基于遗传算法的人脸识别方法改进

大专

基于改进遗传算法的人脸识别方法金欢.齐兴敏

(江西蓝天学院瑶湖校区计算机系，江西南昌330098 ) )。

摘要：相对于常见的基于PCA的人脸识别方法，识别过程中遇到的计算量大、分类特征不好等问题。 提出了一种基于遗传算法的PCA 2DPCA人脸识别方法，通过实验，利用ORL人脸数据库验证了该方法的可行性。 关键词：主成分分析； 二维主成分分析； 遗传算法中图分类号： TP391.41文献识别码： a文章号： 1672-7800(2009 ) 06—0174—02O引用

近年来，人脸识别既有理论价值，也有应用价值

的研究课题，越来越受到研究者的重视和关注，各种人脸识别方法层出不穷。 其中主成分分析(PrincipalComponentAnalysis，简称PCA )方法只有一种。 传统主成分分析方法的基本原理是利用k-l变换提取人脸的主成分。 构成特征人脸空间，在识别时将测试图像投影到该空间中，得到一组投影系数，通过与每个人的人脸图像进行比较来进行识别。 该方法使压缩前后的均方误差最小，变换后的低维空间具有较好的分辨率，在处理人脸图像时，将二维图像矩阵变换为一维列向量，使图像维数达到上万维。 计算量非常大，特征提取速度慢。 为了克服传统PCA的不足，有的研究者提出了二维主成分

分析(two—dimensionalprincipalcomponentanalysis，2DPCA )方法。 该方法的提出有效地解决了图像处理的高维问题，减少了计算量，但图像的分类效果不是很好。

为此，本文基于两者引入遗传算法，首先采用PCA和2DPCA进行两次特征提取，然后采用遗传算法(GeneticAlgorithm，GA )对提取的特征进行优化。 最后通过实验验证了该算法不仅大大降低了特征空间的维数，而且具有很好的分类效果，提高人脸识别率。 基于PCA的人脸识别方法1.1 PCA算法原理

对于一个MxN的脸部图像，每列连接构成一个大小

D=MxN维的列向量。 d是脸部图像的维度，也就是图像空间的维度。 设. rt为训练样本的数量，线表示由最初的人脸图像制作的人脸向量，则需要的样本协方差矩阵为s=j=l (一) (() )，这里为训练样本的平均图像向量

A=—u，2(h，a，Xn-1~] )，则有Js AT，其维数为DxO。 根据k-l变换的原理。 所求出的新坐标系由与矩阵AA的非零特征值相对应的特征向量构成。 由于直接计算计算量大，采用奇异值分解(SingularValueDecomposition，SVD )定理，求解a的特征值和特征向量得到a的特征值和特征向量。 根据SVD定理，假设Li (1，2，a，r )为矩阵a的r个非零特征值为a，f|对应的特征向量为a，则AA的正交归一化特征向量为u=a (1，2，a，r )3)、/

教学资源库

将训练样本投影到“特征脸部”空间，得到构成一系列投影矢量W=W=.脸部识别的数据库。 识别时，首先将要识别的脸部图像投影到“特征脸部”空间，通过使用最近识别器比较与数据库内的脸部的位置，识别该图像是否是数据库内的脸部，如果是.则识别是哪个脸部。 1.2 2DPCA算法原理

考虑假设投影空间为U巴，各列为正交向量，np的mxn的图像。 如果将图像矩阵投影到

mxp的投影矩阵。 在2DPCA中，使用投影矩阵y的总离散度作为基准函数[u]来测量投影空间的优劣[4]:j(u )=tr ) Su )，其中s是投影矩阵y的协方差矩阵，tr(s )是Su的轨迹，su=e(-e(x )

简介：~~.() 1985年)，女，江西丰城人，硕士，江西蓝天学院计算机系助教，研究方向为人工智能(~ (1981一)，女，湖北襄樊人，硕士，江西蓝天学院计算机系助教。 研究方向是人工智能。 第六期金欢.齐兴敏：改进了基于遗传算法的人脸识别方法175g=e(-e(x ) )。 [-e(x ) ()5) ) )。

g是nn的非负正定矩阵。 肘宽测试样图(1，2，a，)，平均图像矩阵m )，g ) ) (1m ) Xi-U )，) u )=命中) UrGU )。 由此可知，u最大的各列向量是与图像协方差矩阵g的r个非零特征值相对应的特征向量，一般选择前面的p个特征向量构成特征空间：

()、a、Up )=argmax[j(u] )，=0；i4=1,2、2、2、a、p利用该特征人脸空间分别将训练样本和测试样本投影到该空间，得到训练样本和测试样本的特征矩阵。 利用最近邻分类器，根据测试样本的投影特征矩阵与所有iJJI训练样本的投影特征矩阵之间的最小距离，判断测试样本所属的类。

基于1.3ga的PCA 2DPCA人脸识别算法综上所述，用PCA方法处理图像时，将原图像矩阵转换为列向量构造图像的协方差矩阵，图像维数会变高，整个特征提取过程的计算量会变得相当大。 2DPCA方法直接利用原始图像矩阵构造图像协方差矩阵，对图像特征提取更直观，整体计算量也远小于PCA方法。 但是，用2DPCA法提取的特征是列向量。 由于分类速度低于PCA方法，得到的特征不是最优的分类特征，本文基于PCA 2DPCA引入遗传算法进行特征向量的优化选择。 算法的基本思想是先用2DPCA方法得到投影矩阵，构成样本的训练集，再用PCA方法进行二次特征提取完成识别，最后优化选择遗传算法提取的特征空间。 设训练样本集合为{.s:尺一、1、2、a、=1、2、a、k}。 其中，I表示第I个人，即类别数，表示第I个人的最初图像，表示识别的人的数量，表示每人包含图像。 表示样本的总数，表示M=NxK。 计算所有训练样本的平均图像： s=古(6) )。

计算样本的协方差矩阵： NG=古(一s ) (一s ) (7) ) )。

关于职业教育的通知

yt【，^，1_【(1，a，)】r嘎)8)构成新的训练样本XJ(j=l，2，a，m )，

=「y :y，a，Yl，/Y，y，a，y21，a，/Y，y，a，yn。 有了这样的新样本，采用PCA方法进行二次特征提取，得到一系列投影特征向量，然后通过遗传算法优化选择这一系列特征向量，将新的一组特征向量作为识别的人脸数据库。 整个算法的流程图如下：图1本算法的流程2实验结果与分析

本实验在ORL人脸库中进行。 ORL脸部数据库里有40人。 随机选取每个人的五幅图像作为训练图像，组成200幅图像的训练集，剩下的200幅图像组成测试集。 通过实验比较了PCA、2DPCA、PCA 2DPCA以及本算法，得到了如图2所示的识别率与特征空间维数的关系。 图3的识别率与样本数的关系表明，本算法优于传统的PCA算法

藨0塑冀州

特征空间数

图2识别率与特征空间数的关系样本数

图3识别率与样本数的关系第8卷第6期2009年6月软件指南刊

SoftwareGuideVO1.8NO.6Jun.2009

三维大脑分割中灰度阈值的选择方海.崔新友

(1.中国地质大学，湖北武(~430074； 2 .武汉兵器士官学校，湖北武汉430075 )

摘要：三维人脑数据分割是医学图像处理中的关键技术之一。 其中阈值的选择是最重要的。 在介绍具有代表性的三种图像阈值求解方法的基础上，将它们分别用于分割实验； 从实验效果和算法性能两方面对这三种方法进行了比较，结果表明模糊最大熵耦合遗传算法求阈值方法效果好，噪声影响小。 关键词：三维分割； 阈值； 模糊最大熵； 遗传算法

图分类号： TP391.41文献识别码： a文章编号： 1672—7800(2009 ) 06—0176—030引言从MRI三维体数据分割大脑具有临床重要意义。 医学图像分割中存在局部体积效应等各种因素的影响

响.用一般的分割方法很难得到良好的分割结果。 因此，作者尝试结合区域增长和边缘检测方法进行分割。 为了通过区域扩大方法获得真正的边缘，更全面地检测所有边缘，正确选择灰度阈值是非常重要的。 本文对区域生长法中阈值的求解方法进行了研究，采用灰度直方图法、OTSU法、模糊最大熵耦合遗传算法三种方法求解阈值，最后根据实验结果对各算法进行比较，选择最佳算法1柱状图阈值法理想情况下，图像中只有两种时，一种表示物体，另一种表示物体

最简单的方法是将直方图上两个峰之间的谷底作为灰度值分割的阈值。 为了得到更准确的分割结果，可以将整个图像分成许多小区域，这些小区域分为三个结束语本文分析了将PCA、2DPCA应用于人脸识别的算法原理，并在此基础上基于遗传算法的PCA 2DPCA人脸识别算法通过实验证实了新算法的可行性。 参考文献：

[1]和平鸽工作室. OpenGL高级编程与可视化系统开发高级编程篇[二版][M] .北京：中国水利水电出版社，2003.[2]郭兆荣，李菁，王彦. VisualC”OpenGL应用程序

[3]道强张，知—环州，andSongcanChen，diagonal princ-ipalcomponentanalysisforfacerecognition，pattern recognit

animprovedmethodoffacerecognitionbasedongeneticalgorithm

abstract:principalcomponentanalysis (PCA ) and two-dimensionalprincipalcomponentanalysis (2d PCA ) aretwocommonfeaturex.computationquantityandlowclassificationspeedwhenappliedtofacerecognition.inordertosolvethetwork thispaperprosesanewaproachproachitiontion 2 dpcaandga.theexperimentalresultsonorlfacedatabaseshowthatthisapproachisision two-dimensionalprincipalcomponentantanalysis； GeneticAlgorithm作者简介：鹄润3----(1981一)，男，湖北武汉人，中国地质大学研究生，研究方向三维可视化； 崔新友(1982 (一)，男，河南商水人，武汉兵器士官学校硕士研究生，研究方向为三维地质建模。