浅谈基于PCA算法的人脸识别的图片搜索引擎论文
浅谈基于PCA算法的人脸识别的图片搜索引擎论文 浅谈基于PCA算法的人脸识别的图片搜索引擎全文如下:1 概述 搜索引擎完成的主要功能是关键词的匹配及网络上节点的遍历查找, 而本文针对人脸识别的图片搜索引擎同样利用特征匹配实现以人脸找相似人脸 的搜索引擎。本文对人脸识别算法的分析主要从主成分分析法(PCA)入手,对其 中的缺陷进行改进并应用于人脸图片搜索引擎的实现中。在主成分分析法中利用 降维的思想提取主要特征,经过线性变换及奇异值分解得到特征向量从而得到特 征脸。在搜索引擎的实现中主要利用的是在网络上节点的遍历以找到匹配信息并 显示的技术。
2人脸识别算法的分析 人脸识别算法的重点在于对于图片的特征提取和分析,一张图片的分 辨率决定了图片划分的精度,为了提取有效特征,比如眼、口、鼻,可以将整张 图像利用横纵轴划分,利用多幅图片,提取特征形成特征向量,表征标准人脸的 组成。本次使用ORL人脸数据库作为样本进行PCA算法的验证及分析。
2.1基于PCA人脸识别算法的分析 PCA(主成分分析)和LDA(线性鉴别分析)是两种降维方法,经过基本 的测试和分析,PCA算法对于图片识别的正确性很高,对于人脸表情和轻微颤抖 也有很好的健壮性(本文的测试实验建立在ORL人脸库上)。
P C A 方法由T u r k 和P e n t l a d 提出, 它是基于Karhunen-Loeve 变换(即K-L变换),主要用于建模方法中常用的数据降维,由于一幅图像由像素 组成,基于像素在行列方向上的划分形成矩阵或看成一个矢量,构成原始的图像 空间,因此PCA算法同样也应用于人脸识别的领域——PCA算法在处理人脸等图 像识别问题时,遵循如下过程:将图像矩阵转化为图像向量,对原始图像向量进 行线性分析标准化后得到标准化矩阵根据方差确定影响最大的向量即为第一主 成分类似前面过程得到第二主成分以此类推。完整的人脸识别的过程包括:读入 人脸库;形成特征脸(即特征向量)子空间,对图像进行降维获取特征值,把两组图 像投影到由K-L变换得到的子空间上,利用对图像的这种投影间的某种度量来确定图像间的相似度;选择一定的距离函数进行识别。提取主要的特征向量进行图 像重建,根据图像重建结果得出相似程度与提取原始图像向量的关系。
2.2对于不同条件对特征提取的影响 2.2.1依据图像重建,得出利用特征向量的多少及原始图片的成像清晰 度(包括角度、光线、倾斜程度)都对重建结果有很大影响。这是人脸识别的关键 性问题,本文通过图片预处理来解决一部分问题,比原先未处理的图片重建效果 好了很多,拟合性也高了很多。
2.2.2对于PCA算法,要求训练集必须大于测试集。即