О решении задачи распознавания изображений методом главных компонент и линейным дискриминантным анализом
Автор: Мокеев Владимир Викторович, Томилов Станислав Владимирович
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений: Восстановление изображений, выявление признаков, распознавание образов
Статья в выпуске: 4 т.38, 2014 года.
Бесплатный доступ
В работе рассматриваются некоторые аспекты применения метода главных компонент (МГК) и линейного дискриминантного анализа (ЛДА) для решения задачи распознавания изображений. Основная идея такого подхода заключается в том, что сначала изображения лиц проецируются из исходного пространства признаков в редуцированное подпространство главных компонент, а затем для разделения классов изображений используется линейный дискриминантный анализ. В статье исследуется эффективность применения МГК и ЛДА к задаче распознавания изображений лиц без их предварительной нормализации. Если число изображений в классе невелико, предлагается дополнять учебную выборку изображениями, полученными путём поворота, масштабирования и зеркалирования. На изображениях баз данных ORL и Feret изучается влияние расширения учебной выборки на качество распознавания ненормализованных изображений лиц. Также рассматривается задача повышения эффективности расчёта главных компонент для больших наборов изображений. Метод линейной конденсации представляет новую технологию расчёта главных компонент больших матриц. Для повышения эффективности метода линейной конденсации предлагается использовать алгоритм блочно-ортогональной конденсации. Оценивается точность и быстродействие разработанного алгоритма.
Распознавание лиц, метод главных компонент, линейный дискриминантный анализ, метод линейной конденсации
Короткий адрес: https://sciup.org/14059320
IDR: 14059320
On the solution of the image recognition problem by a principal component method and linear discriminant analysis
In the paper, some aspects of image analysis based on PCA (Principal Component Analysis) and LDA (Linear Discriminant Analysis) are considered. The main idea of this approach is that, firstly, we project the face image from the original vector space to a face subspace via PCA, secondly, we use LDA to obtain a linear classifier. In the paper, the efficiency of application of PCA and LDA to a problem of recognition of face images without their preliminary normalization is investigated. When the number of images in a class is not large, it is proposed that the training set is supplemented by images obtained by rotating, scaling and mirroring. In the images from the ORL and Feret databases, the influence of the training set expansion on the quality of recognition of unnormalized face images is studied. Also, a problem of increasing the efficiency of principal component calculation for large image samples is addressed. A linear condensation method is used as a new technique to calculate the principal components of a large matrix. The accuracy and performance of the developed algorithm are evaluated.
