基于镜像奇异值分解的单样本人脸识别
加入技术交流群
训练时，将每张训练人脸图像Ak(k=1,2,…,M)分别向Z和X投影，得到训练样本的投影特征矩阵Ck(k=1,2,…,M)；同时，在测试时，对于任一测试人脸图像A，首先使用式(5)得到特征矩阵C，然后使用基于最小欧氏距离的最近邻分类器对测试人脸图像进行分类识别。本文算法的结构流程图如图1所示。本文引用地址：https://www.eepw.com.cn/article/162751.htm
2 实验结果及分析
2.1 实验所用人脸库
本实验所用人脸数据库为ORL人脸库，该人脸数据库由40人、每人分别由10幅大小均为112×92的256灰度级的正面人脸图像组成，这些图像是在不同时间、不同光照、不同表情和不同姿态下拍摄的。图2给出了ORL人脸数据库中的部分标准人脸图像及其镜像图像。
2.2 实验方法及结果
为了对各方法的识别效果进行对比，本文分别对单样本PCA算法、SVD+PCA算法、参考文献[6]中提出的SVD+2DPCA算法、SVD+(2D)2PCA以及本文提出的方法在ORL人脸数据库上进行10组实验，即分别将每个人的第1,2,3,...,10幅共40幅人脸图像作为训练样本，而其余的360幅图像作为测试样本进行分类识别，然后取其平均识别率，测试结果如表1所示。以下(2D)2PCA方法中行方向降维维数为10，即只对其列方向维数做变化。
不同的特征提取方法的确会对系统识别率的提高有一定的影响，为了验证本文方法识别率的提高不仅仅依赖于(2D)2PCA特征提取方法的选择，而是由于镜像人脸图像样本的增加，实验中分别对单样本PCA算法、SVD+PCA算法、SVD+2DPCA算法、SVD+(2D)2PCA算法以及本文算法在ORL人脸库上，同样分别将每个人的第1,2,3,...,10幅图像作为训练人脸图像，而将其余的360幅作为测试样本，取同一特征向量维数下的10组实验的平均识别率作为其最终识别率，测试结果如图3所示。
评论