人臉識別作業(yè)-貴州大學解讀

1、圖像處理與模式識別課程報告報告題目：歐式距離分類器學院：大數(shù)據(jù)與信息工程學院專業(yè)：電子與通信工程學 號：學生姓名：任課教師：劉本永教授2015年6月摘要： 首先對人臉識別相關(guān)的技術(shù)進行了簡要的介紹， 并列舉了它們進行了簡要的分析， 做了簡要的對比。 本文首先把人臉分為訓練樣本和測試樣本， 由于 樣本里生成的特征向量的維數(shù)過高，我們得通過 PCAT法降維壓縮，最后用歐式 距離完成測試樣本和訓練樣本的人臉識別 , 通過實驗得出最后相匹的人臉。關(guān)鍵詞： 人臉識別 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、引言計算機人臉識別技術(shù)是近20年才發(fā)展起來的，90年代更成為科研熱點。僅1990年到199孫之間，IE可檢索到相關(guān)的文獻就多達數(shù)千篇。計算機人臉識別技術(shù)就是利用計算機分析人臉圖象, 進而從中提取出有效

4、的識別信息， 用來 “辨認”身份的一門技術(shù)。 人臉識別技術(shù)應(yīng)用非常廣泛， 在國家安全、 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、司機駕照驗證等是典型的應(yīng)用。在民事和經(jīng)濟領(lǐng)域， 各類銀行卡、 金融卡儲蓄卡的持卡人的身份認證， 社會保險人的身份驗證等具有重要的應(yīng)用價值。 雖然人類的人臉識別能力很強， 并且能夠記住并辨別上千個不同的人臉， 但對于計算機就困難得多。 其表現(xiàn)在 : 人臉表情豐富； 人臉隨年齡增長而變化 ; ； 人臉所成圖象受光照、 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) 過程。目前尚沒有很好的描述人臉的三維模型。另外，人臉識別

5、還涉及到圖象處理、計算機視覺、模式識別以及神經(jīng)網(wǎng)絡(luò)等學科。 也和人腦的認識程度緊密相關(guān)。 這諸多因素使得人臉識別成為一項極富挑戰(zhàn)性的課題。 因此， 研究好人臉識別， 不僅能推動圖像處理，模式識別理論與應(yīng)用的發(fā)展， 更能推動其他相關(guān)學科的進步， 比如認知科學、 生 理學的。、人臉識別相關(guān)技術(shù)介紹、基于幾何特征的人臉識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： 首先找出這些特點的具體位置， 測出他們之間的距 離，組成一個特征矢量，然后用這些特征矢量與人臉庫

6、中的特征矢量進行比較，找出最佳匹配。 所以， 基于幾何特征的人臉識別方法最終歸結(jié)為特征矢量之間的匹配， 基于歐式距離的判據(jù)是最常用的識別方法。 同時， 識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間的歐式距離、曲率、角度等?；趲缀翁卣鞯淖R別方法易于理解，而且對每幅圖像只需存儲一個特征矢量， 對光照不敏感。 但從圖中提取穩(wěn)定的特征比較困 難，對強烈的表情變化和姿勢變化的魯棒性差，因此它比較適合與粗分類。、基于模板匹配的人臉識別模板匹配法是一種經(jīng)典的模式識別方法， 它充分利用了人臉的紋理和灰度特征。 它的識別方法就是將待識別的人臉圖像與數(shù)據(jù)庫中所

7、有的模板進行比較， 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)特征形狀的先驗知識來設(shè)計可調(diào)參數(shù)來定義的。 這個參數(shù)是由能量函數(shù)來決定的， 首先利用圖像的邊緣、 峰 值、 谷值和強度信息以及特征形狀的先驗知識設(shè)計能量函數(shù)， 然后將參數(shù)向能量函數(shù)減小的方向調(diào)整， 當能量函數(shù)達到最小時， 這組參數(shù)所對應(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)計特征提取， 從而形成了子空間法模式識別的基礎(chǔ)。它的思想是：通過 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， 作為識別的特征向 量， 比較其與已知人臉在人臉庫中的位置， 從而判斷它是否是庫中人臉， 如果是，是哪一幅人臉。其中，K-L變換的特征臉識別方法所用的最簡單的分類做法是最 小距離分類，而最小距離大多數(shù)是利用歐式距離來算?；贙-L變換的特征臉識別法的識別比較簡單且有效。、支持向量機的識別方法支持向量機(SupportVectorMachine , SVM起源于統(tǒng)計學習理論，它研究如何構(gòu)造學習機， 實現(xiàn)模式分類問題。 其基本思想是通過非線性變換

9、將輸入空間變換到一個高維空間， 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題。而這種非線性變換是通過定義適當?shù)膬?nèi)積函數(shù)( 即核函數(shù) ) 來實現(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)風險最小化原理，而不是傳統(tǒng)統(tǒng)計學的經(jīng)驗風險最小化， 因而表現(xiàn)出很多優(yōu)于已有方法的性能。 由 于SVM勺訓練需要大量的存儲空間，非線性SV/類器需要較多的支持向量，所 以速度很慢。2、實驗原理首先對圖像預(yù)處理，轉(zhuǎn)換成向量，再通過PCAa法對訓練樣本人臉數(shù)據(jù)庫圖像進行降維特征提取， 再利用歐式距離對特征向量進行分類識別， 尋找和待識別 圖片最為接近的訓練樣本圖片。、圖像預(yù)處理通過從

10、訓練樣本集中讀取數(shù)據(jù)， 先統(tǒng)計訓練樣本中的圖片， 再對二維圖片進行轉(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， 因此對它的灰度 先暫時沒做處理，最后使每張圖片的信息作為一列。、 Matlab 代碼的實現(xiàn)TrainFiles = dir(TrainDatabasePath);% 訓練集路徑Train_Number = 0;%訓練集中圖片數(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)計訓練集中的圖片end end T = ; for i = 1 : Train_Number%對每一張圖片str = strcat( ,int2str(i), .bmp ); %字符串拼接，得到i.jpgstr = strcat(TrainDatabasePath,str);%字符串拼接，得到每一張訓練圖片的完整路徑img = imread（str）;%讀入訓練圖片irow icol = size（img）;%導到圖片大小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，獲得人臉圖像的訓練集并計算特征臉，定義為人臉空間，存儲在模板庫中，以便系統(tǒng)進行識別；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)庫中的某個人，并做出具體的操作。PCAA臉識別流程通過圖像預(yù)處理后，PCAAJ僉識別還包括以下幾個步驟：讀入人臉庫，訓練成特 征子空間；把訓練圖像和測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)進行識別。下面詳細描述整個過程：讀入人臉庫歸一化人臉庫后，將庫中的每人選擇一定數(shù)量的圖像構(gòu)成訓練集，其余構(gòu)成測試集。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維空間中的一個點，可以通過 K-L變換用一個低維子空間描述這個圖像。計算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）, 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這樣可計算協(xié)

14、方差矩陣，如式（2-3）所示:_1 TC= Xi(Xi)(2-3)N i4計算矩陣C的特征值入k和對應(yīng)特征向量Mk。2 一一 2但是在實際計算中，矩陣 C的大小是N MN ,即使對尺寸較小的圖像計算量還是很大。為了減小運算量，現(xiàn)將每幅圖像的均差形成一個矩陣，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，將計算x(X)t的特征值均和對應(yīng)特征向量 j的問題轉(zhuǎn)化為求(x)Tx的特征

15、值 貓和對應(yīng)的特征向量 ；的問題。(x)Tx的大小僅為 NX N遠 遠小于N2MN2,故簡化了計算。在求出 ;后，j可以通過式(2-6)得到：工1= j = -1 X j(2-6)m j把訓練圖像和測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，將人臉圖像庫中所有 N個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)對于待識別人臉圖像I,計算其與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)再與人臉圖像庫中 n個人臉圖像對應(yīng)的投影向量Y,y2,，YN比較，按照一定的距離準則完成識別。比較測試圖像和訓練圖像，確定待識別樣本類別這里可以采用多種不同的分類器進行分類：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個非零的特征值對應(yīng)的特征向量。雖然協(xié)方差矩陣 C最多有對應(yīng)于非零特征值的N個特征向量，且rWN,但是通常情況下，r仍然會太大，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)，若考慮到計算時間等因素，可以適當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別性能。下面將討論幾種不同的特征值選擇方法：標準的特征空間投影：所有r個對應(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，計算速度會較慢，且不利于分類。為進一步壓縮特征向量和減小運算量，將特征值按大小順序排序，忽略小特征值所對應(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L_eig_vec = L_eig_vec V(:,i);%中對應(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。通常有兩種方法來判別：一種是計算在N維空間中圖像間的距離，另一種是測量圖像間的相似性。當測量距離時，我們希望距離盡可能地小，一般選擇與測試圖像最近的訓練圖像作為它的所屬的 類別。而測量相似性的時候，則希望圖像盡可能地相似，也就是說具有最大的相似性的訓練 圖像類別是測試圖像所屬的類別。而本實驗主要采取的是歐式距離來度量的。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個元素，K表示特征向量維數(shù)。相應(yīng)的點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個參考特征向量的第i個元素，min ()表示輸入特征向量 和參考類c個參考特征向量歐式距離的最小值。計算向量與哪類人臉的向量距離最近，得 到識別的結(jié)果。Matlab代碼的實現(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;% 測試圖像的特征向量Euc_dist =;for i = 1 : Train_Number%寸每列q = ProjectedImages(:,i);%取出訓練圖像%歐式距離temp = ( norm( ProjectedTestImage - q ) )A2;Euc_dist = Euc_dist temp;%end、實驗主程序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、實驗結(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運行主程序時，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之后還會彈出你想要匹配的圖片號（1-10）（如圖3-5）圖3-5最終會顯示出 Test Image和在TrainDatabase里匹配出來 Equivalent Image。如果所要匹配的圖片和TrainDatabase里的圖片相同，則匹配出來的圖片則相同（如圖 3-6）;圖3-64、結(jié)論與不足通過這個實驗報告，使我對Matlab編程有了更深刻的了解，在編程的同時， 還得把本學期學習的相關(guān)的理論知識（比如 PCAffi關(guān)算法）應(yīng)用上，毫無疑問， 這鞏固了本學期所學的相關(guān)知識，更有利我們深刻了解人臉識別相關(guān)的理論。通過這個實驗，由于我的樣本值都取得很少，同時，人臉庫也是標準ORL人臉庫，所以最后實現(xiàn)的人臉匹配度還是令人欣慰的， 可以做到只要訓練樣本里 有的圖片，都可把匹配的圖片找出來。不足：通過測試，假如訓練樣本里沒有的圖片，我們是不能找出與之相近似的圖 片，這還得通過后期的修改和調(diào)試；由于本次實驗的樣本選得比較少， 若在樣本很多的情況下，可