КОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ, УПРАВЛЕНИЕ И РАДИОЭЛЕКТРОНИКА
Войти на сайт | Регистрация
УДК 004.93
Об эффективности анализа и распознавания изображений методом главных компонент и линейным дискриминантным анализом
Мокеев Владимир Викторович, д-р техн. наук, заведующий кафедрой информационных систем, Южно-Уральский государственный университет (г. Челябинск), mokeyev@mail.ru
Томилов Станислав Владимирович, аспирант кафедры информационных систем, Южно-Уральский государственный университет (г. Челябинск), zeez@list.ru
Аннотация
Рассматриваются некоторые аспекты применения метода главных компонент и линейного дискриминантного анализа для решения задачи распознавания изображений. Технология распознавания изображений на основе этих методов состоит из двух этапов: сначала изображение лица проецируется из исходного пространства признаков в редуцированное подпространство главных компонент, а затем линейный дискриминантный анализ используется для построения классификатора. В статье основное внимание сосредоточено на разработке эффективного алгоритма вычисления главных компонент для больших наборов изображений. Метод линейной конденсации представляет новую технологию расчета главных компонент больших матриц. Для повышения эффективности метода линейной конденсации предлагается использовать процедуру блочной диагонализации матрицы. Оценивается точность и быстродействие разработанного алгоритма.
Ключевые слова
распознавание лиц, метод главных компонент, линейный дискриминантный анализ, собственный вектор
Литература
1. Kirby, M. Application of the KL procedure for the characterization of human faces / M. Kirby, L. Sirovich // IEEE Trans. Pattern Anal. Mach. Intell. – 1990. – Vol. 12, no. 1. – P. 103–108.

2. Lu, J. Face Recognition Using LDA-Based Algorithms / J. Lu, K.N. Plataniotis, A.N. Venelsanopoulos // IEEE Trans, on Neural Networks. – 2003. –Vol. 14, no. 1. – P. 195–200.

3. Martinez, А.М. РСА versus LDA / А.М. Martinez, А.С. Kak // IEEE Trans, on Pattern Analysis and Machine Intelligence. – 2001. – Vol. 23, no. 2. – P. 228–233.

4. Etemad, K. Discriminant Analysis for Recognition of Human Face Images / K. Etemad, R. Chellappa // Journal of the Optical Society of America A. – 1997. – Vol. 14, no. 8. –P. 1724–1733.

5. Belhumeur, P.N. Eigenfaces vs.Fisherfaces: recognition using class specific linear projection / P.N. Belhumeur, J.P. Hespanha, D.J. Kriegman // IEEE Trans. Pattern Anal. Mach. Intell. – 1997. – Vol. 19. – P. 711–720.

6. Гриненко, Н.И. О задачах исследований колебаний конструкций методом конечных элементов / Н.И. Гриненко, В.В. Мокеев // Прикладная механика. – 1985. – 21 (3) – С. 25–30.

7. Мокеев, В.В. О задаче нахождения собственных значений и векторов больших матричных систем / В.В. Мокеев // Журнал Вычислительной Математики и Математической Физики. – 1992. – 32 (10). – C. 1652–1657.

8. Мокеев, В.В. О повышение эффективности вычислений главных компонент в задачах анализа изображений / В.В. Мокеев // Цифровая обработка сигналов. –2011. – № 4. – C. 29–36.

9. The FERET evaluation methodology for face recognition algorithms / P.J. Phillips, H. Moon, P.J. Rauss, S. Rizvi // IEEE Trans. Pattern Anal. Mach. Intell. – 2000.– Vol. 22, no. 10. – P. 1090–1104.
Источник
Вестник Южно-Уральского государственного университета. Серия «Компьютерные технологии, управление, радиоэлектроника». - 2013. - Том 13, №3. – C. 61-70.