基于Bagging的LDA集成算法及其在人脸识别中的应用-论文.pdf

《基于Bagging的LDA集成算法及其在人脸识别中的应用-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第18卷第1期扬州大学学报(自然科学版)Vo1．18NO．12015年2月JournalofYangzhouUniversity(NaturalScienceEdition)Feb．2O15基于Bagging的LDA集成算法及其在人脸识别中的应用周中侠。，王正群，徐春林，李峰，薛巍(1．扬州大学信息工程学院，江苏扬州225127；2．北方激光科技集团有限公司激光应用技术部，江苏扬州225009；3．国网沾化县供电公司，山东滨州256800)摘要：针对线性判别分析(1ineardiscriminantanalysis，

2、LDA)在处理人脸图像时对局部变化识别不稳定性的问题，提出一种基于Bagging的LDA人脸识别方法BaggingLDA．首先将人脸图像集划分成若干子图像集，然后将Bagging应用于每个子图像集并融合初始图像集构建多个LDA分类器，选择其中一个分类性能最好的分类器作为集成基分类器，最后使用权重投票的方法将各个基分类器的分类结果进行组合．仿真结果表明，BaggingLDA算法识别性能好，精度较高，在图像遮挡、表情变化等条件下仍具有较强的稳定性．关键词：人脸识别；集成学习；线性判别分析；Bagging算法中图分类号：T

3、P391．4文献标志码：A文章编号：1007—824X(2015)01—0041—04人脸识别是基于人脸整体图像的一种全局性模式识别，在人脸特征抽取方法中，子空间方法的应用最为广泛．主元分析[】](principlecomponentanalysis，PCA)作为经典的线性子空间方法，在数据描述和重建方面颇具优势，但由于忽略了样本的类别信息而导致分类性能较差．线性判别分析[2(1in—eardiscriminantanalysis，LDA)则在提取特征过程中融入了类别信息，故其分类性能优于PCA，但LDA要求各类数据

4、满足正态分布，且提取特征的最大维数受到限制，存在小样本问题l3；因此，Di—rectLDA[6]、Fisherfac[7]等LDA改进方法相继被提出．然而，上述方法均因局部遮挡、光照条件及表情等局部变化而缺乏良好的稳定性_8]．基于模态或子模式的人脸识别方法_g。。。则通过对人脸图像进行分块获取子图像，并对子图像进行特征提取获取局部特征信息，有效地提高了识别精度及稳定性，但该方法仅是线性结合了局部信息，而未充分利用各局部信息间的互补性．Bagging集成学习算法¨]可以通过重复取样来改变样本的分布，训练并集成多个基学

5、习器，当用于处理模式识别问题时其性能优于单个分类器．本文通过对人脸图像进行子图像划分，考虑样本的局部信息获取差异性的训练样本集，提出一种基于Bagging的LDA集成人脸识别算法BaggingLDA．1线性判别分析(LDA)对于LDA目标函数J(w)，为了使不同类模式投影均值间距离尽可能大，同类模式投影最大限度地密集，现定义类内散度矩阵Jsw和类间散度矩阵s，通过最大化类间散度矩阵和最小化类内散度矩阵的优化准则来获得最优投影变换矩阵w．)一argmaXW，(1)收稿日期：2013—11—05．*联系人，E—mail：

6、yzwzq@126．com．基金项目：国家自然科学基金资助项目(61402395)；江苏省高校自然科学基金资助项目(10KJB510027)．引文格式：周中侠，王正群，徐春林，等．基于Bagging的LDA集成算法及其在人脸识别中的应用EJ3．扬州大学学报：自然科学版，2015，18(1)：41—44．42扬州大学学报(自然科学版)第18卷SB一(m一m)(m一m)，(2)Sw一∑∑N，一i(x—m)(x—m)，(3)式中c表示模式类别的个数，N表示第i类训练样本的个数，x表示第i类中第J个训练样本，m表示第i类训练

7、样本的均值，m表示全部训练样本的均值．求解广义特征方程得到使式(1)取得最优的投影矩阵w：SBW一

8、：IswW．(4)若sw为非奇异矩阵，那么s面s的前C一1个最大特征值所对应的特征向量所组成的矩阵即w；当存在小样本问题时s将奇异，此时应用sw的伪逆矩阵进行求解w．2基于Bagging的LDA人脸识别算法2．1图像划分设有N个大小为z×的训练样本，将其中各图像划分成L个互不重叠的大小相等的子块，每个子块的大小为k×k，则L===(z×)／(k×k)．将每个图像相同位置的子图像重新组合，得到L个相互独立的子模式集合，即

9、训练样本集，∈Rz，i一1，2，⋯，L．2．2基分类器的生成将每个子模式集(i一1，2，⋯，L)视为独立的样本集，按如下步骤设计并选取基分类器．1)利用Bagging采样法在上随机产生一个新的训练样本集，融合初始训练集形成一个新的训练集Js(S===TiU)．2)在训练集s中应用LDA进行特征抽取，并构建最近邻分类器．3)重复执行步骤1)～2)