基于鏡像奇異值分解的單樣本人臉識別

自20世紀90年代以來,人臉識別技術(shù)已成為計算機視覺、模式識別和信息技術(shù)等領域研究的熱點課題之一,并且在此基礎上提出了主成分分析PCA(Principal Component Analysis)[1,2]、二維主成分分析2DPCA（Two-Dimensional Principal Component Analysis)[3]、雙方向的二維主成分分析[4]和線性鑒別分析LDA(Linear Discriminant Analysis)[5]等有效的識別方法。但是，現(xiàn)有的正面人臉圖像的識別方法，僅當有充分數(shù)量的有代表性的人臉圖像樣本時才能取得較好的識別效果。然而在一些特殊場合，如法律實施、海關護照驗證和身份證驗證等，每類(人)只能得到一幅圖像，此時就只能用這些數(shù)目有限的圖像去訓練人臉識別系統(tǒng)。若用前面提到的那些方法處理這種訓練樣本數(shù)目有限的人臉識別系統(tǒng)，識別率會明顯下降,甚至變得不再適用。參考文獻[6]首先對原始人臉圖像利用奇異值分解，然后運用分解得到的較大的幾個奇異值對原始人臉圖像近似重構(gòu)，并且將重構(gòu)人臉圖像和原始圖像一起作為訓練樣本，從而對原訓練樣本個數(shù)進行擴展，再對增加了訓練樣本后的樣本集運用2DPCA方法進行特征抽取，該方法可取得較好的識別效果。但是由于人臉圖像存在姿態(tài)、表情等變化，而且這個變化越大，算法的識別誤差也越大。基于此，本文提出了一種基于圖像鏡像和奇異值分解的鏡像奇異值分解方法。該方法首先對人臉圖像做鏡像變換，然后對原始人臉圖像和鏡像圖像分別做奇異值分解，接著用較大的幾個奇異值分別對原人臉圖像重構(gòu)，將這些重構(gòu)圖像、原圖像以及鏡像圖像一起作為訓練樣本運用(2D)2PCA方法對其進行特征抽取，最后使用基于最小歐氏距離的分類方法對樣本集進行分類識別。由于考慮了人臉圖像的旋轉(zhuǎn)等姿態(tài)變化,在ORL人臉數(shù)據(jù)庫上的實驗結(jié)果表明，該方法比參考文獻[6]中的方法有更好的識別性能。
1 方法的思想與實現(xiàn)
1.1 鏡像人臉圖像生成
增加鏡像圖像可以部分消除由于頭部的旋轉(zhuǎn)對人臉識別造成的影響，而且人臉圖像是基本對稱的[7]，則此時可以考慮將原始人臉圖像A以其垂直中心軸由式(1)作鏡像變換,從而對原始訓練人臉圖像的個數(shù)進行擴展。
A1=A×M (1)
其中，M為反對角線元素為1、其余元素為0的方陣。
1.2 基于奇異值分解的人臉表示