基于PCA的人臉識別研究報告樣本

課程設(shè)計設(shè)計課程： 模式辨認(rèn)題目基于PCA辦法人臉辨認(rèn)學(xué)生姓名 學(xué)號 學(xué)院 專業(yè) 指引教師年12月目錄摘要課程設(shè)計目…..….…………3課程設(shè)計規(guī)定….………….….3題目分析…………….………..3總體設(shè)計……………….…………….……….3詳細(xì)設(shè)計……………..…….…46.1、創(chuàng)立數(shù)據(jù)庫…………..…………46.2、計算特性臉…………………..…56.3、人臉辨認(rèn)......................................................................................6成果分析….……....................9心得體會…………….………9參照文獻(xiàn)…………….………10摘要隨著人類社會進(jìn)步，以及科技水平提高，某些老式身份認(rèn)證辦法逐漸暴露出各種問題，因而人們需要采用一種更加可靠安全身份認(rèn)證辦法。毫無疑問人體生物特性獨(dú)一無二，特別是其不容易丟失及復(fù)制特性較好滿足了身份辨認(rèn)需要。并且隨著計算機(jī)科學(xué)技術(shù)和生物醫(yī)學(xué)發(fā)展使得運(yùn)用生物特性辨認(rèn)成為了也許。因而基于指紋、人臉、視網(wǎng)膜等生物特性辨認(rèn)辦法也越來越多。由于人臉辨認(rèn)操作迅速簡樸，成果直觀，精確可靠，不需要人配合等長處已成為人們關(guān)注焦點(diǎn)。主成分分析（PCA）法通過提取高維度人臉圖像主元，使得圖像在低維度空間中被解決來減少了圖像解決難度。由于其有效解決了圖像空間維數(shù)過高問題，已經(jīng)成為人臉辨認(rèn)領(lǐng)域非常重要理論。本次研究就是基于PCA人臉辨認(rèn)算法實(shí)現(xiàn)。本文按照完整人臉辨認(rèn)流程來分析基于PCA人臉辨認(rèn)算法實(shí)現(xiàn)性能。一方面使用慣用人臉圖像獲取辦法獲取人臉圖像。本文為了更好分析基于PCA人臉辨認(rèn)系統(tǒng)性能分別選用了Essex人臉數(shù)據(jù)庫和ORL人臉庫，并在后期采用了自建人臉庫。接下來是人臉圖像預(yù)解決辦法。由于采用人臉圖像質(zhì)量較好，并且已經(jīng)做過相應(yīng)預(yù)解決，因此本文實(shí)驗(yàn)中只使用灰度解決。接著使用PCA提取人臉特性，使用奇異值分解定理計算協(xié)方差矩陣特性值和特性向量以及使用近來鄰法分類器歐幾里得距離來進(jìn)行人臉鑒別分類。在實(shí)驗(yàn)中咱們發(fā)現(xiàn)基于PCA人臉辨認(rèn)系統(tǒng)辨認(rèn)率很高，并且具備一定魯棒性，因此基于PCA人臉辨認(rèn)算法實(shí)現(xiàn)研究還是故意義?！竞诵脑~】人臉辨認(rèn)PCA算法歐幾里得課程設(shè)計目簡介基于PCA人臉辨認(rèn)算法實(shí)現(xiàn)，先簡介PCA算法理論基本，另一方面簡介了其在數(shù)字圖像領(lǐng)域應(yīng)用，最后結(jié)合詳細(xì)研究詳述了研究過程。課程設(shè)計規(guī)定

1:一張新圖片也表達(dá)為d向量，記為D，D大小1×n2：D乘以上面訓(xùn)練得到T，得到這個圖片向量D在T下投影向量P，p大小1×k。

3：計算p與上面所有pn向量距離，與p最小那個向量所相應(yīng)人臉圖片跟這張新人臉圖片最像。題目分析應(yīng)用程序功能需求分析該軟件最重要功能就是要能辨認(rèn)出人臉，一方面該系統(tǒng)需要對通過攝像頭拍照而獲取到原始人臉圖片進(jìn)行一系列解決才可進(jìn)行下一步工作，該解決過程也稱圖像預(yù)解決。預(yù)解決這個模塊在整個人臉辨認(rèn)系統(tǒng)開發(fā)過程中占有很重要地位，只有預(yù)解決模塊做好，才也許較好完畢背面人臉定位和特性提取這兩大核心模塊。因而本設(shè)計中所要完畢重要功能如下所述：1）圖像獲取功能：該模塊重要是從攝像頭拍照后進(jìn)行獲取圖片，也可以從圖片庫中獲取，獲取后圖片可以在軟件界面中顯示出來以便進(jìn)行辨認(rèn)。2）圖像預(yù)解決功能：該模塊重要涉及圖像光線補(bǔ)償、圖像變成灰色、高斯平滑、均衡直方圖、實(shí)現(xiàn)圖像對比度增強(qiáng)、二值化變換等。3）人臉定位功能：該模塊重要是將解決后人臉圖片進(jìn)行定位，將眼睛、鼻子、嘴巴標(biāo)記出來，以便進(jìn)行特性提取。4）特性提取功能：該模塊是在定位后人臉圖片中將眼睛、鼻子、嘴巴特性值提取出來。5）辨認(rèn)功能：該模塊是將從圖片中提取特性值和后臺數(shù)據(jù)庫中值進(jìn)行比較來完畢辨認(rèn)功能。四、總體設(shè)計主成分分析為一種記錄學(xué)中特性提取辦法，在實(shí)際中應(yīng)用非常廣泛。PCA是通過提取原始數(shù)據(jù)主元來減少數(shù)據(jù)冗余，使數(shù)據(jù)在低維度空間中被解決，同步它還能較好保持了原始數(shù)據(jù)絕大某些信息，有效解決了由于空間維數(shù)過高而導(dǎo)致一系列問題。如下將詳細(xì)簡介如何使用PCA算法進(jìn)行人臉辨認(rèn)。五、詳細(xì)設(shè)計1、創(chuàng)立數(shù)據(jù)庫在本環(huán)節(jié)中重要分為兩個階段，分別為：讀入系統(tǒng)人臉數(shù)據(jù)庫，并將圖像變換為相應(yīng)灰度圖像(a)(b)圖(a)圖像為系統(tǒng)人臉數(shù)據(jù)庫中原始人臉圖像，(b)圖像為通過灰度轉(zhuǎn)換后人臉圖像（2）同步將變換后二維人臉灰度圖像變換為一維人臉向量矩陣一種大小為M*N二維人臉圖像可以當(dāng)作長度為MN人臉圖像列向量。為了將二維人臉圖像變?yōu)橛X得列向量，咱們采用辦法為：一方面計算出人臉圖像大小，然后將人臉圖像經(jīng)行轉(zhuǎn)置，最后按列依次取出取出所有灰度值形成大小為MN一維向量，其實(shí)整個階段效果相稱于將圖像灰度值按行取出依次連接成一維圖像向量。本環(huán)節(jié)完畢后將會產(chǎn)生由一維圖像向量構(gòu)成矩陣T。2、計算特性臉本環(huán)節(jié)重要涉及三個階段，分別為：1）對圖像矩陣T進(jìn)行規(guī)范化一方面計算出圖像矩陣中一維列向量平均值m，然后對圖像矩陣每一列都減去平均值形成規(guī)范化圖像矩陣A。2）計算特性臉人臉訓(xùn)練圖像協(xié)方差矩陣為，其中人臉訓(xùn)練樣本為，維度為，則協(xié)方差矩陣C維度為。這就浮現(xiàn)問題，C維度過高，在實(shí)際中直接計算它特性值和特性向量非常困難。因而，本文使用奇異值分解定理來解決這個問題。奇異值分解定理：假設(shè)B為維秩為p矩陣，則存在兩個正交矩陣和一種對角矩陣：正交矩陣為 （4.23） （4.24）其中 （4.25） （4.26）對角矩陣為則可以得到，并且和有共同非零特性值，和分別為和相應(yīng)特性值正交特性向量。由上述定理可以得到 （4.27）則可以由協(xié)方差矩陣，構(gòu)造出矩陣，從而容易求出L特性值和特性向量，再依照上述（4-27）式可以求得協(xié)方差C特性值和特性向量。事實(shí)上咱們并不需要協(xié)方差所有特性值和特性向量，m個（m<M，M為特性值數(shù)目）個特性值足夠用于人臉辨認(rèn)。因此，實(shí)際操作中，只取L前m個最大特性值相應(yīng)特性向量用于計算特性臉。在本環(huán)節(jié)，本文通過直接構(gòu)造，來計算出L特性值，再挑選L特性值不不大于100作為C特性值，最后通過C特性值計算出它特性向量，從而形成特性臉。3、人臉辨認(rèn)人臉辨認(rèn)過程分為訓(xùn)練和測試兩個階段。在訓(xùn)練階段，重要是提取數(shù)據(jù)庫人臉圖像特性，并形成特性庫。在測試階段，重要是提取待辨認(rèn)圖像特性和計算提取特性和特性庫中特性之間距離測度，并輸出最小距離測度相應(yīng)人臉圖像作為成果。詳細(xì)環(huán)節(jié)如下：1）訓(xùn)練階段將規(guī)范化圖像矩陣A中每一列向量投影到特性子空間，形成特性庫。2）測試階段eq\o\ac(○,1)假設(shè)測試人臉圖像為Y，在人臉辨認(rèn)前，先對其進(jìn)行原則化，即。eq\o\ac(○,2)把原則化后人臉圖像向特性子空間進(jìn)行投影得到向量。eq\o\ac(○,3)本文使用近來鄰法分類器歐幾里德距離[14,15]進(jìn)行判決分類。測試圖像與每個人臉圖像間距離為(k=1,2,…,P)，并將最小距離相應(yīng)訓(xùn)練圖像作為測試圖像匹配圖像?？梢钥闯?，在人臉姿態(tài)、表情有略微變化狀況下仍舊可以成功辨認(rèn)出對的人臉。人臉姿態(tài)發(fā)生變化下人臉辨認(rèn)成果人臉表情變化下人臉辨認(rèn)成果之后咱們運(yùn)用ORL人臉庫和自建人臉庫分別進(jìn)行了測試。在ORL人臉庫辨認(rèn)過程中，咱們選用了20個人，每人4張照片作為訓(xùn)練樣本。并對這20個人每人另取了一張照片作為測試樣本。每個人測試后最后記錄成功辨認(rèn)17個人，辨認(rèn)失敗3人。由于咱們采用是近來鄰法分類器歐幾里德距離進(jìn)行判決分類，因而對于辨認(rèn)失敗人同樣會顯示與其距離最小照片。為理解決這個問題，咱們決定在該判決分類基本上加上閾值限制，當(dāng)最小歐幾里德距離高于某個值時，不再顯示近來鄰照片，而是顯示“無法辨認(rèn)”提示。成功辨認(rèn)如下：當(dāng)用訓(xùn)練集以外人圖像進(jìn)行測試時，歐幾里德距離不不大于閾值，顯示無法辨認(rèn)。接下來咱們對歐幾里得距離閾值進(jìn)行了一定選用測試。如下圖所示當(dāng)閾值選用較大時（閾值取9*10^15），圖像可以更好辨認(rèn)出來，但是此時不可避免就是減少人臉辨認(rèn)精確率，因而個別測試圖像由于不原則而與訓(xùn)練庫中某些圖像距離更小，就導(dǎo)致了辨認(rèn)錯誤。如下圖所示，此時由于兩幅圖像歐幾里得距離更小，因而系統(tǒng)顯示辨認(rèn)對的，其實(shí)是錯誤。以測試圖像3.jpg為例。而當(dāng)閾值設(shè)定比較小時（閾值取4.5*10^15），可以看到上面測試圖像3.jpg無法再辨認(rèn)成功，由于沒有足夠近距離訓(xùn)練樣本。盡管17.jpg訓(xùn)練樣本與3.jpg測試圖像歐幾里得距離最小，但因不在閾值范疇內(nèi)故表白不是匹配圖像。同樣當(dāng)閾值減小后，之前成功辨認(rèn)11.jpg圖像無法再成功辨認(rèn)出來。六、成果分析在選定歐幾里得近來距離鑒定距離時要考慮不能選用過大，減少成功率。因而我以為在建立人臉庫時，盡量使所有圖像在相似背景下進(jìn)行采樣，這樣可以時每個人測試圖像和訓(xùn)練圖像間歐幾里得距離均處在較小范疇內(nèi)，可以提高精確率。此外，咱們嘗試用稍微側(cè)斜和表情夸張樣本照片進(jìn)行人臉辨認(rèn)。當(dāng)側(cè)臉和表情夸張照片作為測試樣本時，程序仍舊可以成功辨認(rèn)出相應(yīng)人臉照片，然而當(dāng)這些側(cè)臉和表情夸張照片作為訓(xùn)練樣本中圖像時，也許會影響其她測試圖像辨認(rèn)成功率，由于咱們沒有對側(cè)臉進(jìn)行研究，因而將問題放在后續(xù)工作中解決。七、心得體會本文研究是基于PCA人臉辨認(rèn)算法實(shí)現(xiàn)。在實(shí)驗(yàn)中采用人臉數(shù)據(jù)庫為Essexfaces94人臉數(shù)據(jù)庫和自建人臉數(shù)據(jù)庫，人臉特性提取算法為PCA算法，分類辦法采用是最小距離分類法。通過實(shí)驗(yàn)發(fā)當(dāng)前無光照變換，正面姿態(tài)，少量遮擋狀況下，基于PCA人臉辨認(rèn)系統(tǒng)辨認(rèn)率很高，并且反映很迅速。固然也存在著某些問題，例如本文對圖像光照變化，其她姿態(tài)沒有進(jìn)行考慮，但實(shí)際中這是無法忽視問題，有也許會導(dǎo)致人臉辨認(rèn)辨認(rèn)率減小。為了進(jìn)一步提高基于PCA人臉辨認(rèn)系統(tǒng)性能和適應(yīng)性，咱們可以通過如下幾種方面進(jìn)行改進(jìn)：改進(jìn)圖像獲取辦法：咱們可以通過使用人臉檢測和跟蹤算法，在圖像獲取時候，動態(tài)跟蹤和檢測人臉，只采集最佳姿態(tài)下人臉圖像。這在一定限度可以解決姿態(tài)所引起問題，但也同步對系統(tǒng)檢測和跟蹤人臉反映時間提出較嚴(yán)格規(guī)定。如果反映時間較長，對于迅速移動人臉也許錯過采集最佳姿態(tài)圖像，而導(dǎo)致系統(tǒng)無法辨認(rèn)人臉。改進(jìn)人臉辨認(rèn)分類器：近來鄰法分類器屬于一種線性分類器。在實(shí)際中可以運(yùn)用神經(jīng)網(wǎng)絡(luò)此類學(xué)習(xí)能力強(qiáng)非線性分類器對高維人臉辨認(rèn)也許會獲得更好效果。綜合不同人臉辨認(rèn)辦法：在當(dāng)前，僅僅單獨(dú)采用一種既有人臉辨認(rèn)辦法普通都不會獲得較好辨認(rèn)效果。各種技術(shù)和辦法均有自己不同適應(yīng)環(huán)境和各自特點(diǎn)。如果咱們想進(jìn)一步提高人臉辨認(rèn)系統(tǒng)辨認(rèn)率，可以考慮使用數(shù)據(jù)融合理論，將不同辦法綜合起來，互相補(bǔ)充，來獲得較好人臉辨認(rèn)效果。這也是為人臉辨認(rèn)研究趨勢之一。八、參照文獻(xiàn)程自龍，雷秀玉．基于K-L變換(PCA)特性臉人臉辨認(rèn)辦法綜述[J]．中華人民共和國圖像圖形學(xué)報，，20(22)：15-18．倪世貴，白寶剛．基于PCA人臉辨認(rèn)研究[J]．當(dāng)代計算機(jī)，，23(42):20-22．徐飛．Matlab應(yīng)用圖像解決[M].西安：西安電子科技大學(xué)出版社，．王映輝．人臉辨認(rèn)：原理，辦法與技術(shù)[M].北京：科學(xué)出版社，．田印中，董志學(xué)，黃建偉．基于PCA人臉辨認(rèn)算法研究及實(shí)現(xiàn)[J]．內(nèi)蒙古科技與經(jīng)濟(jì)，，4(208)：15-18．劉學(xué)勝．基于PCA和SVM算法人臉辨認(rèn)[J]．計算機(jī)與數(shù)字工程，，14(3)：56-58．陳惠明．圖像歐氏距離在人臉辨認(rèn)中應(yīng)用研究[J]．計算機(jī)工程與設(shè)計，，3(14)：22-25．附程序代碼：main.mclearallclccloseallTrainDatabasePath=('E:\train');TestDatabasePath=('E:\test');prompt={'Entertestimagename:'};dlg_title='InputofPCA-BasedFaceRecognitionSystem';num_lines=1;def={'1'};TestImage=inputdlg(prompt,dlg_title,num_lines,def);TestImage=strcat(TestDatabasePath,'\',char(TestImage),'.jpg');im=imread(TestImage);T=CreateDatabase(TrainDatabasePath);[m，A，Eigenfaces]=EigenfaceCore(T);[OutputName，Euc_dist_min]=Recognition(TestImage，m，A，Eigenfaces);SelectedImage=strcat(TrainDatabasePath,'\',OutputName);SelectedImage=imread(SelectedImage);if(Euc_dist_min<=4.5*10^15)imshow(im)title('TestImage');figure,imshow(SelectedImage);title('EquivalentImage');str=strcat('Matchedimageis：',OutputName);disp(str)Euc_dist_minendif(Euc_dist_min>4.5*10^15)str=strcat('?T·¨ê?±e.×??ó?üμ?ê?￡o',OutputName);disp(str)Euc_dist_minEndCreateDatabase.mfunctionT=CreateDatabase(TrainDatabasePath)TrainFiles=dir(TrainDatabasePath);Train_Number=0;fori=1:size(TrainFiles,1)ifnot(strcmp(TrainFiles(i).name,'.')|strcmp(TrainFiles(i).name,'..')|strcmp(TrainFiles(i).name,'Thumbs.db'))Train_Number=Train_Number+1；endendT=[];fori=1：Train_Numberstr=int2str(i);str=strcat('\',str,'.jpg');str=strcat(TrainDatabasePath,str);img=imread(str);img=rgb2gray(img);[irowicol]=size(img);temp=reshape(img',irow*icol,1)；T=[Ttemp]；endEigenfaceCore.mfunction[m，A，Eigenfaces]=EigenfaceCore(T)m=mean(T,2);Train_Number=size(T,2);A=[]；fori=1：Train_Numbertemp=double(T(:,i))-m;A=[Atemp]；endL=A'*A；[VD]=eig(L)；L_eig_vec=[];fori=1：size(V,2)if(D(i,i)>1)L_eig_vec=[L_eig_vecV(:,i)