基于双向主成分分析和压缩感知的人脸识别算法

›› 2014, Vol. 27 ›› Issue (1): 45-.

基于双向主成分分析和压缩感知的人脸识别算法

穆新亮,武亚静

(西安电子科技大学理学院,陕西西安 710071)

出版日期:2014-01-15 发布日期:2014-01-12
作者简介:穆新亮(1988—),男,硕士研究生。研究方向:模式识别,支持向量机,最优化计算方法。E-mail:muxinliang168@163.com。武亚静(1988—),女,硕士研究生。研究方向:模式识别,支持向量机,最优化计算方法。

Face Recognition Algorithm Based on Bidirectional Principal Component Analysis and Compressed Sensing

MU Xin-Liang, WU Ya-Jing

(School of Science,Xidian University,Xi'an 710071,China)

Online:2014-01-15 Published:2014-01-12

摘要/Abstract

摘要：

提出了一种双向主成分分析(BD-PCA)与基于光滑l₀范数(SL0)相结合的人脸识别算法(BP-SL0)。首先利用BD-PCA对所有的训练图像降维,然后将降维后的人脸图像按列拉伸成一个向量,并将其组成字典矩阵,同时对待测试图像进行相同处理,最终通过SL0算法求解优化问题。实验结果表明,该算法获得了较高的识别率和重建效果,且效果优于单独使用BD-PCA和SL0算法。

关键词: 双向主成分分析(BD-PCA), 压缩感知, 人脸识别

Abstract:

This paper proposes a face recognition algorithm combining the bidirectional principal component analysis (BD-PCA) and the face recognition algorithm based on smooth l₀ norm(SL0).First we use BD-PCA to reduce the dimension of these training images,and then make each face image into a vector by stretching it according to each column,and use these vectors to comprise a dictionary matrix,and process test images in the same way,and finally solve the optimization problem by SL0 algorithm.Experimental results show that the proposed algorithm achieves high recognition rate and better reconstruction effect than those by BD-PCA and SL0 algorithm alone.

Key words: BD-PCA;CS;face recognition

中图分类号:

TP391.41

穆新亮, 武亚静. 基于双向主成分分析和压缩感知的人脸识别算法[J]. , 2014, 27(1): 45-.

MU Xin-Liang, WU Ya-Jing. Face Recognition Algorithm Based on Bidirectional Principal Component Analysis and Compressed Sensing[J]. , 2014, 27(1): 45-.

参考文献

［1］CANDES E.Compressive sampling［C］.Madrid,Spain:Proseedings of Internationl Congress of Mathematicians,2006,3:1433-1452.

［2］HOSEIN M G.Fast sparse representation based on smoothed 10 norm［J］.IEEE Signal Processing Letters,2007,23(6):1131-1146.

［3］张会森,王映辉.人脸识别技术［J］.计算机工程与设计,2006,27(11):1923-1928.

［4］DU G,ZHU W J.Face recognition method based on singular value decomposition and fuzzy decision［J］.Journal of Image and Graphics,2006,11(10):1456-1459.

［5］JOLLIFFE I T.Principal component analysis［M］.2nd Edition.Berlin:Springer,2002.

［6］谭璐.高维数据的降维理论及应用［D］.长沙:国防科学技术大学,2005.

［7］YANG J,YANG J Y.From image vector to matrix:A straightforward image projection technique-IMPCA versus PCA［J］.Pattern Recognition,2002,35(9):1997-1999.

［8］CHEN S,ZHU Y.Subpattern-based principal component analysis［J］.Pattern Recognit,2004,37(5):1081-1083.

［9］GOTTUUMUKKAL R,ASARI V K.An improved face recognition technique based on modular PCA approach［J］.Pattern Recognition Letter,2004,25(4):429-436.

［10］YANG J,ZHANG D,FRANGI A F,et al.Two-dimensional PCA:a new approach to appearance based face representation and recognition［J］.IEEE Transaction on Pattern Analysis and Machine Intelligence,2004,26(1):131-137.

［11］侯俊,郝秀娟,谢德燕,等.二维多样性保持投影及人脸识别［J］.西安电子科技大学学报:自然科学版,2012,39(6):34-41.

［12］ZUO Wangmeng,ZHANG David.Bidirectional PCA with assembled matrix distance metric for image recognition［J］.IEEE Transactions on Machine Intel,2006,36(4):863-872.

［13］MARTINEZ A,BENAVENTE R.The AR face database［R］.NZ USA:Technical Report Computer Vision Center,1998.

[1]	程晓雅,张雷. 基于深度学习的有遮挡人脸识别方法研究[J]. 电子科技, 2022, 35(1): 35-39.
[2]	郭龙,姚树新,郑法威. 流场压缩感知渗透率计算[J]. 电子科技, 2021, 34(5): 1-6.
[3]	彭荣杰,彭亚雄,陆安江. 基于改进PCA+SVM的人脸识别系统[J]. 电子科技, 2021, 34(12): 56-61.
[4]	王春江,张猛,张建飞. 基于网络摄像头的活体人脸识别系统设计[J]. 电子科技, 2020, 33(6): 63-68.
[5]	司琴,李菲菲,陈虬. 基于深度学习与特征融合的人脸识别算法[J]. 电子科技, 2020, 33(4): 18-22.
[6]	苏饶,李菲菲,陈虬. 基于多特征融合的人脸识别算法[J]. 电子科技, 2019, 32(7): 43-48.
[7]	刘芬. 基于线性和非线性算法的高效人脸识别系统[J]. 电子科技, 2019, 32(7): 82-86.
[8]	胡少聪. 基于深度学习的人脸识别方法研究[J]. 电子科技, 2019, 32(6): 82-86.
[9]	周柱,甘屹,孙福佳. 一种融合Gabor+SIFT特征的人脸识别算法[J]. 电子科技, 2019, 32(4): 1-5.
[10]	汪凤玲,吴贇,支佳. 毫米波MIMO系统中稀疏度自适应的压缩感知信道估计[J]. 电子科技, 2019, 32(10): 13-16.
[11]	张烨. 自适应标准差特征的压缩感知图像融合[J]. , 2018, 31(4): 36-.
[12]	陈益, 李文钧. 基于正交匹配追踪算法的语音信号重构研究[J]. , 2018, 31(3): 44-.
[13]	郑昊辰, 姜维. 基于压缩感知的阅卷系统手写汉字识别算法[J]. , 2018, 31(3): 75-.
[14]	刘佳. 基于压缩感知的三维人体点云的压缩及重建[J]. , 2016, 29(7): 72-.
[15]	焦淑红,孙志帅. 基于GPCA的KNNY与SVM融合的人脸识别方法[J]. , 2016, 29(2): 74-.