基于FLD和2DPCA相融合技术的人脸识别.docx

基于FLD和2DPCA相融合技术的人脸识别
基于FLD和2DPCA相融合技术的人脸识别
摘要：人脸识别是一种常见的生物特征识别技术，在现代社会广泛应用于安全监控、门禁系统等领域。本文针对人脸识别中存在的维数问题，旨在研究基于FLD和2DPCA相融合技术的人脸识别算法。实验结果表明，该算法在保证识别率的同时，能够有效减少高维数据处理带来的计算量和存储空间，具有很强的实用性和应用前景。
关键词：人脸识别；FLD；2DPCA；相融合技术；维数问题；计算量
1.引言
人脸识别是采用计算机软件或硬件识别人脸的身份的技术。它是生物特征识别的一种方法，已经广泛应用于安全监控、门禁系统、身份认证、图像检索等方面。准确和高效地识别人脸是人脸识别技术的核心问题，但是由于人脸具有高度的相似性和变化性，使得人脸识别成为一项具有挑战性的任务。
人脸识别算法可以分为基于特征的方法和基于模型的方法。其中，基于特征的方法是通过对人脸图像进行特征提取，然后用这些特征来进行识别；基于模型的方法是通过构建人脸模型，然后利用模型与检测出的人脸进行匹配。
在基于特征的方法中，主成分分析（PCA）和线性鉴别分析（LDA）是两种经典的方法。它们与人脸识别间的关系已经得到了广泛的研究与应用。但是，这些方法在处理高维数据时会遇到麻烦，因为使用高维度数据进行分类而不进行任何预处理可能会遇到“维数灾难”的问题。解决这类问题的一种做法，就是使用降维技术，公认的降维技术有PCA、LDA等，此外，还有一些较新的降维技术如KSM、2DPCA、FLD等。这些技术可以基本上压缩简化数据，从而减少模型的计算复杂度和存储搜索空间大小等问题，使模型在识别面临高维度数据的情况下更加有效。
本文旨在研究基于FLD和2DPCA相融合技术的人脸识别算法，来提升人脸识别的准确率、降低处理的数据维度和计算量。
2.相关研究
2.1FLD
FLD（Fisher线性鉴别）是由R.A.Fisher在1936年提出的一种分类方法，它采用线性变换将高维的样本数据映射到一维或二维，从而实现分类。FLD是基于LDA算法的，是一种基于模型的方法。
在具体的实现中，FLD的目标是通过学习，找到一些投影方向，使得不同类别样本之间的间距变大，同一类别样本之间的距离变近。在进行分类任务时，将测试样本投影到这些方向上，即可将测试样本分类到相应的类别。
2.22DPCA
研究表明，2DPCA（二维PCA）能够有效地处理图像信息，在降维和反映图像信息方面具有优势。2DPCA是PCA的一种改进算法，它在处理图像时考虑到了2D信息。在2DPCA中，通过将图像按照行、列进行降维，从而将图像信息转换为低维空间中的特征。
与PCA相比，2DPCA能够解决图像信息变化的问题。2DPCA的基本思想是将样本矩阵作为一个二维向量，然后对其进行奇异值分解，得到一个新的向量，从而实现图像特征降维。
2.3相融合技术
相融合技术简单来讲就是在研究某项技术时结合另一项技术以达成更好的效果。利用相融合技术可以充分利用各项技术的长处，提高算法的效率和准确率，从而更好地实现所需要的功能。
3.算法设计
通过上述研究，本文提出了基于FLD和2DPCA相融合技术的人脸识别算法，具体步骤如下：
3.1数据预处理
首先需要对人脸图像进行灰度化处理，将彩色图像转化为灰度图像。通过对原始图像进行降噪处理，可选用一些图像处理方法，例如高斯滤波、中值滤波等。
3.2特征提取
利用2DPCA算法从图像中提取特征，以获得一个更紧凑和更不相关的特征集。然后，利用FLD算法对特征数据进行降维处理，获得一个更紧凑的特征集。这样就可以减少数据维度并压缩特征维度，简化特征的表示方式。假设原始数据大小为D*n，通过2DPCA的降维可将数据降至D1*n1，其中D1和n1为降维后的数据维度，而降维后的数据将输入到FLD中，将数据的特征表示为D2*1，D2<<min(D1,n1)。
3.3训练分类器
对于降维后的数据集，训练人脸识别器分类器，可选用一些经典的分类器方法，例如SVM、神经网络等。对于人脸图像进行分类时，首先对该图像进行降维和压缩特征的表示，然后将其投影到已学习的FLD中（FLD提供的投影），得到用于人脸识别的特征向量。
3.4人脸识别
输入一个未知人脸图像，提取该图像的特征，并将特征向量投影到已学习的FLD中，得到一个新的特征向量。将该新的特征向量与数据库中的已知人脸特征进行比较，找到最相似的一个或多个，从而实现人脸识别。
4.实验结果与分析
本算法采用公认的人脸识别数据库作为数据集，DesignScienceImage-TED、FERET和ORL数据库。将这些数据集分成测试集和训练集，分别用于训练和验证人脸识别算法。在进行实验时，考虑不同的降维维度和分类算法对算法的影响。
实验结果显示，该算