|  首页  |  资讯  |  评测  |  活动  |  学院  |  访谈  |  专题  |  杂志  |  产服  |  
您现在的位置:硅谷网> 资讯> 软件>

硅谷杂志:基于张量线性鉴别分析的人脸识别算法

2012-11-04 15:38 作者:蒋成鑫 王笑尘 翟其 来源:硅谷网 HV: 编辑: 【搜索试试
  【硅谷网11月4日文】据《硅谷》杂志2012年第16期刊文称,人脸识别现已成为当前模式识别和人工智能领域的一个研究热点。在线性鉴别分析(LDA)方法的基础上,结合张量知识,提出一种基于张量子空间的LDA人脸识别算法。该算法的核心思想是:首先构造关于遮挡物、角度和表情的三阶人脸张量,根据LDA的Fisher准则,利用迭代方法得出张量的最佳投影矩阵,再构造分类器,判定张量所属的类。该算法有较高的识别率,能够应用于多姿态的人脸识别。
  0引言
  在实际的人脸识别系统中,人脸个性化特征的抽取结果受姿态、光照、表情等因素的制约,近年来人们提出了大量的方法,参见文献[1-2]。这些方法都是基于向量的,会导致“维数灾难”以及丢失模式本身结构信息。张量是向量表示的扩展和补充,基于张量表示的特征抽取方法被广泛提出,例如二维主成分分析(2DPCA),二维鉴别分析(2DLDA)等。与这些算法不同的另一种基于张量的算法是张量脸(Tensorface)算法,该方法是基于生物测量数据的多模分析方法,它考虑光照、角度等因素对人脸识别效果的影响。
  1张量代数介绍
  张量是一个多维的量,一个阶张量等价于多维数组,是向量的一般化。因此0阶张量便是一个标量,1阶张量是一个向量,2阶张量是一个矩阵。
  张量与矩阵模乘积:
  为阶张量,,为矩阵,,则模乘积得张量,设按第方向展开,其第维为,则
  (1)
  2基于张量子空间的LDA人脸识别方法
  2.1人脸张量的构造
  在遮挡物(shield),角度(view),表情(expression)方向分别铺排2张人脸图像。其中1、3、5、7图像为同一角度,2、4、6、8图像为另一角度;1、2、5、6图像为同一遮挡物,3、4、7、8图像为另一遮挡物;1、2、3、4图像为同一表情,5、6、7、8图像为另一表情。这样满足沿某一方向铺排的人脸图像只有此方向的特征不同,而其他两个方向的特征是一样的,如图(1)所示:
  
  
  2.2张量LDA的Fisher准则
  仿照传统LDA的Fisher准则,张量LDA的类Fisher准则可以为:
  (2)其中为第类的平均张量,为所有张量的平均张量,为第类的第个张量样本。
  2.3分类器的构造
  张量,定义张量的二范数[3]为(3)同阶张量,定义,的距离:(4)
  分类的标准是:距离最短的两个同阶张量判定属于同一类。
  2.4张量LDA算法
  Step1:构造张量(训练样本);置初始投影矩阵、、均为单位阵;迭代次数;
  Step2:将张量与投影矩阵、、模乘得到投影后的张量为:
  计算投影后总体的平均张量和投影后第类的平均张量:
  (5)
  计算总体类间散度张量与第类类内散度张量:
  (6)
  其中为每一类的训练样本个数,为类的个数。
  
  Step3:将与分别按方向展开,得、;并作转置乘积,得到三个方向的类间、类内矩阵、,即
  (7)
  求出的特征向量,取特征值较大的多个特征向量作为新的的列,得到新的。
  Step4:设次后迭代得到,若,,转Step2继续迭代;否则,转Step5;
  Step5:得到最佳投影矩阵、、,将各类的训练样本张量与、、模乘,得到作为比较的标准张量;
  Step6:对于每一测试样本图像,先将其转换成张量形式,将测试张量与、、模乘,乘得的张量与各个标准张量求距离,将距离最小的标准张量的类作为测试得到的测试张量的归属类。若这类与实际测试样本所取的类是同一类,则测试正确,从而得出识别率。
  3实验结果及分析
  实验结果:
  每一类构造两个张量,共用16个测试样本,改变总的测试样本的个数,在AR库上进行实
  验得到结果如下(表1):
  表1AR库上,不同测试样本个数下,该方法的识别率
  识别方法 6个测试 7个测试 8个测试 9个测试 10个测试
  TensorLDA 97.20 94.24 90.34 91.04 88.4
  由以上结果可以看出Tensor_LDA的识别率较高,其中的原因在于TensorLDA沿用了LDA中的Fisher准则,从而保证了鉴别的最佳性,使得识别率较高。
  4总结
  在传统人脸识别算法的基础上,运用张量构筑了张量LDA算法。这一方法避免了传统算法先对图像矩阵进行列向量化的做法,而是用张量作为一个整体进行操作,图像矩阵作为张量的一个子部分存在,最大地保留了原有图像的信息特征。尽管具体实现不易,没有准确解,但通过迭代,可以得到较为满意的近似解,因此识别率较高。
  作者简介:
  蒋成鑫(1989-),男,江苏连云港人,学位:本科,职称:学生,研究方向:模式识别;王笑尘(1991-),女,山东聊城人,学位:本科,职称:学生,研究方向:模式识别;翟其清(1990-),男,江苏南通人,学位:本科,职称:学生研究方向:模式识别。
【对“硅谷杂志:基于张量线性鉴别分析的人脸识别算法”发布评论】

版权及免责声明:
① 本网站部分投稿来源于“网友”,涉及投资、理财、消费等内容,请亲们反复甄别,切勿轻信。本网站部分由赞助商提供的内容属于【广告】性质,仅供阅读,不构成具体实施建议,请谨慎对待。据此操作,风险自担。
② 内容来源注明“硅谷网”及其相关称谓的文字、图片和音视频,版权均属本网站所有,任何媒体、网站或个人需经本网站许可方可复制或转载,并在使用时必须注明来源【硅谷网】或对应来源,违者本网站将依法追究责任。
③ 注明来源为各大报纸、杂志、网站及其他媒体的文章,文章原作者享有著作权,本网站转载其他媒体稿件是为传播更多的信息,并不代表赞同其观点和对其真实性负责,本网站不承担此类稿件侵权行为的连带责任。
④ 本网站不对非自身发布内容的真实性、合法性、准确性作担保。若硅谷网因为自身和转载内容,涉及到侵权、违法等问题,请有关单位或个人速与本网站取得联系(联系电话:01057255600),我们将第一时间核实处理。
广告
相关
·HPE推出业界首个基于Kubernetes的企业级容器平台
·预测延迟少于1ms!揭秘基于ERNIE的百度飞桨语义
·MIUI 11开发版内测招募开启 抢先尝鲜最新功能
·币安现已支持安全设备二次验证 基于FIDO2协议
·源码下载:基于环信小程序SDK 开发聊天室
·IDC MarketScape:IFS为SaaS和基于云EAM供应商的
·基于人工智能技术 九火智能电销系统实用性如何
·基于人工智能技术,九火智能电销系统实用性如何
头条
多种流行iOS应用程序未经用户同意读取剪贴板内容 多种流行iOS应用程序未经用户同意读取剪贴板
据Macrumors报道,最新研究显示数十种流行的iOS应用程序,在未经用户同意的情况下,读……
·多种流行iOS应用程序未经用户同意读取剪贴板
·苹果应用商店禁止非官方新型冠状病毒相关应用
·微软终止支持Windows 7数月 Windows 7仍占市
·苹果新增多项审核条例,微信适配速度不敌What
·“魔搜”软件开发者张某被判刑1年2个月缓刑1
图文
多种流行iOS应用程序未经用户同意读取剪贴板内容
多种流行iOS应用程序未经用户同意读取剪贴
喜报I纷享销客携手飞书深诺集团构建多元化数字经营体系
喜报I纷享销客携手飞书深诺集团构建多元化
知米背单词APP那些不为人知的小细节(图)
知米背单词APP那些不为人知的小细节(图)
Realme引入广告什么情况 Realme广告怎么设置关闭?
Realme引入广告什么情况 Realme广告怎么设
最新
·多种流行iOS应用程序未经用户同意读取剪贴板内容
·喜报I纷享销客携手飞书深诺集团构建多元化数字经
·狂奔之后RPA企业开始精耕细作:建生态、补短板、
·微软子公司GitHub同意收购代码分发初创公司NPM
·喜报:纷享销客携手深诺集团构建多元化数字经营体
热点
·群控、云控时代即将终结,智控时代已到来
·106短信群发平台APP,致力于成为领域内佼佼者
·DT小听App:防偷拍,还是用这款国产app(图)
·软件技术行业发展变化非常快,软件人才要按需
·嗨学网一级消防可靠吗?新手妈妈亲生经历告诉
旧闻
·用户称iOS 8.1仍然没有解决iPad蓝屏问题
·陌陌成色情交易重灾地 移动端色情交易亟待封
·Q立方2.0 beta1新版发布:新增语音助手
·智慧商贸进销存“慧”营销 商品套餐灵活销售
·360手机助手安全播报:警惕二把刀GPS导航软件
广告
硅谷影像
多种流行iOS应用程序未经用户同意读取剪贴板内容
多种流行iOS应用程序未经用户同意读取剪贴板内容
喜报I纷享销客携手飞书深诺集团构建多元化数字经营体系
喜报I纷享销客携手飞书深诺集团构建多元化数字经
狂奔之后RPA企业开始精耕细作:建生态、补短板、推进市场落地
狂奔之后RPA企业开始精耕细作:建生态、补短板、
微软子公司GitHub同意收购代码分发初创公司NPM
微软子公司GitHub同意收购代码分发初创公司NPM
喜报:纷享销客携手深诺集团构建多元化数字经营体系
喜报:纷享销客携手深诺集团构建多元化数字经营体
苹果加强管控 多款iOS应用盗取用户隐私存安全隐患
苹果加强管控 多款iOS应用盗取用户隐私存安全隐患
关于我们·About | 联系我们·contact | 加入我们·Join | 关注我们·Invest | Site Map | Tags | RSS Map
电脑版·PC版 移动版·MD版 网站热线:(+86)010-57255600
Copyright © 2007-2020 硅谷网. 版权所有. All Rights Reserved. <京ICP备12003855号-2>