基于張量子空間的人臉識(shí)別算法研究與并行實(shí)現(xiàn).pdf

1、人臉識(shí)別是模式識(shí)別研究領(lǐng)域中的一個(gè)內(nèi)容，是一個(gè)近年來(lái)得到廣泛關(guān)注的研究熱點(diǎn)，和其相關(guān)的應(yīng)用范圍也在不斷擴(kuò)展。傳統(tǒng)的用于人臉識(shí)別的算法都是先將二維圖像轉(zhuǎn)化為一維的列向量，再以該列向量作為原始特征進(jìn)行分析。而圖像在向量化后像素之間的空間相關(guān)性極有可能遭到破壞;而且由它產(chǎn)生的統(tǒng)計(jì)參數(shù)的維數(shù)極大導(dǎo)致高的計(jì)算復(fù)雜度和存儲(chǔ)代價(jià);最后，通常樣本的個(gè)數(shù)遠(yuǎn)小于向量的維數(shù)，這就會(huì)導(dǎo)致協(xié)方差矩陣奇異的問(wèn)題。
　　張量子空間下的人臉識(shí)別是從圖像本身特性進(jìn)

2、行考慮，不需要把圖像轉(zhuǎn)化為一個(gè)一維向量，而是以二階張量的形式來(lái)處理。這樣保持了圖像像素間的共生關(guān)系，降低了協(xié)方差矩陣的維數(shù)，同時(shí)也避免了小樣本問(wèn)題，提高了人臉識(shí)別效果。
　　本文研究并實(shí)現(xiàn)了張量子空間下的張量主成分分析TensorPCA算法和張量線性判別分析TensorLDA算法;并且對(duì)TensorLDA算法中兩個(gè)投影矩陣不能同時(shí)計(jì)算，低維特征提取不充分的問(wèn)題，提出了先用單位矩陣初始化，再利用優(yōu)化準(zhǔn)則求另一個(gè)投影矩陣，并進(jìn)行多次迭

3、代的改進(jìn)方法。采用ORL和Yale數(shù)據(jù)庫(kù)測(cè)試算法的性能，在ORL人臉數(shù)據(jù)庫(kù)上TensorPCA比PCA的平均識(shí)別率高1.713％，It-TensorLDA比TensorLDA的平均識(shí)別率高1.88％，比Fisherfaces的平均識(shí)別率高3.03％;Yale人臉數(shù)據(jù)庫(kù)上TensorPCA比PCA的平均識(shí)別率高1.3％，It-TensorLDA比TensorLDA的平均識(shí)別率高0.91％，比Fisherfaces高3.14％。
　　

4、本文針對(duì)算法實(shí)現(xiàn)過(guò)程中矩陣乘法和利用Jacobi求特征值和特征向量耗時(shí)較多的問(wèn)題，進(jìn)行多線程劃分和數(shù)據(jù)分組的并行實(shí)現(xiàn)。采用OpenMP和SSE兩種技術(shù)進(jìn)行并行化，并比較了算法的運(yùn)行速度。以Intel CoreTM2雙核計(jì)算機(jī)為平臺(tái)，結(jié)果顯示:多線程并行化后TensorPCA提高了1.407倍;數(shù)據(jù)并行化后TensorPCA提高了1.583倍;同時(shí)并行化后TensorPCA提高了1.869倍。多線程并行化后TensorLDA提高了1.57