基于KPCA和投影字典对学习的人脸识别算法
基于判别性降维的字典学习在人脸识别的应用
此， 本文提 出了一种 正交投 影矩 阵 ， 它可 以同时最 大化 Ａ 的总散射和 Ａ 的类 间散射 。对 于字典 Ｄ ， 期望 它能够 如 实地表示 降维数据 集 Ｐ Ａ， 同时使来 自相 同类 的样本更 靠
Ｖ怔 。 脚Ｌ ． ｃ
明
量 同时使不 同的类 Ａ 在 由 Ｐ定义 的子空 间中可分割 。为 单独最优化每组 ｛ ， ／ ▲ ｝ 为
｝
，
ａ ｒ ｇ ｍ ｉ ｎ
｛ （Ｉ ｌ ｝Βιβλιοθήκη 一Ｄ ２＋ 矩阵。
Ａ 。 ｌ ｌ ｌ ｌ ； ＋Ａ ： ｌ ｌ ／ ｌ 一 ｌ ｌ ， ２ ） 一 ｌ 】 Ｐ Ａ ｌ ｌ ， ２ 一
ｙ ：Ｉ Ｉ Ｐ Ａ６ ｝ ， ｄ Ｔ ｄ
．
从 的一些初始 化 中（ 例 如随机初始 化 ） 可 以计算
｝ ＝ａ ｒ ｇ （Ｉ ｌ Ｐ Ａ — Ｄ ｃ ｔ ｋ ｌ ｌ ； ＋ Ａ － ｌ ｌ ／ Ｉ ｌ Ｉ ； ＋
Ａ ：【 ｌ ／ ｌ 一 ｌ ｌ ， ２ ） ， ｆ ｄ ＝ １ ， Ｖ
。
（ ３ ）
和／ ｌ 同样是选择性 和迭代 地得 到解 决 。为 了使 近 由跨越 Ｄ 空 间 中的其他 样本 。基 于 以上考 虑 ， 本文 提 最优化更简单 ， 本文初始化 为 ０ ， 在接下来 的迭代 中 出了联合判别式降维 和字典学 习 （ Ｄ Ｄ Ｒ — Ｄ Ｌ ） 模 型来最 优 可以计算为更新系数矩阵 ／ Ｉ 的列平均矩阵。因此 ， 可 化 Ｐ和 Ｄ ， 即 以看作是每次迭代 中的一个最优化 和 ／ ｌ 的 已知常数
全部字典 ； Ａ 表示 Ｄ 上Ｐ Ａ 的编码系数矩阵 ； Ａ 表示集
中训练集 ， 如Ａ ＝Ａ — Ｍ ， Ｍ 的每一列表示 Ａ 中所 有样 本 的平 均 向量 ｍ ； Ａ 是 Ａ 的特 定类 的集 中数 据集 ， 如
利用OpenCV实现基于PCA算法的人脸识别
A x1,x2,...,x10 T
• 其中向量xi为由第i个图像的每一列向量堆叠成一列的MN 维列向量,即把矩阵向量化,如下图所示：
训练阶段
•
如：第i个图像矩阵为
1 2 3 4 5 6 7 8 9
1
•
则xi为
4 7
2
5
系统优缺点分析
系统存在的问题： 1. 抗干扰能力较差。环境光照，遮挡物，人的表情和位置都对识别 结果造成较强的干扰。 2. 训练的时间较长，执行效率不够高。只能对小样本的图像进行识 别，如果图像库太大，则运行效率会比较低。
系统的优点： 1. 不需要对图像进行过多的预处理，PCA本身就能实现降噪的功能； 2. 能有效地识别人脸，且过程相对简单，主要是图像数据的处理和
OpenCV 对非商业应用和商业应用都是免费的，源代码公开， 具备强大的图像和矩阵运算能力，具有丰富的函数处理函数， 减少开发者的工作量，有效提高开发效率和程序运行的可靠 性。
应用：人机互动 、物体识别 、图象分割 、人脸识别 、 动作识别、运动跟踪 、机器人
人脸识别基本介绍
人脸识别，是基于人的脸部特征信
8
369Fra bibliotek 训练阶段
•
第二步：计算平均脸
计算训练图片的平均脸：
1 10
i 10 i 1
xi
训练阶段
•
第三步：计算差值脸
计算每一张人脸与平均脸的差值
di xi i 1
训练阶段
第四步：构建协方差矩阵
C
1 10
10
d
id
求出原协方差矩阵的特征向量
ui
1
基于改进字典学习算法的人脸识别
使 得上述优化 问题 中低维 线性模型 的前 提被打破 ．因此 ．提 出一 种针对像素 遮挡损坏 的稀疏表示人 脸识别模 型 ．称 为拓 展 的稀疏表示人脸识别模 型． 目标方程式为 ：
Ｙ＝Ｄ ｘ ＋ ｅ ＝ 【 Ｄｉ １ ［】
ｅ
其 中 ｅ表示 噪声 或者遮挡 、损坏 的像素 。是低 维线性模 型的系数修 正向量 ，Ｉ 为单位矩 阵 。令 Ｂ ＝【 Ｄ Ｉ ］ ，则 上式可改
＝ Ｊ １ 十 ２ ２＋ … 十
试 样本所属 的类 别 ．即重 构误差 系数 最小 的类 别标示着 测试
样本所在 的类别 ：
其中 ， 为标量。将 类训练样本组合成样本字典 Ｄ ＝【 Ｄ 。 ，
Ｄ ， ． ． ． ， Ｄ ＝【 ｄ ｌ ， ｚ ， ｄ ． ，则未知类别 的人脸图像可表示成 ， ． ， ＝
ห้องสมุดไป่ตู้
用最 大化类 间散度和类 内散 度之 比作 为 目标 函数来 寻优 。但 Ｌ Ｄ Ａ在应 用时常 常遇到维 数问题 。Ｉ Ｃ Ａ是需在互 相不 干扰 的 情 况下将 数据 进行线 性分 解 ，使 其分 解成 统计独 立 的成分 ， Ｉ Ｃ Ａ的前提是信号源独立且互不干扰。这 ３ 种方法全都是基于
写为 ：
ｙ ＝ Ｂｘ
等 。其 中 Ｐ Ｃ Ａ是 寻找能 表示采样 数据 的最好 的投 影子 空间 ， Ｐ Ｃ Ａ对样本 的协方差矩 阵进行 特征值分 解 ，前 ｋ个 最大特 征 值所对应 的特征 向量为方 向的子空间在最 大程度 上保持 了原 有数据信 息的能量并进行 了降维 ，简化了模型 。但 Ｐ Ｃ Ａ要求
量 ，使得拓展 的稀疏表 示模型具有更强的鲁棒性 。针对 字典 学习中只包含表示 能力没有 包含 类剐信 息的问题 ，在 字
基于深度学习的人脸识别技术研究答辩PPT
LOGO
目录
01
选题原因及背景
02
解决思路及措施
03
成效发展，人们也不满足于现在的生活水平、生活质量，对实现 便捷高效的自动身份验证的需求也日益增强。在所有身份认证的方法中，通过生物特 征来进行是最准确无误的；因为生物特征是人的内在属性，不易被外界因素影响且不 同个体之间的差异较大、好区分。
签到表、考勤发布表等增加或修改，甚至认证授权等操作） 04
03 成效及结论
➢ 成效： 利用人脸识别技术实现课堂考勤，可以改变传统的点名、签名等常规的考勤
模式，解决既耗时又不能保证数据的真实性的问题，从而提高考勤效率。 使用PythonWeb开发中的Django框架，将课堂考勤与Web服务相结合，使
一、考勤系统总体概述：（论文第四章）
考勤系统分别由管理员和用户两大模块构成；
二、数据库设计：
数据库结构描述和数据库逻辑结构设计；
03
系统实现
系统功能实现包含：（论文第五章）
1：登录注册模块（首页、注册页面和登录页面）: 2：用户模块（教师用户和学生用户），教师可以发布和查 看课程，发布和查看签到两类；学生可以人脸签到和选课； 3：管理员模块（管理员可以对用户、对发布的课程、考勤
系统分析
系统功能分析：（论文第三章）
考勤系统主要有管理员和用户（也就是教师和学生）两大板
块组成，系统采用 B/S结构。旨在为用户提供一个能缩短在
考勤方面花费的时间的人脸识别快速签到的平台。系统管理
员可以操纵所有角色的信息库，比如对某角色的信息进行更
新、删除等其他操作。
02
02 解决思路及措施
系统设计
LOGO
基于小波分析和KPCA的人脸识别
I ( 2x - 1, 2y ) - I ( 2x , 2y - 1)
( 1)
式中 I( x, y) 表示待处理图像。
图 1 Haar 小波基 对人脸图像进行小鼓分析的步骤如下: ( 1) 人脸图像的小波分解。选择 Haar 小波 和小波分 解的层 次 N, 逐次计算各层的分解; ( 2) 对高频系数进行阈值量化。对于从 1 到 N 的每 一层, 选 择一个阈值, 并对这一层的 高频系 数进行 软阈值 化或硬 阈值化 处理。
l∋
∃ gi ( x ) =
y i#ij k ( x , xj ) + bi
j= 1
( 12)
总的判别函数为:
f ( x ) = arg( max i= 1, #, Mgi ( x ) )
( 13)
本文所构建的多层支持向量机结构如图 2 所示。
Step 3. 将低频小波成分系数进行 KPCA 变换, 得到特征参数; Step 4. 采用训练好的 SVM 进行识别。
于核函数的主成分分 析( KPCA) [8] 是它的 非线性推广 , 通过 利用
核函数的技巧的到输入 空间的 非线性 映射, 从而在 新的高 维空 间中进行通常的主成分分析。本文利用 小波分解和基于核函数
的主成分分析方法相结 合的策 略, 使 得分类 器具备 更良好 的分
类性能和鲁棒性。
Techniques of Automation & Applications | 29
改变。我们对人脸进行小波分析的目的是降维和图像滤波。从
而降低计算 复杂度并滤掉人 脸的情 感变化因 素及眼 镜、发型等
不必要的细 节对算法 产生 的影响。 本文采 用 Haar 小波作 为小
波基函数先对人脸样本进行小波分 解( 见 图 1) 。用公式 表示如
人脸识别算法_几种人脸识别算法的原理概念及其代码特征
人脸识别算法_几种人脸识别算法的原理概念及其代码特征一、基于特征分析的人脸识别算法基于特征分析的算法主要通过提取人脸图像的特征信息，然后进行对比匹配。
常用的特征分析算法有主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。
1.主成分分析（PCA）主成分分析是一种经典的人脸识别算法，其主要思想是将原始的高维人脸图像数据降维到低维空间，并通过保留最重要的特征信息来实现对人脸的识别。
该算法将人脸图像看作向量，通过对人脸样本进行协方差矩阵分析，得到一组特征向量，通常称为特征脸。
然后通过计算待测人脸与特征脸的距离来判断身份。
2.线性判别分析（LDA）线性判别分析是一种将高维空间数据映射到低维空间的方法，在保留类别内部信息的同时，还具有良好的分类性能。
在人脸识别中，LDA将人脸图像看作样本，通过计算类别内均值和类别间均值的差异，找到能最好区分不同类别的投影方向。
最后，通过计算待测人脸与特征向量的距离来进行识别。
3.局部二值模式（LBP）局部二值模式是一种用于纹理分析的特征描述符，其主要思想是使用局部区域的像素值与中心像素值进行比较，然后按照比较结果生成二进制编码。
在人脸识别中，LBP算法通过将人脸图像划分为小的局部区域，计算每个区域的LBP特征向量，然后将不同区域的特征向量连接起来形成一个长向量。
最后通过计算待测人脸与训练样本的LBP特征向量的距离来进行识别。
二、基于深度学习的人脸识别算法随着深度学习的快速发展，基于深度学习的人脸识别算法逐渐成为主流。
这类算法通过设计并训练深度神经网络，可以自动学习人脸图像的特征表示，从而实现更准确的人脸识别。
1.卷积神经网络（CNN）卷积神经网络是一种前馈神经网络，其主要特点是通过卷积层和池化层来提取图像的局部特征，使得神经网络能够更好地适应图像的结构信息。
在人脸识别中，CNN通过输入人脸图像到网络中，网络会自动提取各种特征，然后通过全连接层进行分类或验证。
人脸比对技术的算法和实现方法
人脸比对技术的算法和实现方法人脸比对技术是一种通过计算机视觉和模式识别技术对人脸图像进行分析和匹配的技术。
它在现代生活中得到了广泛的应用，如人脸识别解锁手机、人脸支付等。
本文将介绍人脸比对技术的算法和实现方法。
首先，人脸比对技术的算法是其核心。
常见的人脸比对算法包括特征提取算法和相似度计算算法。
特征提取算法是将人脸图像转化为一组特征向量的过程。
其中，最常用的特征提取算法是主成分分析（PCA）算法。
PCA算法通过对人脸图像进行降维处理，得到一组主成分，从而实现对人脸特征的提取。
相似度计算算法是根据特征向量的差异程度来计算人脸之间的相似度。
常见的相似度计算算法有欧氏距离算法和余弦相似度算法。
欧氏距离算法是计算两个特征向量之间的欧氏距离，距离越小表示两个人脸越相似。
余弦相似度算法是计算两个特征向量之间的夹角余弦值，值越接近1表示两个人脸越相似。
其次，实现人脸比对技术需要一系列的步骤。
首先是人脸检测，即从图像中提取出人脸区域。
常见的人脸检测算法有Viola-Jones算法和卷积神经网络（CNN）算法。
Viola-Jones算法是一种基于特征级联分类器的快速人脸检测算法，它通过对图像进行多尺度滑动窗口的检测来提高检测速度。
CNN算法是一种基于深度学习的人脸检测算法，它通过多层卷积神经网络的运算来提取图像中的人脸区域。
接下来是人脸对齐，即将检测到的人脸图像进行标准化处理，使得人脸的位置、大小和姿态一致。
常见的人脸对齐算法有基于特征点的对齐算法和基于纹理的对齐算法。
特征点对齐算法是通过检测人脸图像中的关键点，如眼睛、鼻子和嘴巴等，来实现对齐。
纹理对齐算法是通过将人脸图像映射到一个标准模板上，使得人脸的纹理分布一致。
最后是人脸比对，即通过比对两个人脸图像的特征向量来计算相似度。
比对结果可以通过设定一个阈值来判断两个人脸是否匹配。
人脸比对技术的实现还需要考虑一些问题。
首先是数据集的选择和构建。
一个好的数据集对于算法的训练和测试至关重要。
人脸识别算法方法
人脸识别算法方法
人脸识别是一种通过计算机算法对人脸进行自动分析和识别的技术。
以下是常见的人脸识别算法方法：
1. 统计模型方法：利用统计学原理对人脸进行建模和识别。
常用的统计模型方法包括主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等。
2. 深度学习方法：利用深度神经网络进行人脸识别，如卷积神经网络（CNN）。
深度学习方法在人脸识别中取得了很大的
突破，具有较高的识别准确率和鲁棒性。
3. 三维人脸识别方法：通过建立人脸的三维模型，利用三维特征进行人脸识别。
三维人脸识别方法能够克服光线、姿态等因素的干扰，具有较高的可靠性。
4. 基于特征点的方法：通过提取人脸的特征点进行比对和识别。
常用的特征点包括眼睛、鼻子、嘴巴等部位，通过比对特征点的位置和形状来实现人脸识别。
5. 基于皮肤颜色的方法：利用人脸的皮肤颜色信息进行分割和识别。
这种方法适用于光照条件较好的情况下，可以提高人脸检测和识别的速度。
以上是一些常见的人脸识别算法方法，不同的方法在不同的应用场景下有不同的适用性和性能表现。
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。
人脸识别算法
⼈脸识别算法基于⼈⼯神经⽹络的⼈脸识别系统童志军090739第⼀部分：引⾔在计算机控制上可靠的个⼈⾝份识别的需求引发了⽤⽣物特征替代密码和⾝份证进⾏识别的趋势。
由于密码会被泄露给不合法的⽤户并且⾝份证会被骗⼦盗取所以密码和⾝份证会被轻易的破坏，⽣物特征识别的出现能够很好的解决传统分类⽅法的问题。
⽣物特征包括⼈的虹膜、视⽹膜、⾯部轮廓、指纹、签名⼒度变化和语⾳等特征，这些特征可以⽤于⼈物识别。
由于⽣物特征不能被轻易的盗取和分享，所以⽣物特征识别相⽐于传统安全措施有很⼤的优势，⼈脸识别系统积极稳固的特点使它在⼈物识别中脱颖⽽出。
⼈脸识别系统包括⼈脸核实和⼈脸识别两个阶段。
在核实阶段，系统根据⼈物特征的先验知识进⾏核实，这就是说，系统要判断当前待识别⼈物是否为骗⼦。
在⼈脸识别阶段，先验特征并不知道，系统只能根据最⼤似然准则进⾏识别。
这篇⽂章的最初⽬的是对使⽤⼈⼯神经⽹络来⼈脸检测和识别的性能进⾏评价，⽂章的剩余部分就是这样组织的：第⼆部分描述了系统的过程图和⼈脸识别系统的各个模块；第三部分详尽说明了预处理、特征提取和⽬标系统的分类的⽅法；第四部分展⽰了和讨论了实验结果，第五部分得出结论。
第⼆部分：系统综述正如图1所⽰，推荐的⼈脸识别算法包含⼊学和识别/分类两个阶段，它包含图像获取，⼈脸检测、学习、识别和核实。
图1 ⼈脸识别系统结构图A ⼊学阶段使⽤⽹络照相机获得图⽚并储存在数据库中，然后对图⽚进⾏检测和训练。
训练时，使⽤⼏何学和光学标准化⽅法对脸部图⽚进⾏预处理，采⽤⼏种特征提取的⽅法提取脸部图⽚特征，然后把这些特征数据存在数据库中作为⽤户标识。
B 识别/实验证明阶段再次获得⽤户脸部⽣理数据，此系统使⽤数据辨别⽤户或者分类⽤户标识。
虽然⾝份鉴定需要把获得的⽣物特征信息与数据库中所有⽤户的数据进⾏模板匹配，⾝份核实仅需要把⽣物特征信息与主要特性进⾏模板匹配，所以⾝份识别与实验证明在内在复杂性上截然不同。
- 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)。
Ｔｅｌ：＋８６—１０—６２６６１０４１
基于 ＫＰＣＡ和投影 字典对 学 习的人脸识别算法①
邓 道 举 ，李 秀 梅
（杭 州 师 范 大 学 信 息科 学 与 工程 学 院 ，杭 州 ３ ｌ１ １２１）
摘 要 ：相 比基 于稀 疏约 束的字 典学 习算 法和 识别方 法 ，投 影字 典对 学 习 （ｐｒｏｊｅｃｔｉｖｅ Ｄｉｃｔｉｏｎａｒｙ Ｐａｉｒ Ｌｅａｒｎｉｎｇ， ＤＰＬ）具有更快 的学习速度和更高 的识别率 ．为 了进一步提 高 ＤＰＬ的识别能力，本文提 出了改进 ＤＰＬ算法 Ｋ—ＤＰＬ， 即将核主成 分分析 ＫＰＣＡ与 ＤＰＬ相 结合的识别方法 ．在 Ｋ．ＤＰＬ算法 中，利 用核方法，将样 本映射到高维空 间以解 决非线性 问题 ，再进行 ＤＰＬ训练，得到更具判 别性的字典．ＯＲＬ库 上实验表 明，不 同训练 比下 Ｋ．ＤＰＬ相 比 ＤＰＬ识 别率至 少提高 了 １．５％ 且识别 速度提 高了约 ２０倍．在扩展 ＹａｌｅＢ和 ＡＲ库上 ，Ｋ—ＤＰＬ相 比 ＤＰＬ识别率 分别提高 ０．３％ 和 ０．４％，且 识别速 度有所 提高，表 明 Ｋ．ＤＰＬ对光 照和遮挡 具有较好 的鲁棒性． 关键 词：投影字典对学 习：核主成分分析：Ｋ．ＤＰＬ
当前，稀疏 表达理 论在 图像识 别 中越 来越 受 到人 们关注 捌．２００９年，Ｗｒｉｇｈｔ等人 提 出了基 于稀疏表 达 分类 ＳＲＣ的人脸 识别方法ｌ ，稀疏 表达 是利用字 典中 的原 子线 性表示 信号 的一种 方法，它通 过稀 疏编码 和 重构分类两步来解 决识别 问题．２０１３年，张磊等人提 出
了基于 联合 表达 分 类 ＣＲＣ 的识 别方法 ．研 究指 出， 在 ＳＲＣ方法 中对 识别率 的贡 献起 到关键 性作用 的并 非求稀 疏约束 的 Ｌｌ范 数最 小化算法 ，而是联 合表 达． 在保证 识别率 的前提 下，为 了提 高识别速度，引入 了正 则化 最小平方法 替代 原 ＳＲＣ方法 中的 Ｌ１范数最 小化
ＤＥＮ Ｇ Ｄａｏ－Ｊｕ，ＬＩБайду номын сангаасＸ ｉｕ－Ｍ ｅｉ
（Ｓｃｈｏｏｌ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＨａｎｇｚｈｏｕＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ ３１１１２１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｄｉｃｔｉｏｎａｒｙ ｌｅａｒｎｉｎｇ ａｎｄ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｓｐａｒｓｅ ｃｏｎｓｔｒａｉｎｔｓ，ｔｈｅ ｐｒｏｊ ｅｃｔｉｖｅ Ｄｉｃｔｉｏｎａｒｙ Ｐａｉｒ Ｌｅａｒｎｉｎｇ（ＤＰＬ）ｈａｓ ｆａｓｔｅｒ ｌｅａｒｎｉｎｇ ｓｐｅｅｄ ａｎｄ ａ ｈｉｇｈｅｒ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ．Ｉｎ ｏｒｄｅｒ ｔｏ ｆｕｒｔｈｅｒ ｉｍｐｒｏｖｅ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｂｉｌｉｔｙ ｏｆ ＤＰＬ，ｔｈｉｓ ｓｔｕｄｙ ｐｒｏｐｏｓｅｓ ａｎ ｉｍ ｐｒｏｖｅｄ ＤＰＬ ａｌｇｏｒｉｔｈｍ Ｋ －ＤＰＬ，ｗ ｈｉｃｈ ｃｏｍ ｂｉｎｅｓ Ｋ ｅｒｎ ｅｌ Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ（ＫＰＣＡ）ａｎｄ ＤＰＬ ｍｅｔｈｏｄ．Ｉｎ Ｋ—ＤＰＬ，ｂｙ ｕｓｉｎｇ ｔｈｅ ｋｅｒｎｅｌ ｔｅｃｈｎｉｑｕｅ，ｔｈｅ ｓａｍｐｌｅｓ ａｒｅ ｍａｐｐｅｄ ｔｏ ｈｉｇｈ—ｄｉｍ ｅｎｓｉｏｎａｌ ｓｐａｃｅ ｔｏ ｓｏｌｖｅ ｔｈｅ ｎｏｎｌｉｎｅａｒ ｐｒｏｂｌｅｍ ，ａｎｄ ｔｈｅｎ ＤＰＬ ｉｓ ｕｓｅｄ ｔｏ ｇｅｔ ｍ ｏｒｅ ｄｉｓｃｒｉｍ ｉｎａｎｔ ｄｉｃｔｉｏｎａｒｙ ｂｙ ｔｒａｉｎｉｎｇ ｔｈｅ ｄｉｃｔｉｏｎａｒｙ．Ｅｘｐｅｒｉｍ ｅｎｔｓ ｏｎ ＯＲＬ ｄａｔａｓｅｔｓ ｓｈｏｗ ｔｈａｔ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｉｓ ｉｎｃｒｅａｓｅｄ ｂｙ ａｔ ｌｅａｓｔ １．５％ ａｎｄ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｓｐｅｅｄ ｉｓ ｉｎｃｒｅａｓｅｄ ｂｙ ａｂｏｕｔ ２０ ｔｉｍ ｅｓ ｃｏｍ ｐａｒｅｄ ｔｏ ＤＰＬ ａｔ ｄｉｆｆｅｒｅｎｔ ｔｒａｉｎｉｎｇ ｒａｔｉｏｓ ｂｙ ｕｓｉｎｇ Ｋ —ＤＰＬ．Ｏｎ ｔｈｅ ｅｘｔｅｎｄｅｄ ＹａｌｅＢ ａｎｄ ＡＲ ｄａｔａｓｅｔｓ，ｃｏｍｐａｒｅｄ ｗｉｔｈ ＤＰＬ，ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｉｓ ｉｎｃｒｅａｓｅｄ ｂｙ ０．３％ ａｎｄ ０．４％ ｒｅｓｐｅｃｔｉｖｅｌｙ， ａｎｄ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｓｐｅｅｄ ｉｓ ｉｍ ｐｒｏｖｅｄ ｂｙ ｕｓｉｎｇ Ｋ －Ｄ ＰＬ ａｓ ｗｅｌ１．Ｉｔ ｉｎｄｉｃａｔｅｓ ｔｈａｔ Ｋ －ＤＰＬ ｈａｓ ｇｏｏｄ ｒｏｂｕｓｔｎｅｓｓ ｔｏ ｉｌｌｕｍ ｉｎａｔｉｏｎ ａｎｄ ｏｃｃｌｕｓｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｐｒｏｊｅｃｔｉｖｅ ｄｉｃｔｉｏｎａｒｙ ｐａｉｒ ｌｅａｒｎｉｎｇ；Ｋｅｒｎｅｌ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ；Ｋ—ＤＰＬ
引用 格式：邓道举，李秀梅．基于 ＫＰＣＡ和投 影字典对学 习的人脸识别 算法．计算机系 统应用，２０１８，２７（５）：１４５—１５０．ｈｔｔｐ：／／ｗｗｗ．Ｃ．Ｓ．ａ．ｏｒｇ．ｃｎ／１００３．
３２５４／６３４８．ｈｔｍｌ
Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ ＫＰＣＡ ａｎｄ Ｐｒｏｊｅｃｔｉｖｅ Ｄｉｃｔｉｏｎａｒｙ Ｐａｉｒ Ｌｅａｒｎｉｎｇ
计算 机 系统应 用 ＩＳＳＮ １００３．３２５４．ＣＯＤＥＮ ＣＳＡＯＢＮ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ＆Ａｐｐｌｉｃａｔｉｏｎｓ，２０１８，２７（５）：１４５—１５０［ｄｏｉ：１０．１５８８８￣．ｃｎｋｉ．ｃｓａ．００６３４８］ ＠中 国科 学 院软 件研 究所 版权 所有 ．
Ｅ—ｍａｉｌ：ｃｓａ＠ｉｓｃａｓ．ａｃ．ｃｎ