基于类间散布矩阵的二维主分量分析  

A Two-dimensional PCA Based on Between-class Scatter Matrix

作　　者：张生亮[1] 陈伏兵[1] 谢永华[1] 杨静宇[1] 

机构地区：[1]南京理工大学计算机系

出　　处：《计算机工程》2006年第11期44-46,共3页Computer Engineering

基　　金：国家自然科学基金资助项目(60472060)

摘　　要：主分量分析是一种线性特征抽取方法,被广泛地应用在人脸等图像识别领域。但传统的PCA都以总体散布矩阵作为产生矩阵,并且要将作为图像的矩阵转换为列向量进行计算。该文给出了一种利用图像矩阵直接计算的二维PCA,以类间散布矩阵的本征向量作为投影方向,取得了比利用总体散布矩阵更好的识别效果,并且特征抽取速度更快。在ORL和NUSTFDBⅡ标准人脸库上的实验验证了该方法的有效性。Principal component analysis （PCA） is an important method widely used in images data compression and feature extraction. But conventional PCA usually uses total scatter matrix as a generation matrix, and two-dimension （2D） image matrices must be transformed into vectors. This paper gives a 2D-PCA, which uses original image matrices to compute between-class covariance matrix and its eigenvectors are derived for images feature extraction. The experiments on ORL and NUSTFDB Ⅱ face-databases indicate that the recognition rates are higher than PCA and 2D-PCA using total scatter matrix, and the speed of feature extraction is faster.

关 键 词：主分量分析 特征抽取 本征脸 人脸识别 

分 类 号：TP391.4[自动化与计算机技术—计算机应用技术]