基于PCA和LDA融合算法的性別鑒別
加入技術交流群
如果Sw非奇異，就是求Sw-1Sb的特征值及其特征向量問題。其中該矩陣最多只有C-1個非零特征值，C是類別數(shù)目。
1．5 PCA-LDA算法的融合
將PCA算法與LDA算法構(gòu)造的特征子空間進行融合，獲得其融合空間，然后，將訓練樣本與測試樣本分別朝該融合特征空間投影，獲得識別特征，最后，利用最近鄰準則完成性別鑒定。
PCA-LDA算法融合是根據(jù)PCA算法和LDA算法的特征子空間W1，W2進行融合，即：W1=W1*W2，得到融合特征空間：Ws。其中
，其中行數(shù)表示訓練樣本維數(shù)，列表示LDA算法降維后的特征向量個數(shù)。在訓練過程中，將訓練樣本矩陣X投影到融合特征空間Ws中，使得每一個向量代表一個訓練樣本的特征，在測試過程中，首先將測試樣本規(guī)范化，即將測試樣本減去平均值，在轉(zhuǎn)化成列向量向PCA空間和融合空間投影獲得識別特征，最后將測試樣本的識別特征和訓練樣本的識別特征進行一一比較，依據(jù)鄰近準則得到最小距離d所屬樣本的屬性。2 試驗步驟與過程
2．1 試驗步驟
2．1．1 樣本的訓練
1)照片的預處理，照片歸一化；
2)求得訓練樣本的平均臉、零均值；
3)提取訓練樣本的PCA矩陣；
4)提取訓練樣本的LDA矩陣；
5)PCA矩陣和LDA矩陣融合獲得分類器。
2．1．2 待測試照片的識別
1)將測試照片預處理；
2)測試照片向融合空間投影，得到低微空間上的點；
3)計算該點與訓練樣本的“特征臉”距離比較，輸出距離最近的那張“特征臉”的信息，從而達到性別識別目的。
2．2 實驗過程
本實驗中所用到的圖片來源于ORL人臉圖像庫和yale人臉圖像庫，ORL人臉圖像庫是英國劍橋大學從1992到1994年間在實驗室采集到的人臉圖像數(shù)據(jù)，由40人，每人10幅，共400幅照片，每幅分辨率為92xll2，主要包括拍攝時間、光照條件、人臉表情和面部遮掩物的不同。而yale人臉圖像庫是耶魯大學提供的，共有15人，每人11張照片，分辨率為100x100，主要包括光照條件的變化表情的變化等。
該試驗采用yale圖像庫中的人臉照片。利用平均臉公式，實驗中所得到的平均臉如圖5和圖6所示。
本文引用地址：http://cafeforensic.com/article/187681.htm
PCA矩陣提取試驗分析，圖7為PCA算法實現(xiàn)流程圖。
LDA矩陣提取試驗分析，圖8為LDA算法實現(xiàn)流程圖。
然后再將LDA-PCA矩陣融合；利用歐式距離求出待識別人臉的特征臉再根據(jù)臨近原則實現(xiàn)性別識別；采用直方圖處理的識別實驗(PCA+L-DA)；采用整體直方圖處理的識別實驗(HG+PCA+LDA)；采用直方圖區(qū)域預處理的識別實驗(RHG+PCA+LDA)。
3 實驗結(jié)果分析與結(jié)論
實驗結(jié)果如圖9所示，表明：用PCA-LDA融合空間算法的識別正確率都在80％以上，是比較高的。采用直方圖處理的識別實驗(PCA+LDA)在3種方法的識別正確率比較中相對較低，且波動性較大，特別的，在樣本數(shù)量為20，40時，出現(xiàn)了0．83，0．84的正確率，為整個曲線中的低谷，整體效果相對來說一般。采用整體直方圖處理的識別實驗(HG+PCA+LDA)正確率曲線相對來說較為平滑，隨著樣本數(shù)量的增加，整個曲線呈現(xiàn)遞增趨勢，但識別正確率不是特別理想。采用區(qū)域直方圖預處理的識別實驗(RHG+PCA+LDA)的正確率整體來說最高，整個曲線完全凌駕于前2種算法之上，雖然在小樣本數(shù)量空間內(nèi)出現(xiàn)波動，但波動為曲線的相對波峰，即識別正確率是提高的。3種方法在整個樣本空間內(nèi)均為隨著樣本數(shù)量的增加，識別正確率平穩(wěn)上升，漸趨于完全正確。但采用區(qū)域直方圖預處理的識別實驗(RHG+PCA+LDA)后整體識別正確率最高，為三個算法中在整個樣本空間內(nèi)的相對最優(yōu)算法。
經(jīng)過以上實驗結(jié)果分析，在進行人臉性別識別時，建議用PCA-LDA融合空間算法，采用區(qū)域直方圖預處理(RHG+PCA+LDA)，這樣會達到理想的效果，并且樣本數(shù)量應該盡量的多。
評論