象的颜色处理，图像的几何归一化，图像的均衡化和图象的灰度归一化四个过程。

所有人脸图像通过上述处理后，就可以在一定程度上减小光照、背景等一些外在因素的不利影响。

3)介绍了目前主流的一些人脸检测算法，本文采用并详细叙述了Adaboost人脸检测算法。

Adaboost算法首先需要创建人脸图像的训练样本，再通过对样本的训练，得到的级联分类器就可以对人脸进行检测。

4)本文介绍了基于PCA算法的人脸特征点提取，并在PCA算法的基础上应用了改进型的2DPCA算法，对两者的性能进行了对比，得出后者的准确度和实时性均大于前者，最后将Adaboost人脸检测算法和2DPCA算法结合，不仅能大幅度降低识别时间，而且还相互补充，有效的提高了识别率。

关键词：人脸识别 2DPCA 特征提取人脸检测2DPCA Face Recognition Algorithm Basedon The ResearchAbstract：Face recognition is a technology to detect and locate human face in an image or video streams,Including location, size, shape, number and other information of human face in an image or video streams.Due to the rapid development of computer operation speed makes the image processing technology has been widely applied in many fields in recent years. This paper's work has the following several aspects:1)Explained the background, research scope and method of face recognition,and introduced the theoretical method of face recognition field in general.2)The pretreatments work is based on the original ORL face database. In the image preprocessing stage, there are the color of the image processing, image geometric normalization, image equalization and image gray scale normalization four parts. After united processing, the face image is standard, which can eliminate the adverse effects of some external factors.3)All kinds of face detection algorithm is introduced, and detailed describing the Adaboost algorithm for face detection. Through the Adaboost algorithm to create a training sample,then Training the samples of face image,and obtaining the cascade classifier to detect human face.4)This paper introduces the facial feature points extraction based on PCA ,and 2DPCA is used on the basis of the PCA as a improved algorithm.Performance is compared between the two, it is concluds that the real time and accuracy of the latter is greater than the former.Finally the Adaboost face detection algorithm and 2DPCA are combined, which not only can greatly reduce the recognition time, but also complement each other, effectively improve the recognition rate.Key words：Face recognition 2DPCA Feature extraction Face detection目录第1章前言 (1)1.1 人脸识别的应用和研究背景 (1)1.2 人脸识别技术的研究方向 (2)1.3 研究的现状与存在的困难 (3)1.4 本文大概安排 (4)第2章人脸识别系统及软件平台的配置 (4)2.1 人脸识别系统概况 (4)2.1.1 获取人脸图像信息 (5)2.1.2 检测定位 (5)2.1.3 图像的预处理 (5)2.1.4 特征提取 (6)2.1.5 图像的匹配与识别 (6)2.2 OpenCV (6)2.2.1 OpenCV简介 (6)2.2.2 OpenCV的系统配置 (7)2.3 Matlab与图像处理 (8)第3章图像的检测定位 (8)3.1 引言 (8)3.2 人脸检测的方法 (8)3.3 Adaboost算法 (9)3.3.1 Haar特征 (10)3.3.2 积分图 (10)3.3.4 级联分类器 (11)第4章图像的预处理 (13)4.1 引言 (13)4.2 人脸图像库 (13)4.3 人脸预处理算法 (14)4.3.1 颜色处理 (14)4.3.2几何归一化 (15)4.3.3直方图均衡化 (16)4.3.4灰度归一化 (18)4.4 本章小结 (19)第5章图像的特征提取与识别 (19)5.1 引言 (19)5.2 图像特征提取方法 (20)5.2.1基于几何特征的方法 (20)5.2.2基于统计的方法 (20)5.2.3弹性图匹配(elastic graph matching) (21)5.2.4神经网络方法 (21)5.2.5支持向量机(SVM)方法 (22)5.3 距离分类器的选择 (22)5.4 PCA算法的人脸识别 (24)5.5 二维主成分分析（2DPCA） (25)5.5.1 2DPCA人脸识别算法 (25)5.5.2 特征提取 (27)5.5.3 分类方法 (27)5.5.4 基于2DPCA的图像重构 (28)5.6 实验分析 (28)第6章总结与展望 (33)6.1 本文总结 (33)6.2 未来工作展望 (33)致谢 (34)参考文献： (35)第1章前言1.1 人脸识别的应用和研究背景随着社会科学技术的发展进步，特别是最近几年计算机的软硬件技术高速发展，以及人们越来越将视野集中到快速高效的智能身份识别，使生物识别技术在科学研究中取得了重大的进步和发展。

人脸识别常用算法

人脸识别常用算法人脸识别是一种通过计算机视觉技术对图像或视频中的人脸进行检测、识别和验证的技术。

它在安防监控、人脸支付、人脸解锁等领域有着广泛的应用。

人脸识别的核心在于算法的设计与优化，下面将介绍几种常用的人脸识别算法。

一、特征提取算法特征提取算法是人脸识别的关键步骤，它通过对人脸图像进行分析和处理，提取出具有代表性的特征信息。

常用的特征提取算法有主成分分析（PCA）算法、线性判别分析（LDA）算法和局部二值模式（LBP）算法。

PCA算法通过对人脸图像进行降维，将高维的图像数据映射到低维的特征空间中，然后利用这些特征进行分类和识别。

LDA算法则是通过最大化类间距离和最小化类内距离的方式，寻找最优的投影方向，以实现人脸的区分和识别。

LBP算法则是一种局部特征描述算法，它通过对图像的每个像素点与其周围像素点进行比较，得到一个二进制编码，从而提取出人脸的纹理信息。

二、人脸检测算法人脸检测算法是人脸识别的前置步骤，它主要用于检测图像或视频中是否存在人脸，并将其位置标记出来。

常用的人脸检测算法有Viola-Jones算法、卷积神经网络（CNN）算法和级联分类器算法。

Viola-Jones算法是一种基于机器学习的人脸检测算法，它通过训练一个级联的强分类器来实现人脸的检测。

CNN算法则是一种深度学习算法，它通过构建多层的卷积神经网络来提取图像的特征，并通过分类器进行人脸检测。

级联分类器算法则是将多个分类器组合在一起，通过级联的方式进行人脸检测，以提高检测的准确率和速度。

三、人脸识别算法人脸识别算法是通过对提取的人脸特征进行匹配和比对，从而实现对人脸的识别和验证。

常用的人脸识别算法有支持向量机（SVM）算法、人工神经网络（ANN）算法和卷积神经网络（CNN）算法。

SVM算法是一种监督学习算法，它通过构建一个超平面来实现对不同类别的人脸进行分类和识别。

ANN算法则是一种模拟人脑神经元工作原理的算法，它通过构建多层的神经网络来实现对人脸的识别。

基于图像处理技术的人脸识别实现

基于图像处理技术的人脸识别实现随着科技的不断进步，人脸识别技术成为了近年来发展最快的一种识别技术之一。

目前，基于图像处理技术的人脸识别已经成为了现代化社会中的一种重要应用。

这项技术使得人们在安全管理、门禁系统、身份认证、刑侦调查等领域中拥有更加准确、高效的解决方案。

在本文中，我将介绍基于图像处理技术的人脸识别实现方法以及它的应用。

一、人脸识别技术的基本原理在介绍人脸识别技术的实现方法之前，我们需要了解一些基本原理。

人脸识别技术主要分为三个步骤：人脸检测、人脸对齐和人脸识别。

1. 人脸检测人脸检测是指通过图像处理技术，从复杂的背景中提取并定位出人脸区域。

常用的人脸检测算法有Haar+Adaboost算法、HOG+SVM算法、Cascade CNN等。

2. 人脸对齐由于人脸在不同位置、角度、光线下的图像特征差异非常大，因此在进行人脸识别前，必须对数据进行归一化。

所谓的归一化即是对人脸进行标准化处理，使得人脸在空间上具有一定的统一性。

通常使用人脸对齐算法对人脸进行标准化处理，常用的人脸对齐算法有仿射变换和人脸特征点对齐。

3. 人脸识别人脸识别是指通过人脸图像的特征信息，对不同的人脸进行识别和区分。

常用的人脸识别算法有PCA算法、LDA算法、SVM 分类器等。

二、基于图像处理技术的人脸识别实现方法1. 采集人脸图像首先，需要采集人脸图像数据。

采集人脸图像时，应注意到采集设备的摄像头像素、拍摄距离、环境光等因素。

高像素的摄像头和较近的拍摄距离可以获得高质量的人脸图像，以便后续的特征提取和分类。

2. 人脸检测和对齐对于采集的人脸图像，需要进行人脸检测和对齐，以获得统一标准的人脸图像。

常用的人脸检测和对齐算法可用OpenCV、dlib 等开源库实现。

3. 特征提取一般情况下，将原始的人脸图像进行降维处理，变成一组高维度的特征向量，以便于后续的分类和识别。

主流的人脸特征提取算法有PCA、LDA、特征脸等。

4. 特征分类和识别对于提取到的人脸特征进行分类和识别的目的是判别出这张人脸所属的个体是谁。

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)。

３ｎｔｕｅｏｏｐｔｇＴｃｎｌｇ，ｈｎｓｃｄｍｙｏｃｎｅ，ｅｉｇ１０８，ｈｎ．ｓｔｔｆＣｍｕｉｅｈｏｏＣｉｅｅＡａｅｆＳｉｃｓＢｉｎ０００ＣｉａＩｉｎｙｅｊ
ＷＡＮＧｏｑａｇＳａｆｎ。Ｇｕ－ｉｎ。ＨＩＮｉｎ－ｅｇＯＵｎ－ｉｇＦａｅｒｃｇｉｏａｅｎｉａｅｍａｒｘｄｓｒｍｉａｔｌｃｌｙｒｓｒ — Ｚｏｇｙｎ．ｃｅｏｎｔｎｂｓｄｏｍｇｉｔｉｉｃｉｎｎｏａｉｐｅｅｖｔ
ｎｅｏｂｃｎｅｅｉｔｅｔｒ，ｅｐｈｓａｉｐｓｔｎｉｆｒｔｎｏｉｅｉａｅｍａｅａｄａｏｄｈｉｇｌｒｐｏｌｍ．ｅｄｔｅｏｖｒｄｎｏｖｃｏｓｋｅｓｔｅｐｔｔｌａｏｉｏｎｏｍａｉｆｐｘｌｎｆｃｉｇ，ｎｏ
ＣｍｕｅｎｉｅｒｇａｄＡｐｉａｏｓｏｐｔｒＥｇｎｅｉｎｐｌｔｎ计算机工程与应用ｎｃｉ
２１，６１）００４（６
１１９
基于图像矩阵判别局部保持投影的人脸识别
王国强－，．石念峰３欧宗瑛２２，
ＷＡＮＧＧｕ — ａｇ＇，ｏｑｉｎ１ＳＨＩａｆｎ．２Ｎｉｎ— ｅｇＯＵＺｎｇｉｇｏ－ｙｎｚ
ｃｓｓａｅｏｓａｔｉｔｔｅｏｊｃｖｕｃｏ．ｄｉｏ．ＩｌｓｃｔｒｃｎｔｉｎｏｈｂｅｔｅｆｎｔｎＩａｄｉＩ胛ａｔｒｎｉｉｎｔｎＭＤｗｒｓｄｒｃｙｗｔｏｇｎｍａｅｍｔｃｓｗｉｏｎｔｏｋｉｔｉｌｒｉａｉｇａｉｅｈｃｄｏｅｌＩｉｌｒｈ
１．洛阳理工学院计算机与信息工程系，南洛阳４１２河７０３２．大连理工大学机械工程学院ＣＤＡ＆网络研究所，辽宁大连１６２０４１
３中国科学院计算技术研究所，．北京１０８０００
１ＤｅａｔｎｆＣｍｐｔｒａｄＩｆｒｔｎＥｇｎｅｎ，ｕｙｎｎｔｕｅｏｃｅｃｎｃｎｌｇ，ｕｙｎ，ｎｎ４０３，ｈｎ．ｐｒｍｅｔｏｏｕｅｎｎｏｍａｉｎｉｅｒｇＬｏａｇＩｓｉｔｆＳｉｎｅａｄＴｅｈｏｏｙＬｏａｇＨｅａ７１２Ｃｉａｏｉｔ２ＩｓｔｔｆＣＡＤ＆ＮｅｗｏｋＴｅｈ，ｃｏｌｏｃａｉａｎｉｅｒｇＤａｉｎＵｎｖｒｉｆＴｃｎｌｇ，ｔｎＬａｎｎ１０４，ｈｎ．ｔｕｅｏｎｉｔｒｃ．ｈｏｆＭｅｈｎｃｌＥｇｎｅｎ，ｌｉｅｓｙｏｅｈｏｏＤａｉ，ｉｏｉｇ１６２ＣｉａＳｉａｔｙａ
ｉｇｐｏｅｔｎ．ｏｕｅｎｉｅｒｇａｄＡｐｆａｉｎ。００４（６：９－９．ｎｒｊｃｏｓｍｐｔｒＥｇｎｅｉｎｐｃｔｓ２１，６１）１１１６ｉＣｎｉｏ
ＡｂｔａｔｅａｅｒｃｇｉｏｅｏａｅｎＩａｅＭａｘＤｓｒｉａｔＬｃｌｙＰｅｅｖｇＰｏｅｔｎ（ＭＬＰｉｐｏｓｃ：ＡｎｗｆｃｅｏｎｔｎｍｔｄｂｓｄｏｍｇｔｉｉｎｎｏａｔｒｓｒｉｒｃｏｓＩＤＰ）ｓｒ— ｒｉｈｉｒｃｍｉｎｊｉｐｓｄＢｓｄｏｏａｔＰｅｅｉｇＰｏｅｔｎ（Ｐ，ＭＤＰａｅｎｏａｃｕｔｔｅｃａｓｌｂ１ｉｏａｏ，ｎｄｓｂｔｅｎｏｅ．ａｅｎＬｃｉｒｓｒｎｒｊｃｏｓｕ））ＩＬＰｔｋｓｉｔｃｏｎｈｌｓａｅｎｒｔｎａｄａｄｅｅ — ｌｙｖｉｆｍｉｗ
Ｔｅｅｐｒｍｅｔｌｒｓｌｓｉｄｃｔｅｅｆｃｉｅｅｓｏｈｒｐｓｄｍｅｈｄｈｘｅｉｎａｅｕｔｎｉａｅｔｆｔｎｓｆｔｅｐｏｏｅｔｏ．ｈｅｖ
Ｋｅｒｓｏａｉｒｓｒｎｒｅｔｎ；ａｅｍａｉｄｓｒｉａｔｏａｉｒｓｒｉｇｐｏｅｔｎ；ａｉｌｌｒｉｇｆｅｒｏｉｏｙｗｏｄ：ｌｌｔｐｅｅｉｇｐｏｃｉｓｉｇｔｘｉｉｎｎｃｌｙｐｅｅｖｒｊｃｏｓｍｎｆｄｅｎｎ；ｃｃｇｔｎｃｙｖｊｏｍｒｃｍｌｔｎｉｏａａｅｎｉ
摘
要：出一种基于图像矩阵判别局部保持投影的人脸识别方法。图像矩阵判别局部保持投影是在局部保持投影基础上进行了提
扩展，考虑了类标签信息并在其目标函数中增加类间散度约束，使得求解的特征更具判别性。另外，图像矩阵判别局部保持投影是直接处理图像矩阵而不需要将矩阵转化为向量，留了像素间的空间位置关系，保避免了奇异性问题。实验结果表明该方法是有效的。