分块PCA与最大散度差鉴别分析结合的人脸识别

doi:10.3778/j.issn.1002-8331.2008.34.048

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (34): 155-157.DOI: 10.3778/j.issn.1002-8331.2008.34.048

• 图形、图像、模式识别 • 上一篇下一篇

分块PCA与最大散度差鉴别分析结合的人脸识别

崔美琳,陈才扣

扬州大学信息科学与工程学院，江苏扬州 225009

收稿日期:2008-05-26 修回日期:2008-09-05 出版日期:2008-12-01 发布日期:2008-12-01
通讯作者: 崔美琳

Combination of modular PCA and maximum scatter difference discriminate analysis for face recognition

CUI Mei-lin,CHEN Cai-kou

Department of Computer Science and Engineering，Yangzhou University，Yangzhou，Jiangsu 225009，China

Received:2008-05-26 Revised:2008-09-05 Online:2008-12-01 Published:2008-12-01
Contact: CUI Mei-lin

摘要/Abstract

摘要： 提出了一种将分块PCA与最大散度差鉴别分析相结合的人脸识别方法。该方法是先对原始的人脸图像进行分块，然后对分块得到的子图像矩阵采用PCA方法进行特征抽取，从而把原始模式从高维空间映射到较低维空间。接下来再对新模式采用最大散度差线性鉴别分析，这样就避免了对新模式的类内散布矩阵非奇异的要求。在ORL人脸库和Yale人脸库上分别检验了分块PCA与最大散度差鉴别分析相结合的人脸识别方法的识别性能，实验结果表明该方法抽取的鉴别特征有较强的鉴别能力。

关键词: 分块PCA, 最大散度差鉴别分析, 人脸识别

Abstract: In this paper，a new method of combination of modular PCA and Maximum Scatter Difference Discriminate Analysis（MSDDA） is developed.In the proposed method，the original face images are divided into smaller sub-images.Then the PCA approach is applied to each of these sub-images，and the new lower dimensionality patterns take the place of the original patterns.Because the MSDDA eliminates the redundant information within the features，in the end，the MSDDA is performed for the pattern classification.Finally，extensive experiments performed on both ORL face database and Yale face database verify the effectiveness of the proposed method.

Key words: modular PCA, Maximum Scatter Difference Discriminate Analysis（MSDDA）, face recognition

崔美琳,陈才扣. 分块PCA与最大散度差鉴别分析结合的人脸识别[J]. 计算机工程与应用, 2008, 44(34): 155-157.

CUI Mei-lin,CHEN Cai-kou. Combination of modular PCA and maximum scatter difference discriminate analysis for face recognition[J]. Computer Engineering and Applications, 2008, 44(34): 155-157.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[3]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[4]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[5]	李俊瑶，黎智辉，谢兰迟，侯欣雨，叶东. 基于老化模型的跨年龄人脸识别研究进展[J]. 计算机工程与应用, 2021, 57(24): 27-38.
[6]	刘金金，李清宝，李晓楠. 基于对抗学习和知识蒸馏的神经网络压缩算法[J]. 计算机工程与应用, 2021, 57(21): 180-187.
[7]	徐遐龄，刘涛，田国辉，于文娟，肖大军，梁陕鹏. 有遮挡环境下的人脸识别方法综述[J]. 计算机工程与应用, 2021, 57(17): 46-60.
[8]	徐然然，吴小俊，尹贺峰. 鉴别性非负表示分类及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(13): 147-153.
[9]	王钰，刘凡，王菲. 基于自编码器和稀疏表示的单样本人脸识别[J]. 计算机工程与应用, 2021, 57(1): 168-172.
[10]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.
[11]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[12]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[13]	张飞翔，余学儒，何卫锋，李琛. 结合改进的损失函数与多重范数的人脸识别[J]. 计算机工程与应用, 2020, 56(24): 144-150.
[14]	陈哲，吴小俊. 基于结构化低秩恢复的鲁棒人脸识别算法[J]. 计算机工程与应用, 2019, 55(6): 126-132.
[15]	白创，陈翔. 新型LeNet-FC卷积神经网络模型算法的研究[J]. 计算机工程与应用, 2019, 55(5): 105-111.

分块PCA与最大散度差鉴别分析结合的人脸识别

Combination of modular PCA and maximum scatter difference discriminate analysis for face recognition

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics