基于粗糙集和mPCA的人脸识别算法

第34卷VoL 34期l 4N o． 14 计算机工程 Engin~ rm g July 2008 July 2008·人工智能与识别技术·~I mq , 1oo 428(2寇)1 _-017 3 文献识别码 t A 中圈分类号 t TP391。 4 基于粗糙集和mPCA的人脸识别算法 任小康，李文静，詹艳峰（1.西北师范大学数学与信息科学学院，兰州；2.兰州理工大学计算机与通信学院，兰州） ■ PCA降维后 然后使用粗糙集对后维数据进行降维，以去除冗余信息。 该方法可以减少姿势和表情变化对人脸识别的影响，去除大量冗余信息，从而降低计算复杂度，提高识别率。 基于ORL人脸数据库的实验结果表明，该算法的正确识别率达到97%。 关殿和：粗集； 属性缩减； 人脸识别：提出了一种结合粗糙集和mPCA的人脸识别算法。 将人脸图像按照一定的规则进行模块化，每个小模块都经过PCA处理。 颜·芬(1.西北师范大学,兰州73007 0;2.C and C ion,L of,L)。 [ ] 本文提出了一个基于粗糙集和 mPC A 的新面孔。它符合一些非常规则的面孔； 并使用 PC A 进行处理。 减少PCA 下降的数据。 该方法不仅通过人脸图像姿态和表情的变化影响人脸识别，而且消除了大量冗余数据。 T ，it are of ati on on rates． 基于ORL人脸数据库的实验表明，理论比可以达到97%。 [关键词] 粗糙集； 减少; Face i on 1 概述 人脸识别是模式识别、计算机视觉、人工智能等领域知识的重要应用。

光照条件、人脸角度变化、尺寸变化、面部表情、遮挡的引入、年龄变化都大大增加了人脸识别的难度。 基于特征脸的人脸识别算法属于构造子空间的人脸识别方法，其理论基础是主成分分析。 该算法通过对大量样本进行主成分分析，得到一组表征人脸子空间的正交基。 提取的特征是人脸图像在该子空间中的投影向量，然后使用分类器进行分类。 因为PCA方法只考虑了人脸图像的整体信息，没有考虑局部特征信息。 本文提出一种基于粗糙集和mPCA（PCA）相结合的人脸识别算法。 实验结果表明了该算法的可行性。 2 粗糙集理论 粗糙集理论可以通过去除冗余属性，在保持分类属性不变的情况下，极大地简化知识表达空间的维数。 这有利于降低计算复杂度，并且可以刻画不同属性在知识表达中的重要性。 简化知识表示空间并从训练数据中获得推理规则。 定义 1 假设 _(u4) 是一个信息系统 BA，{XEUI【 】 BX } BX ={XEUI【 】 BnX ≠ } 定义 2 假设 _(u4) 是一个信息系统，x-: {xl, X2 , ⋯, X} J为U对决策属性DA划分，BA为属性集，则近似分类的质量 得到的近似分类质量增益为 △ ( ) = 1( ) − (x ) (3) 33 i基于PCA和粗糙集的特征提取、卷积和选择基于模块化PCA方法的特征选择当光照条件变化时，只有人脸的某些区域会发生变化，而其余部分将与正常条件下的图像保持一致。

通过对人脸图像进行模块化，人脸识别不会受到姿势、表情和光照变化的影响，可以像正常情况下一样正确地进行人脸识别。本文将训练集中的每张预处理图像分为IV个小模块。 这些子图像可以数学上变换为， (m, , 1)= ' (— (-1)+m, — ku (-1)+, 1), , 1Y l, 2, 0 "0 M, M是训练集中的图像数量；= I, 2, ⋯, ⋣, IV 是子图像的数量；m 和 n 范围从 1 到 L/ √ IV 图 1 显示了分为 4 个模块的人脸图像。训练子图像的平均图像可以通过式(5)·蒿·叠圆1人_I模亿(IV -4) (4), , 1Y 其中，A = MN (5) 作者：任小康（1963-），男，教授，主要研究方向：多媒体信息处理；李文静，硕士生；金艳峰，硕士研究生入学日期：2007年8月30日E-mar l：@126．cor n一179_一维普信息