主成分分析在人脸识别中的应用

科技·探索·争呜　Ｓｃ科ｉｅｎｃｅ＆Ｔｅ技ｃｈ视ｎｏｌｏｇｙ界　Ｖｉｓｉｏ　ｎ　项目与　奠　●　主成分分析在人脸识别中的应用　王健王新中杨文霞彭保　（深圳信息职业技术学院电子与通信学院，广东深圳５１　８１　７２）　【摘要】综述了主成分分析（Ｐｒｉｎｅｉｐａｌ　ＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰｃＡ）算法的基本原理，并详细阐述了ＰＣＡ算法在人脸识别中的应用，包括：分块　ＰＣＡ、基于类内平均脸的ＰＣＡ算法改进、ＰＣＡ和ＩＣＡ的组合算法。最后，本文提出：未来的研究应着眼于扩大算法的比较范围和寻找最优分块方式。　【关键词】主成分分析；人脸识别；分块ＰＣＡ；算法组合　０引言　互不相关．这将有效地去除各维信息之间的相关性　．４　由ｋ个特征向量组成最优投影矩阵　：　ＰＣＡ是经典的模式识别算法。它的思想是在特征空间寻找一些方　１向．使得数据在这些方向上的误差平方和最小。本文将简要介绍ＰＣＡ　４－【，“２，…，Ｈ　在人脸识别中的基本原理和应用。　１．５　ＰＣＡ变换　１　ＰＣＡ人脸识别的基本原理　作，即减去所有训练样本的均值。然后按照ｌ，＝　得到对应的ＰＣＡ特征　（４）　训练样本和测试样本分别进行图像向量化后．首先进行规范化操　，进行ＰＣＡ变换，　１．６采用最近邻分类器对特征进行分类　２　ＰＣＡ人脸识别的应用　ＰＣＡ人脸识别能够在降维的同时最大限度地保留原始图像的主　要识别信息。它能够反映样本集合的主要分布方向，抓住图像之间的　所有差异。但是，ＰＣＡ仍然有缺点：　（１）ＰＣＡ反映的图像之间的差异可能足类内差异．也可能是类间　差异．因此ＰＣＡ变换进行分类的效果未必好　（２）ＰＣＡ抽取的是人脸的全局特征　在人脸表情和光照条件变化　较大时ｆ即局部变化大时），人脸识别的效果不显著。因此，需要改进　ＰＣＡ算法来捕捉人脸的局部信息特征　（３）图像向量化过程将产生很高的向量维数。一方面会增加计算　复杂度：另一方面会使样本数目小于特征维数．导致小样本问题，造成　特征提取困难　针对上述问题．解决办法有三类：（１）对人脸图像采取分块ＰＣＡ　（２）改进ＰＣＡ的算法结构。（３）吸取其它算法的优点，将ＰＣＡ和ＩＣＡ、　ＬＤＡ等算法进行组合来识别人脸　、　２．１分块ＰＣＡ　分块ＰＣＡ的主要思想是对人脸图像手动分块（ｐ　ｑ块），然后再对　每一子块分别进行ＰＣＡ变换…．或者将这些子块进行能量归一化和傅　里叶变换．在频域范围进行予块ＰＣＡ变换Ｉ　Ｉ　两种方法差别不大　分块　ＰＣＡ变换后．采用最近邻分类器对提取的主分量特征进行分类　研究表明：分块ＰＣＡ不但可以降低图像向量的维数．而且可以以　２的幂次方增加样本的数量，避免小样本问题　此外，分块ＰＣＡ可以更　清晰地捕捉人脸的局部信息特征．在表情和光照条件变化较大时具有　更好的识别能力和鲁棒性　因此．分块ＰＣＡ优于经典ＰＣＡ　，　２．２　ＰＣＡ算法的改进！基于类内平均脸的ＰＣＡ　基于类内平均脸的ＰＣＡ算法１３时经典ＰＣＡ整幅人脸图像求取总　体散布矩阵的过程进行了微小的改动　经典ＰＣＡ求取总体散布矩阵如式（２）所示，其中　是所有训练样　本的平均值。基于类内平均脸的ＰＣＡ算法的总体散布矩阵是：　ｓ＝Ｉ＿１　，　图１　ＰＣＡ人脸识别的基本原理　ＰＣＡ能够最大限度地保留原有数据的结构分布．变换的核心是在　最小均方意义下寻找最能代表原始数据的投影．从而达到对特征空间　降维的目的　人脸图像作为二维矩阵．每个元素代表图像中相应点的灰度等　级。设一幅人脸图像为一个ｍ行ｎ列的矩阵，舢　。　＝（，Ｉ＇　，…，　，…，　），其中为第ｉ列向量（　［１，ｎ］）。对人脸图像进行ＰＣＡ变换主要包　含６个步骤．如图１所示．　．１．１图像向量化　在进行ＰＣＡ变换前，首先需要将人脸图像向量化，即将矩阵Ｌ　按列依次连接．如式（１）所示。　，ｌ　２求训练样本的总体散布矩阵Ｓ　５＝　１∑∑（　）（　）　ｖ　ｉ＝ｌ，＝１　（２）　其中，Ｎ是训练样本总数；ｃ是类别总数；　是第ｉ类的样本个数；　是第ｉ类第Ｊ个图像向量；　是所有训练样本图像向量的均值。　１．３求ｓ的前ｋ个最大特征值及其对应的ｋ个正交特征向量　对ｓ的所有特征值按从大￣ｌｐＪ，进行排序．并选取前面最大的ｋ个　特征值Ａ．，Ａ：，…，Ａ　；求得这ｋ个特征值对应的正交特征向量　…，　其中，　的选择必须遵循：　（　）（　一　）　（５）　其中　是每一类训练样本的平均值。　值得注意的是．上述基于类内平均脸的均值改动仅仅是为了求解　．。当　确定后，训练样本和测试样本都要减去所有训练样本的　，进行特征提取及分类。　∑Ａ．　寻Ｌ一≥Ⅱ“∈［９０％，９９％］　（３）　平均值进行规范化．然后才能利用ｌ，＝　∑Ａ　实验表明：基于类内平均脸的ＰＣＡ方法有效地增加了不同类别　之间样本的距离．同时缩小了类内样本之间的距离．有利于提高人脸　（下转第４４页）　由于变换后的各个基向量相互正交．因此变换后的每一维信息将　识别率。　※基金项目：国家自然科学基金青年基金（８１４０１５３９）；深圳市战略新兴产业发展专项资金（ＪＣＹＪ２Ｏ１３Ｏ４Ｏ１１００５１２９９５）；广东省高等学校　优秀青年教师培养计划资助（Ｙｑ２０１　３１　９３）。　通讯作者：王健（１９８５一），女，汉族，博士，深圳信息职业技术学院，讲师，主要研究方向为信号处理。　科技视界Ｓｃｉｅｎｃｅ　＆Ｔｅｃｈｎｏｌｏｇｙ　Ｖｉｓｉｏｎ　科技·探索·争鸣　Ｓｃ科ｉｅｎｃｅ＆Ｔｅ技ｃｈ视ｎｏｌｏｇｙ界　　Ｖｉｓｉｏｎ　项目与糖　３运用传统文化教育进行大学生价值观培育的路径　３．１将传统文化融人大学生思想政治教育课中．不断挖掘其现代价　值　高等学校思想政治理论课是大学生思想政治教育的主渠道．是帮　助大学生树立正确世界观、人生观、价值观的重要途径，体现了新时期　大学教育的本质要求　要认真组织实施“两课”课程设置新方案．不断进行教学内容和方　法的改革　要充分认识中国传统文化具有的强大的思想政治育人功　能　高校教师应加强自身传统文化的熏陶．把传统文化的精髓领悟透　彻．自主把传统文化知识自然地引入思想政治教育课堂，用名人典故　来充实思想政治教育课堂．引领学生坚持用辩证的眼光、立场、观点和　方法．深入挖掘儒家美学思想等传统文化讲仁爱、重民本、守诚信、崇　正义、尚和合、求大同的时代价值　用现代的眼光来诠释传统文化，用　丰富多样的方式来调动起学生的兴趣．从而在潜移默化中用传统文化　的优良价值观和当今社会主义核心价值观来引导学生的价值观。　３．２运用传统文化加强校园文化建设，为大学生价值观培育营造良　好氛围　校园文化是学校内部形成的特定的文化环境和精神氛围。它包括　共同遵循并得到同化的价值观念、行为准则、校园精神、校风、学风以　及校园文化设施等。大学生正确人生观的确立，高尚道德品质的养成，　健康审美趣味的提升．无不受到积极向上的校园文化的影响。中国传　统文化的最高境界就是和谐．即认为每一个事物都应按照其自身的规　律自然的发展　这其中包括人与人的和谐、个人自我身心的和谐及人　与自然的和谐。儒家思想所讲的：“修身、齐家、治国、平天下”，其最终　目标就是要达到人与人之间的和谐．校园文化建设也就是要建设和谐　的校园育人氛围　校园文化建设渗透于学校的教学、科研、管理、生活及各种校园活　动等方面．校园文化建设是学校实施素质教育和精神文明建设的重要　组成部分．是大学生成长成才的内在需要　弘扬传统文化与校园文化　建设相辅相成．一方面．要运用传统文化的育人功能进行校园文化建　设，另一方面．通过校园文化建设，让大学生在耳濡目染中受到优秀传　统文化的影响。要以网络、电影、电视、广播、报纸、墙报、展板、各种刊　物等校园传媒为平台．积极宣传优秀民族传统文化，大力弘扬先进文　化．促进大学生正确的价值观念和文化心理的形成　１３１要坚持在校园文　化建设中以学生为主体．引领学生在各种活动中自主接受传统文化的　熏陶，要坚持“取其精华，去其糟粕”的科学态度．不断提升内在素养，　坚定自己的价值观　３－３构建以传统文化教育为内容的大学生价值观培育体系　高等学校不仅要有完备的科学技术文化知识教育体系，而且还要　重视和加强德育．具有完备的大学生价值观培育体系　大学生价值观　培育工作是一项复杂系统的工程，是各方面综合作用的结果，要坚持　以思想道德素质教育为前提．专业素质教育为主体，文化素质、身体和　心理素质为必要补充的育人体系。　大学生价值观培育体系要以传统文化教育为载体，形成学校、社　会、家庭共育的模式，以学校教育为主体，以课堂教育为主渠道，以实　践教育为保障．以多样化的形式将传统文化贴近学生的生活，举办各　种传统文化的再现活动．提升大学生对传统文化的学习热情．吸取传　统文化的精髓．为大学生做人做事提供思想和行为上的指导。　大学生价值观培育体系还应建立传统文化学习的评估体系．也就　是要将传统文化学习纳入大学生价值观培育的考评体系之中．实现体　制化、结构化、持续化的监控，对传统文化学习进行评价和诊断，形成　一个任务明确、有效的育人体系，最终达到大学生价值观的建构。●　【参考文献】　［１］方凌瑾．传统文化教育与当代大学生的成长『Ｊ１ｌ怀化学院学报，２００６（３）：１７４．　［２］陈丽爽．儒家美学思想对高职院校学生人格修养的启发『ＪＩｌ吉林省教育学院　学报，２０１２（９）：ｌ８—１９．　［３］路飞飞，杜瑞平．传统文化教育在高校思想政治教育中的价值及实现途径『Ｊ１．　教育理论与实践，２０１１（５）：４０．　［责任编辑：曹明明］　（上接第３４页）在基于类内平均脸的ＰＣＡ基础上，还可对图像进　加权识别率高于单独的ＰＣＡ或单独的ＩＣＡ。　行分块处理。研究表明：基于类内平均脸的分块ＰＣＡ的人脸识别效果　３总结及展望　明显优于经典ＰＣＡ方法和普通分块ＰＣＡ方法　２．３　ＰＣＡ＋ＩＣＡ　ＰＣＡ提取的特征是最小均方误差意义上的二阶统计信息．各分量　之间互不相关；而ＩＣＡ提取的是高阶统计信息，各分量之间相互独立。　因此ＰＣＡ的主分量特征与ＩＣＡ的独立分量特征是对原数据的两类不　同描述。如果将二者结合起来，那么必定使抽取到的信息更加全面，人　脸识别的性能也将得到改善　１）先对人脸图像进行ＰＣＡ变换．在变换后的特征空间进行ＩＣＡ　变换Ｉ”】。具体为：　本文总结了ＰＣＡ的基本原理．并详细阐述了ＰＣＡ算法在人脸识　别中的应用．包括：分块ＰＣＡ，基于类内平均脸的ＰＣＡ算法改进，ＰＣＡ　和ＩＣＡ的组合算法。未来的研究中可以着眼于以下几点：　（１）算法组合后，人脸识别效果的比较范围应该扩大。在现有文献　中．组合算法进行人脸识别后．通常只和某种单一的算法进行比较．而　不和其它的组合算法比较．这样无法发现哪种组合算法更优　（２）解决分块ＰＣＡ如何最优分块的问题　研究表明：不同的分块　方式、不同的分块个数将导致不同的人脸识别率．那么寻找最佳的分　（１）人脸图像训练样本先进行ＰＣＡ降维，得到　。　块方式和分块数目将成为下一步研究的重点。●　【参考文献】　［１］陈伏兵，杨静宇．分块ＰＣＡ及其在人脸识别中的应用ｌ　ＪＩｌ计算机工程与设计，　２００７，２８（８）：１８８９—１８９２．１９１３．　（２）在ＰＣＡ变换得到的特征空间上求取ＩＣＡ最佳投影矩阵　：　，　由此得到联合最优投影矩阵　＝　：　。　（３）人脸图像训练样本和测试样本经过ｙ：（　）　进行变换。　（４）用最近邻分类器分类　２）分别对人脸图像进行ＰＣＡ和ＩＣＡ变换．得到的特征分别求距　离或余弦相似度．最后将相似度结果求和并进行分类｛８１　具体为：　（１）人脸图像进行ＰＣＡ变换：　（２）人脸图像进行ＩＣＡ变换：　（３）ＰＣＡ和ＩＣＡ的两类特征使用余弦分类器和最近邻分类器进　行联合人脸识别　实验表明：基于分类器组合的方法优于单独使用ＰＣＡ或ＩＣＡ的　单分类器方法　３）分别对人脸进行ＰＣＡ和ＩＣＡ变换．对得到的特征加权求和．并　分类　。具体为：　（１）对人脸图像进行ＰＣＡ变换，得到ＰＣＡ特征　（２）对人脸图像进行ＩＣＡ变换，得到ＩＣＡ特征。　（３）将ＰＣＡ特征和ＩＣＡ特征加权求和，构造加权特征值。　（４）对加权特征值进行分类（最近邻法和余弦法）。　实验表明：单独的ＩＣＡ识别率高于单独的ＰＣＡ：ＰＣＡ和ＩＣＡ特征　［２］孙鑫，刘兵，刘本永．基于分块ＰＣＡ的人脸识别．基于分块ＰＣＡ的人脸识别ｌ　Ｊ１＿　２００５，２７：８０—８２．　［３］何国辉，甘俊英．ＰＣＡ类内平均脸法在人脸识别中的应用研究ｆ　Ｊ１ｌ计算机应用　研究．２００６ｌ３：１６５—１６６．１６９．　［４］李晓东，费数岷，张涛．一种改进的模块ＰＣＡ方法及其在人脸识别中的应用ｌ　Ｊｌ　ｌ测控技术．２００８．１１：１９—２１．２４．　［５］安高云．阮秋琦．基于独立分量分析的普适人脸识别系统　．北京交通大学学　报，２００６，３０（５）：６—９，１４．　［６］王宏漫，欧宗瑛．采用ＰＣＡ／ＩＣＡ特征和ＳＶＭ分类的人脸识别『Ｊ１＿计算机辅助　设计与图形学学报．２００３．１５（４）：４１６：４２０　［７］刘直芳，游志胜，王运琼．基于ＰＣＡ和ＩＣＡ的人脸识别『Ｊ１．激光技术，２００４，２８（１）：　７８－８１．　［８］徐勇，张重阳，杨静宇基于主分量特征与独立分量特征的人脸识别实验　计　算机工程与设计．２００５，２６（５）：１　１５５—１　１５７．１　１８４．　［９］王展青，刘小双，张桂林，王仲君．基于ＰＣＡ与ＩＣＡ的人脸识别算法研究＿Ｊ１ｌ华　中师范大学学报：自然科学版．２００７．４１（３）：３７３—３７６　［责任编辑：邓丽丽］　科技视界Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ　Ｖｉｓｉｏｎ