面部局部特征的独立分量分析及其应用

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (10): 185-187.

面部局部特征的独立分量分析及其应用

许高凤¹,黄磊²,刘昌平²,丁士圻¹

1.哈尔滨工程大学，哈尔滨 150001
2.中科院自动化研究所，北京 100080

收稿日期:2007-07-23 修回日期:2007-10-22 出版日期:2008-04-01 发布日期:2008-04-01
通讯作者: 许高凤

Independent local feature analysis with applications to face recognition

XU Gao-feng¹,HUANG Lei²,LIU Chang-ping²,DING Shi-qi¹

1.Harbin Engineering University，Harbin 150001，China
2.Institute of Automation，Chinese Academy of Sciences，Beijing 100080，China

Received:2007-07-23 Revised:2007-10-22 Online:2008-04-01 Published:2008-04-01
Contact: XU Gao-feng

摘要/Abstract

摘要： 特征提取方法一直是人脸识别研究中的热点，局部特征分析（Local Feature Analysis）算法不仅能得到面部的全局特征，而且能提取出其局部特征信息，但该算法得到的结果具有过多冗余相关信息不利于识别。由于独立成分分析（Independent Component Analysis）算法能够有效地提取信号的高阶统计特性，很好地去除了各分量之间的相关性。给出了融合这两种方法的特征提取方法，经实验测试表明该算法能有效地提取面部特征。

关键词: LFA, ICA, 特征提取, 人脸识别

Abstract: Feature extraction is always an important domain in face recognition.Local Feature Analysis（LFA） algorithm not only can extract global information features but also can extract local information features from face image，but the LFA feature is a redundant representation of the original image，it remains residue correlations.Since Independent Component Analysis（ICA） has the good performance in decorrelation both in low order and high order.This paper integrates the above two algorithms，and the followed experiments shows its good performance.

Key words: LFA, ICA, feature extraction, face recognition

许高凤¹,黄磊²,刘昌平²,丁士圻¹. 面部局部特征的独立分量分析及其应用[J]. 计算机工程与应用, 2008, 44(10): 185-187.

XU Gao-feng¹,HUANG Lei²,LIU Chang-ping²,DING Shi-qi¹. Independent local feature analysis with applications to face recognition[J]. Computer Engineering and Applications, 2008, 44(10): 185-187.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	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.
[4]	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.
[5]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[6]	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.
[7]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[8]	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.
[9]	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.
[10]	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.
[11]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[12]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[13]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[14]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[15]	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.