人臉識別系統(tǒng)-開放試驗報告范文

1、Z 腳 ANC (JNIVEKSITAT FUR WOTHAFT IlNDTECIIK開放性實驗報告人臉識別系統(tǒng)小組成員：姓名 學號 109021075指導老師: 彭艷斌2011年12月【實驗名稱】人臉識別系統(tǒng)【實驗目的】1.對人臉識別系統(tǒng)的圖像預處理有一定的掌握；2. 對后續(xù)操作只簡單了解；3. 通過功能模塊實現(xiàn)人臉識別系統(tǒng)。【實驗內(nèi)容】1.系統(tǒng)需求分析；2. 系統(tǒng)設(shè)計；3. 系統(tǒng)實現(xiàn)。【實驗步驟】一、系統(tǒng)需求分析1、目的與背景當前社會上頻繁出現(xiàn)的入室偷盜、搶劫、傷人等案件的不斷發(fā)生,鑒于此種原因，防盜門開始走進千家萬戶，給家庭帶來安寧；然 而，隨著社會的發(fā)展，技術(shù)的進步，生活節(jié)奏的加速，消

2、費水平 的提高，人們對于家居的期望也越來越高，對便捷的要求也越來 越迫切，基于傳統(tǒng)的純粹機械設(shè)計的防盜門，除了堅固耐用外， 很難快速滿足這些新興的需求：便捷，開門記錄等功能。廣義的人臉識別實際包括構(gòu)建人臉識別系統(tǒng)的一系列相關(guān)技術(shù)， 包括人臉圖像采集、人臉定位、人臉識別預處理、身份確認以及 身份查找等；而狹義的人臉識別特指通過人臉進行身份確認或者 身份查找的技術(shù)或系統(tǒng)。人瞼特征點分布圖示例人臉識別生物特征識別技術(shù)所研究的生物特征包括臉、指紋、手掌紋、虹膜、視網(wǎng)膜、聲音（語音）、體形、個人習慣（例如敲擊鍵盤 的力度和頻率、簽字）等，相應的識別技術(shù)就有人臉識別、指紋 識別、掌紋識別、虹膜識別、視網(wǎng)膜

3、識別、語音識別（用語音識 別可以進行身份識別，也可以進行語音內(nèi)容的識別，只有前者屬 于生物特征識別技術(shù)）、體形識別、鍵盤敲擊識別、簽字識別等。人臉識別主要用于身份識別。由于視頻監(jiān)控正在快速普及，眾多 的視頻監(jiān)控應用迫切需要一種遠距離、用戶非配合狀態(tài)下的快速 身份識別技術(shù)，以求遠距離快速確認人員身份，實現(xiàn)智能預警。人臉識別技術(shù)無疑是最佳的選擇，采用快速人臉檢測技術(shù)可以從 監(jiān)控視頻圖象中實時查找人臉，并與人臉數(shù)據(jù)庫進行實時比對， 從而實現(xiàn)快速身份識別二.系統(tǒng)設(shè)計1）理論知識fisher概念引出在應用統(tǒng)計方法解決模式識別問題時，為了解決“維數(shù)災難”的 問題，壓縮特征空間的維數(shù)非常必要。fisher方

4、法實際上涉及到維 數(shù)壓縮的問題。fisher分類器是一種幾何分類器，包括線性分類器 和非線性分類器。線性分類器有：感知器算法、增量校正算法、LMSE分類算法、Fisher分類。若把多維特征空間的點投影到一條直線上，就能把特征空間壓縮 成一維。那么關(guān)鍵就是找到這條直線的方向，找得好，分得好，找不 好，就混在一起。因此fisher方法目標就是找到這個最好的直線方 向以及如何實現(xiàn)向最好方向投影的變換。 這個投影變換恰是我們所尋 求的解向量W* ,這是fisher算法的基本問題。樣品訓練集以及待測樣品的特征數(shù)目為n。為了找到最佳投影方向，需要計算出各類均值、樣品類內(nèi)離散度矩陣 S和總類間離散度矩 陣&

5、amp;、樣品類間離散度矩陣&,根據(jù)Fisher準則，找到最佳投影準 則，將訓練集內(nèi)所有樣品進行投影，投影到一維 Y空間，由于Y空間 是一維的，則需要求出Y空間的劃分邊界點，找到邊界點后，就可以 對待測樣品進行進行一維 Y空間的投影，判斷它的投影點與分界點的 關(guān)系，將其歸類。Fisher法的核心為二字：投影人臉槍測 I 輸入圖ft初始化Isher判別分類器1) 一維實現(xiàn)方法(1) 計算給類樣品均值向量m , m是各個類的均值，N是叫類的樣 品個數(shù)。1寸miX i =1,2,.,nNi X 5(2) 計算樣品類內(nèi)離散度矩陣§和總類間離散度矩陣SwSi = '、 (X -

6、mi)(X - mi)Ti =1,2,., nx Sw = '、 Si i d(3) 計算樣品類間離散度矩陣&Sb = (m1 - m2)(m1 - m2)T(4) 求向量W*我們希望投影后，在一維Y空間各類樣品盡可能地分開，也就是說我們希望兩類樣品均值之差(mm2)越大越好，同時希望 各類樣品內(nèi)部盡量密集，即希望類內(nèi)離散度越小越好，因此，我們可以定義Fisher準則函數(shù)：jf(w)= WtSW WtSwW使得Jf(W)取得最大值的W*為W =sW(m-m2)(5) 將訓練集內(nèi)所有樣品進行投影* Ty = W )T X(6) 計算在投影空間上的分割閾值y。在一維y空間，各類樣品

7、均值m為1. my i=i,2,.,nNi y 三 i，樣品類內(nèi)離散度矩陣S；和總類間離散度矩陣SwSi2 八(y-m)2y i,-.2Sw Sii =1【注】【閾值y。的選取可以由不同的方案：較常見的一種是N1m1 - N2m2y。一 N1 N2另一種是V 一 m m2 . ln(P( i)/P( 2) y0 _2Ni+N-2(7) 對于給定的X,計算出它在W*上的投影y(8) 根據(jù)決策規(guī)則分類-Ly y。= Xiy y。= x22) matlab 編程1、matlab程序分為三部分。程序框圖如下圖所示打開程序進行人臉識別變化角度四、代碼實現(xiàn)A. 第一部分：CreatDatabase.m f

8、unction T = CreatDatabase(TrainDatabasePath) TrainFiles = dir(TrainDatabasePath); Train_Number = 0; %件數(shù) % for i = 1:size(TrainFiles,1) if not(strcmp(TrainFiles(i).name, '.' )|strcmp(TrainFiles(i).name, '.' )|strcmp(Trai nFiles(i).name, 'Thumbs.db') Train_Number = Train_Number

9、 + 1; end end % 專一維 % T =; for i = 1 : Train_Number str = int2str(i);%E文件索引轉(zhuǎn)換為字符串格式str = strcat( '' ,str, '.pgm'); str = strcat(TrainDatabasePath,str); img = imread(str); irow icol = size(img); temp = reshape(img',irow*icol,1);T = T temp;endT = double (T);B. 第二部分：FisherfaceCorefu

10、nction m_database V_PCA V_Fisher ProjectedImages_Fisher Class_numberClass_population = FisherfaceCore(T)%注釋 %m_database - (M*Nx1)維的訓練樣本均值%V_PCA - (M*Nx(P-C)訓練樣本協(xié)方差的特征向量%V_Fisher - (P-C)x(C-1)最大的(C-1)維 J = inv(Sw) * Sb的特征矩陣%ProjectedImages_Fisher - (C-1)xP)維訓練樣本，這些樣本從 fisher 線性空間中提取%量賦值 %Class_number

11、=(size(T,2)/9;類的數(shù)目，除以8取決于樣本中有多少類人Class_population = 9;冽一類的圖像數(shù)目P = Class_population * Class_number;%、訓練樣本的數(shù)目%均值 %m_database = mean(T,2);%°包含T每一行均值的列向量%W方差 %A = T - repmat(m_database,1,P);%特征臉的算法 %L = A' * A;V D = eig(L);V = fliplr(V);%小的特征值%L_eig_vec = ;dig = fliplr(max(D);for i = 1 : Class_

12、numberL_eig_vec = L_eig_vec V(:,i)/sqrt(dig(i);end%煩特征矩陣的協(xié)方差矩陣C%V_PCA = A * L_eig_vec;%V_PCA是降維后的協(xié)方差矩陣ProjectedImages_PCA =;for i = 1 : Ptemp = V_PCA'*A(:,i);ProjectedImages_PCA = ProjectedImages_PCA temp;end%御盼類器的設(shè)計方法 %嘛在特征空間里面每一個類的均值%m_PCA = mean(ProjectedImages_PCA,2)%f 征空間總的均值m = zeros( Clas

13、s_number, Class_number );Sw = zeros( Class_number, Class_number);Sb = zeros( Class_number, Class_number);for i = 1 : Class_numberm(:,i)= mean( ( ProjectedImages_PCA(:,(i-1)*Class_population+1):i*Class_population),2 )'%每一類的樣本分別求均值S = zeros(Class_number, Class_number);for j = (i-1) * Class_populat

14、ion + 1) : ( i*Class_population )S = S + ( ProjectedImages_PCA(:,j) - m(:,i) * (ProjectedImages_PCA(:,j)-m(:,i)'endSw = Sw + S;Sb = Sb + (m(:,i) - m_PCA) * (m(:,i) - m_PCA)' end% fisher判別準則，目標是獲取最大類間離散度和最小類內(nèi)離散度%?%? ?士 e e ?£ o?e ?X ?' 6 d a ?a ?e 0?e oi X ?D?卬?a a ?u a ?e 0?e ?£

15、; J_eig_vec, J_eig_val = eig(Sb,Sw);J_eig_val = max(J_eig_val);J_eig_vec = fliplr(J_eig_vec);% 0特征根和排序for i = 1 : Class_number - 1V_Fisher(:,i) = J_eig_vec(:,i);%fisher 判別法將 M隹映射到 C-1 維end%fisher線性空間中提取圖像 %Yi = V_Fisher' * V_PCA' * (Ti - m_database)for i = 1: Class_number * Class_populationP

16、rojectedImages_Fisher(:,i) = V_Fisher' * ProjectedImages_PCA(:,i);end 知PC俎渡到FLD%img_fisher = w_fisher' * pca_img;%ProjectedImages_Fisher = V_Fisher' * ProjectedImages_PCA;C. 第三部分：Recognition.mfunction OutputName = Recognition(TestImage, m_database, V_PCA, V_Fisher, ProjectedImages_Fisher

17、, Class_number, Class_population)%函數(shù)描述：這個函數(shù)將源圖像提取成特征臉，然后比較它們之間的歐幾里得距離9輸入量：TestImage -測試樣本的路徑%V_PCA - (M*Nx(P-C)訓練樣本協(xié)方差的特征向量%V_Fisher - (P-C)x(C-1)最大的(C-1)維 J = inv(Sw) * Sb的特征矩陣%ProjectedImages_Fisher - (C-1)xP)維訓練樣本，這些樣本從fisher 線性空間中提取%Class_number-類的數(shù)目%Class_population- 每一類圖像的數(shù)目%返回值：OutputName -在訓

18、練樣本中的被識別的圖像的名字Train_Number = size(ProjectedImages_Fisher,2);%!%取 pc麻征 %InputImage = imread(TestImage);temp = InputImage(:,:,1);irow icol = size(temp);InImage = reshape(temp',irow*icol,1);Difference = double(InImage)-m_database;ProjectedTestImage = V_Fisher' * V_PCA' * Difference;%歐% 何距離 %Euc_dist =;for i = 1 : Train_Numberq = ProjectedImages_Fisher(:,i);temp = ( norm( ProjectedTestImage - q )人2 ;Euc_dist = Euc_dist temp;endEuc_dist2 = ;fo