人臉識(shí)別作業(yè)-貴州大學(xué)解讀

1、圖像處理與模式識(shí)別課程報(bào)告報(bào)告題目：歐式距離分類器學(xué)院：大數(shù)據(jù)與信息工程學(xué)院專業(yè)：電子與通信工程學(xué) 號(hào)：學(xué)生姓名：任課教師：劉本永教授2015年6月摘要： 首先對(duì)人臉識(shí)別相關(guān)的技術(shù)進(jìn)行了簡(jiǎn)要的介紹， 并列舉了它們進(jìn)行了簡(jiǎn)要的分析， 做了簡(jiǎn)要的對(duì)比。 本文首先把人臉?lè)譃橛?xùn)練樣本和測(cè)試樣本， 由于 樣本里生成的特征向量的維數(shù)過(guò)高，我們得通過(guò) PCAT法降維壓縮，最后用歐式 距離完成測(cè)試樣本和訓(xùn)練樣本的人臉識(shí)別 , 通過(guò)實(shí)驗(yàn)得出最后相匹的人臉。關(guān)鍵詞： 人臉識(shí)別 PCA 特征提取 歐式距離Abstract ： First, face recognition technology related to

2、 a brief introduction, and lists them in a brief analysis, a brief comparison.Firstly, the human face into training and testing samples, due to the dimension of the sample in the generated feature vectors are too high, we have to go through PCAdimension reduction compression algorithm, and finally c

3、ompleted the Euclidean distance face recognition test samples and training samples, by experiment last matches of the persons face.Key words: face recognitionPCA feature extractionEuclidean distance1、引言計(jì)算機(jī)人臉識(shí)別技術(shù)是近20年才發(fā)展起來(lái)的，90年代更成為科研熱點(diǎn)。僅1990年到199孫之間，IE可檢索到相關(guān)的文獻(xiàn)就多達(dá)數(shù)千篇。計(jì)算機(jī)人臉識(shí)別技術(shù)就是利用計(jì)算機(jī)分析人臉圖象, 進(jìn)而從中提取出有效

4、的識(shí)別信息， 用來(lái) “辨認(rèn)”身份的一門技術(shù)。 人臉識(shí)別技術(shù)應(yīng)用非常廣泛， 在國(guó)家安全、 軍事安全和公共安全領(lǐng)域，智能門禁、智能視頻監(jiān)控、公安布控、司機(jī)駕照驗(yàn)證等是典型的應(yīng)用。在民事和經(jīng)濟(jì)領(lǐng)域， 各類銀行卡、 金融卡儲(chǔ)蓄卡的持卡人的身份認(rèn)證， 社會(huì)保險(xiǎn)人的身份驗(yàn)證等具有重要的應(yīng)用價(jià)值。 雖然人類的人臉識(shí)別能力很強(qiáng)， 并且能夠記住并辨別上千個(gè)不同的人臉， 但對(duì)于計(jì)算機(jī)就困難得多。 其表現(xiàn)在 : 人臉表情豐富； 人臉隨年齡增長(zhǎng)而變化 ; ； 人臉?biāo)蓤D象受光照、 成象角度及成象距離等影響；而且從二維圖象重建三維人臉是病態(tài)( illposed) 過(guò)程。目前尚沒有很好的描述人臉的三維模型。另外，人臉識(shí)別

5、還涉及到圖象處理、計(jì)算機(jī)視覺、模式識(shí)別以及神經(jīng)網(wǎng)絡(luò)等學(xué)科。 也和人腦的認(rèn)識(shí)程度緊密相關(guān)。 這諸多因素使得人臉識(shí)別成為一項(xiàng)極富挑戰(zhàn)性的課題。 因此， 研究好人臉識(shí)別， 不僅能推動(dòng)圖像處理，模式識(shí)別理論與應(yīng)用的發(fā)展， 更能推動(dòng)其他相關(guān)學(xué)科的進(jìn)步， 比如認(rèn)知科學(xué)、 生 理學(xué)的。、人臉識(shí)別相關(guān)技術(shù)介紹、基于幾何特征的人臉識(shí)別判別方法人臉的幾何特征主要有： 眉毛的厚度以及與眼睛中心的垂直距離， 鼻子的垂 直位置和寬度， 嘴巴的垂直位置、 寬度以及它和上下嘴唇的高度等。 基于幾何特 征的人臉是被的主要思想是： 首先找出這些特點(diǎn)的具體位置， 測(cè)出他們之間的距 離，組成一個(gè)特征矢量，然后用這些特征矢量與人臉庫(kù)

6、中的特征矢量進(jìn)行比較，找出最佳匹配。 所以， 基于幾何特征的人臉識(shí)別方法最終歸結(jié)為特征矢量之間的匹配， 基于歐式距離的判據(jù)是最常用的識(shí)別方法。 同時(shí)， 識(shí)別所采用的幾何特征是以人臉器官的形狀和幾何關(guān)系為基礎(chǔ)的特征矢量， 其分量通常包括人臉指定兩點(diǎn)間的歐式距離、曲率、角度等?；趲缀翁卣鞯淖R(shí)別方法易于理解，而且對(duì)每幅圖像只需存儲(chǔ)一個(gè)特征矢量， 對(duì)光照不敏感。 但從圖中提取穩(wěn)定的特征比較困 難，對(duì)強(qiáng)烈的表情變化和姿勢(shì)變化的魯棒性差，因此它比較適合與粗分類。、基于模板匹配的人臉識(shí)別模板匹配法是一種經(jīng)典的模式識(shí)別方法， 它充分利用了人臉的紋理和灰度特征。 它的識(shí)別方法就是將待識(shí)別的人臉圖像與數(shù)據(jù)庫(kù)中所

7、有的模板進(jìn)行比較， 找 出最相近的臉。 模板分為一般模板和彈性模板。 其中， 一般的模板包括人臉的形狀、眼睛、鼻子、眉毛等，而彈性模板是由一組根據(jù)特征形狀的先驗(yàn)知識(shí)來(lái)設(shè)計(jì)可調(diào)參數(shù)來(lái)定義的。 這個(gè)參數(shù)是由能量函數(shù)來(lái)決定的， 首先利用圖像的邊緣、 峰 值、 谷值和強(qiáng)度信息以及特征形狀的先驗(yàn)知識(shí)設(shè)計(jì)能量函數(shù)， 然后將參數(shù)向能量函數(shù)減小的方向調(diào)整， 當(dāng)能量函數(shù)達(dá)到最小時(shí)， 這組參數(shù)所對(duì)應(yīng)的模板形狀最符 合特征形狀。模板匹配法要由于幾何特征法。、基于 K-L 變換的特征臉識(shí)別方法K-L變換是圖像壓縮中的一種最優(yōu)正交變換。人們將它用于統(tǒng)計(jì)特征提取， 從而形成了子空間法模式識(shí)別的基礎(chǔ)。它的思想是：通過(guò) K-

8、L變換，得到高維圖 像空間的一組正交基， 保留其中較大特征值對(duì)應(yīng)的正交基， 組成特征臉空間， 然 后將新的人臉圖像投影到特征臉空間中， 得到一組投影向量， 作為識(shí)別的特征向 量， 比較其與已知人臉在人臉庫(kù)中的位置， 從而判斷它是否是庫(kù)中人臉， 如果是，是哪一幅人臉。其中，K-L變換的特征臉識(shí)別方法所用的最簡(jiǎn)單的分類做法是最 小距離分類，而最小距離大多數(shù)是利用歐式距離來(lái)算?；贙-L變換的特征臉識(shí)別法的識(shí)別比較簡(jiǎn)單且有效。、支持向量機(jī)的識(shí)別方法支持向量機(jī)(SupportVectorMachine , SVM起源于統(tǒng)計(jì)學(xué)習(xí)理論，它研究如何構(gòu)造學(xué)習(xí)機(jī)， 實(shí)現(xiàn)模式分類問(wèn)題。 其基本思想是通過(guò)非線性變換

9、將輸入空間變換到一個(gè)高維空間， 在高維空間求取最優(yōu)線性分類面， 以解決那些線性不可分的分類問(wèn)題。而這種非線性變換是通過(guò)定義適當(dāng)?shù)膬?nèi)積函數(shù)( 即核函數(shù) ) 來(lái)實(shí)現(xiàn)的。SVM技術(shù)中核函數(shù)及其參數(shù)的選取難度較大。由于它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，而不是傳統(tǒng)統(tǒng)計(jì)學(xué)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化， 因而表現(xiàn)出很多優(yōu)于已有方法的性能。 由 于SVM勺訓(xùn)練需要大量的存儲(chǔ)空間，非線性SV/類器需要較多的支持向量，所 以速度很慢。2、實(shí)驗(yàn)原理首先對(duì)圖像預(yù)處理，轉(zhuǎn)換成向量，再通過(guò)PCAa法對(duì)訓(xùn)練樣本人臉數(shù)據(jù)庫(kù)圖像進(jìn)行降維特征提取， 再利用歐式距離對(duì)特征向量進(jìn)行分類識(shí)別， 尋找和待識(shí)別 圖片最為接近的訓(xùn)練樣本圖片。、圖像預(yù)處理通過(guò)從

10、訓(xùn)練樣本集中讀取數(shù)據(jù)， 先統(tǒng)計(jì)訓(xùn)練樣本中的圖片， 再對(duì)二維圖片進(jìn)行轉(zhuǎn)換， 轉(zhuǎn)為一維的向量， 由于本樣本集中的圖片為黑白圖片， 因此對(duì)它的灰度 先暫時(shí)沒做處理，最后使每張圖片的信息作為一列。、 Matlab 代碼的實(shí)現(xiàn)TrainFiles = dir(TrainDatabasePath);% 訓(xùn)練集路徑Train_Number = 0;%訓(xùn)練集中圖片數(shù)量初值for i = 1:size(TrainFiles,1)%目錄中除圖片本身外，還保存(.| |Thnmbs.db)ifnot(strcmp(TrainFiles(i).name,. )|strcmp(TrainFiles(i).name,.)

11、|strcmp(TrainFiles(i).name,Thumbs.db )Train_Number = Train_Number + 1;%統(tǒng)計(jì)訓(xùn)練集中的圖片end end T = ; for i = 1 : Train_Number%對(duì)每一張圖片str = strcat( ,int2str(i), .bmp ); %字符串拼接，得到i.jpgstr = strcat(TrainDatabasePath,str);%字符串拼接，得到每一張訓(xùn)練圖片的完整路徑img = imread（str）;%讀入訓(xùn)練圖片irow icol = size（img）;%導(dǎo)到圖片大小temp = reshape（

12、img,irow*icol,1）;%等二維圖片轉(zhuǎn)換為一維向量T = T temp；%每張圖片的信息作為 T的一列End、特征值的提取PCA!行特征值提取算法具體步驟：初始化，獲得人臉圖像的訓(xùn)練集并計(jì)算特征臉，定義為人臉空間，存儲(chǔ)在模板庫(kù)中，以便系統(tǒng)進(jìn)行識(shí)別；輸入新的人臉圖像，將其映射到特征臉空間，得到一組關(guān)于該人臉的特征數(shù)據(jù)；通過(guò)檢查圖像與人臉空間的距離判斷它是否是人臉；若為人臉，根據(jù)權(quán)值模式判斷它是否為數(shù)據(jù)庫(kù)中的某個(gè)人，并做出具體的操作。PCAA臉識(shí)別流程通過(guò)圖像預(yù)處理后，PCAAJ僉識(shí)別還包括以下幾個(gè)步驟：讀入人臉庫(kù)，訓(xùn)練成特 征子空間；把訓(xùn)練圖像和測(cè)試圖像投影到上一步驟得到的子空間上；選

13、擇一定的距離函數(shù)進(jìn)行識(shí)別。下面詳細(xì)描述整個(gè)過(guò)程：讀入人臉庫(kù)歸一化人臉庫(kù)后，將庫(kù)中的每人選擇一定數(shù)量的圖像構(gòu)成訓(xùn)練集，其余構(gòu)成測(cè)試集。2一一 2設(shè)歸一化后的圖像是 NX N的，按列相連就構(gòu)成 N維向量，可看作是 N維空間中的一個(gè)點(diǎn)，可以通過(guò) K-L變換用一個(gè)低維子空間描述這個(gè)圖像。計(jì)算K-L變換的生成矩陣，并求取圖像的特征值和特征向量假設(shè)人臉圖彳庫(kù)中有 N幅人臉圖像，用向量表本為 X3X2，Xn （向量維數(shù)設(shè)為L(zhǎng)）, 其人臉平均圖像如式（2-1）所示:(2-1)(2-2)1，Xave=NyXi由此可得到每幅圖像的均差，如式（2-2）所示:Xi = Xi - Xav：i =1,2,，N這樣可計(jì)算協(xié)

14、方差矩陣，如式（2-3）所示:_1 TC= Xi(Xi)(2-3)N i4計(jì)算矩陣C的特征值入k和對(duì)應(yīng)特征向量Mk。2 一一 2但是在實(shí)際計(jì)算中，矩陣 C的大小是N MN ,即使對(duì)尺寸較小的圖像計(jì)算量還是很大。為了減小運(yùn)算量，現(xiàn)將每幅圖像的均差形成一個(gè)矩陣，如式(2-4)所示： TOC o 1-5 h z HYPERLINK l bookmark16 o Current Document X =X1,X2，X N(2-4)則式(2-3)可以寫成式(2-5):1, TC= - X(X)T(2-5)N因此，根據(jù)線性代數(shù)理論，將計(jì)算x(X)t的特征值均和對(duì)應(yīng)特征向量 j的問(wèn)題轉(zhuǎn)化為求(x)Tx的特征

15、值 貓和對(duì)應(yīng)的特征向量 ；的問(wèn)題。(x)Tx的大小僅為 NX N遠(yuǎn) 遠(yuǎn)小于N2MN2,故簡(jiǎn)化了計(jì)算。在求出 ;后，j可以通過(guò)式(2-6)得到：工1= j = -1 X j(2-6)m j把訓(xùn)練圖像和測(cè)試圖像投影到特征空間由特征向量所形成的向量空間可表示人臉圖像的主要特征信息，將人臉圖像庫(kù)中所有 N個(gè)圖像的均差向此空間投影，得到各自的投影向量 丫,，,，Yn，如式(2-7)和(2-8)所示： TOC o 1-5 h z HYPERLINK l bookmark22 o Current Document (Y ) = y1i , y2i ,yMi , i =1,2,，N(2-7)，、T、， HYP

16、ERLINK l bookmark24 o Current Document 山=(叼)Xj, j =1,2,，M(2-8)對(duì)于待識(shí)別人臉圖像I,計(jì)算其與k差的投影向量，如式(2-9)所示： HYPERLINK l bookmark26 o Current Document Pj =5 j)T(Ii -Xave), j =12 ，M(2-9)再與人臉圖像庫(kù)中 n個(gè)人臉圖像對(duì)應(yīng)的投影向量Y,y2,，YN比較，按照一定的距離準(zhǔn)則完成識(shí)別。比較測(cè)試圖像和訓(xùn)練圖像，確定待識(shí)別樣本類別這里可以采用多種不同的分類器進(jìn)行分類：L范式、L2范式、最小距離、角度以及Mahalanobis 距離等。Matlab代

17、碼的實(shí)現(xiàn)A =；for i = 1 : Train_Number%寸每一列temp = double(T(:,i)-m;%每一張圖與均值的差異% set Ai = Ti-mA = A temp;%方差矩陣end %條維L = A*A;% L是協(xié)方差矩陣C=A*A 的轉(zhuǎn)置V D = eig(L);%寸角線上的元素是 L|C的特征值。V:以特征向量為列的滿秩矩陣，D:特征值對(duì)角矩陣。即 L*V=V*D.。特征向量選取上面所創(chuàng)建的用于投影的特征臉子空間使用的是所有r個(gè)非零的特征值對(duì)應(yīng)的特征向量。雖然協(xié)方差矩陣 C最多有對(duì)應(yīng)于非零特征值的N個(gè)特征向量，且rWN,但是通常情況下，r仍然會(huì)太大，而根據(jù)應(yīng)用

18、的需求，并非所有的回，都有保留意義。而特征空間投影的計(jì)算速度是直接與創(chuàng)建子空間所用的特征向量的數(shù)目相關(guān)，若考慮到計(jì)算時(shí)間等因素，可以適當(dāng)減去一些信息量少的特征向量，且去掉這些特征向量之后不一定不利于分類結(jié)果，有的情況下反而能夠提高識(shí)別性能。下面將討論幾種不同的特征值選擇方法：標(biāo)準(zhǔn)的特征空間投影：所有r個(gè)對(duì)應(yīng)于非零特征值的特征向量均被用于創(chuàng)建特征臉子 空間。但是該方法在 r值較大時(shí)，計(jì)算速度會(huì)較慢，且不利于分類。為進(jìn)一步壓縮特征向量和減小運(yùn)算量，將特征值按大小順序排序，忽略小特征值所對(duì)應(yīng)的特征向量，即由下式得到U 。設(shè)入1 入22,之入r ,r為X的秩，r E N ,U =U1,U2,，UmT則

19、壓縮后的特征向量集如式(2-10)所示：U =U1,U2L ,UmT，M1 )%特征值大于1時(shí)L_eig_vec = L_eig_vec V(:,i);%中對(duì)應(yīng)的特征向量end end距離函數(shù)的選擇圖像被投影到特征空間中，剩下的任務(wù)就是如何判別這些圖像的相似性。通常有兩種方法來(lái)判別：一種是計(jì)算在N維空間中圖像間的距離，另一種是測(cè)量圖像間的相似性。當(dāng)測(cè)量距離時(shí)，我們希望距離盡可能地小，一般選擇與測(cè)試圖像最近的訓(xùn)練圖像作為它的所屬的 類別。而測(cè)量相似性的時(shí)候，則希望圖像盡可能地相似，也就是說(shuō)具有最大的相似性的訓(xùn)練 圖像類別是測(cè)試圖像所屬的類別。而本實(shí)驗(yàn)主要采取的是歐式距離來(lái)度量的。歐式距離又稱泛數(shù)

20、，它被廣泛地應(yīng)用于向量間的距離度量：1d =(K(x -r)2)5其中x和r分別表示輸入特征向量X和參考特征向量 R的第i個(gè)元素，K表示特征向量維數(shù)。相應(yīng)的點(diǎn)和類之間的最小歐式距離定義1d = min(K(x - r)2)2其中ci r表示參考類的第c個(gè)參考特征向量的第i個(gè)元素，min ()表示輸入特征向量 和參考類c個(gè)參考特征向量歐式距離的最小值。計(jì)算向量與哪類人臉的向量距離最近，得 到識(shí)別的結(jié)果。Matlab代碼的實(shí)現(xiàn)irow icol = size(temp);喊H式圖片大小InImage = reshape(temp,irow*icol,1);%F 置后轉(zhuǎn)為一維Difference =

21、 double(InImage)-m;% L_eig_vecProjectedTestImage = Eigenfaces*Difference;% 測(cè)試圖像的特征向量Euc_dist =;for i = 1 : Train_Number%寸每列q = ProjectedImages(:,i);%取出訓(xùn)練圖像%歐式距離temp = ( norm( ProjectedTestImage - q ) )A2;Euc_dist = Euc_dist temp;%end、實(shí)驗(yàn)主程序clear all clcclose all% You can customize and fix initial dir

22、ectory pathsTrainDatabasePath = uigetdir(strcat(matlabroot,work ), Selecttraining database path); %設(shè)置訓(xùn)練集路徑TestDatabasePath = uigetdir(strcat(matlabroot,work ), Select testdatabase path ); prompt = Enter test image name (a number between 1 to 10):;dlg_title =Input of PCA-Based Face Recognition System

23、;num_lines= 1;def = 1 ;TestImage = inputdlg(prompt,dlg_title,num_lines,def);TestImage = strcat(TestDatabasePath, ,char(TestImage), .bmp );im = imread(TestImage);% T = CreateDatabase(TrainDatabasePath);T = CreateDatabase(TrainDatabasePath) m, A, Eigenfaces = EigenfaceCore(T);OutputName = Recognition(

24、TestImage, m, A, Eigenfaces);SelectedImage = strcat(TrainDatabasePath, ,OutputName);SelectedImage = imread(SelectedImage);figure;subplot(1,2,1);imshow(im);title( Test Image );subplot(1,2,2);imshow(SelectedImage);title( Equivalent Image);str = strcat( Matched image is : ,OutputName);disp(str);3、實(shí)驗(yàn)結(jié)果3

25、-2）里存放了10TrainDatabase (如圖 3-1)里存放了 42 張圖片，TestDatabase (如圖 張圖片，所有圖片格式和分辨率都相同。圖3-1圖3-2運(yùn)行主程序時(shí)，先設(shè)置好 TrainDatabase的路徑（如圖 3-3）,再設(shè)置好 TestDatabase的路徑（如圖3-4）圖3-3圖3-4之后還會(huì)彈出你想要匹配的圖片號(hào)（1-10）（如圖3-5）圖3-5最終會(huì)顯示出 Test Image和在TrainDatabase里匹配出來(lái) Equivalent Image。如果所要匹配的圖片和TrainDatabase里的圖片相同，則匹配出來(lái)的圖片則相同（如圖 3-6）;圖3-64、結(jié)論與不足通過(guò)這個(gè)實(shí)驗(yàn)報(bào)告，使我對(duì)Matlab編程有了更深刻的了解，在編程的同時(shí)， 還得把本學(xué)期學(xué)習(xí)的相關(guān)的理論知識(shí)（比如 PCAffi關(guān)算法）應(yīng)用上，毫無(wú)疑問(wèn)， 這鞏固了本學(xué)期所學(xué)的相關(guān)知識(shí)，更有利我們深刻了解人臉識(shí)別相關(guān)的理論。通過(guò)這個(gè)實(shí)驗(yàn)，由于我的樣本值都取得很少，同時(shí)，人臉庫(kù)也是標(biāo)準(zhǔn)ORL人臉庫(kù)，所以最后實(shí)現(xiàn)的人臉匹配度還是令人欣慰的， 可以做到只要訓(xùn)練樣本里 有的圖片，都可把匹配的圖片找出來(lái)。不足：通過(guò)測(cè)試，假如訓(xùn)練樣本里沒有的圖片，我們是不能找出與之相近似的圖 片，這還得通過(guò)后期的修改和調(diào)試；由于本次實(shí)驗(yàn)的樣本選得比較少， 若在樣本很多的情況下，可