首页 理论教育 高维数据的流形学习分析方法:CMUPIE人脸数据研究

高维数据的流形学习分析方法:CMUPIE人脸数据研究

时间:2023-11-24 理论教育 版权反馈
【摘要】:CMU PIE人脸数据库包含68个人共41368张人脸图像。CMU PIE中采集的图像包括有姿态变化、闪光条件变化和表情变化等。从原始CMU PIE数据中选取一个子集。相应的识别率分别为92.66%、94.63%、94.98%和97.13%,其对应的标准差依次为1.49%、1.87%、2.11%和1.24%。图6-7显示了对于CMU PIE人脸数据经过不同特征提取方法提取的不同维数的特征与识别率的变化曲线。同MMC、En-ULLELDA和LLDA相比较,在训练样本数目相同的情况下,LLDE算法的识别率总是高于它们的识别率。

高维数据的流形学习分析方法:CMUPIE人脸数据研究

CMU PIE人脸数据库包含68个人共41368张人脸图像。这些图像是由13部照相机同步闪光21次拍摄的。CMU PIE中采集的图像包括有姿态变化、闪光条件变化和表情变化等。PIE其实就是Pose、Illumination和Expression三个首字母的组合。

本实验中,从原始的人脸数据库中截取的图像的尺寸是32×32。从原始CMU PIE数据中选取一个子集。即从每类样本数中选取170个样本,然后再从170个样本中任意选取80个作为训练样本,剩余的90个作为测试样本。在构建近邻图的时候,往往根据训练样本的不同,来选择近邻点数,通常是近邻点数比训练样本数小1。但是由于本次实验中训练样本的数目比较大,所以我们选取的近邻点数为15。对这些数据,分别用MMC、En-ULLELDA、LLDA和LLDE算法进行特征提取,最后采用最近邻分类器来判别各种特征提取方法的分类效果。在应用最近邻分类器时,我们还是选取欧氏距离作为距离测度。

首先,测试不同特征提取方法的最佳识别效果,并将LLDE算法与MMC、En-ULLELDA和LLDA进行比较。表6-4为不同特征提取方法得到的最大平均识别率及其对应特征维数。从表6-4可以看出,LLDE算法的识别率超过了其他几种特征提取方法的识别率。对于MMC、En-ULLELDA、LLDA和LLDE算法来说,它们分别在特征维数为64、80、100和84的情况下获得最好的平均识别率。相应的识别率分别为92.66%、94.63%、94.98%和97.13%,其对应的标准差依次为1.49%、1.87%、2.11%和1.24%。

表6-4 PIE人脸数据对不同特征提取方法的最佳平均识别率、标准差及相应的特征维数(www.xing528.com)

然后,研究识别率与特征维数的关系。图6-7显示了对于CMU PIE人脸数据经过不同特征提取方法提取的不同维数的特征与识别率的变化曲线。由图6-7可以看出,随着特征维数的增加,识别率也随着增加。当识别率达到最大值以后,随着特征维数的增加,识别率的变化基本保持平稳不变。

最后,测试了训练样本数目对识别率的影响。在本次实验中,从170个样本中分别选取60个、70个、80个和90个样本作为训练样本,然后以剩余的90个、80个、70个和60个样本作为测试样本。图6-8中显示了在不同训练样本下各种特征提取方法的识别率。从图6-8中可以总结这样一个规律,即训练样本越多,识别率就越高。同MMC、En-ULLELDA和LLDA相比较,在训练样本数目相同的情况下,LLDE算法的识别率总是高于它们的识别率。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈