人臉識(shí)別系統(tǒng)-開放試驗(yàn)報(bào)告范文

1、 ZH1IIANG UMVERSITAT FUR WtSSEWSCHAFT UlMDTECHNIK 開放性實(shí)驗(yàn)報(bào)告 人臉識(shí)別系統(tǒng) 小組成員： 姓名 _ 學(xué)號(hào) 109021075_ 指導(dǎo)老師: 彭艷斌 2011 年 12 月 【實(shí)驗(yàn)名稱】人臉識(shí)別系統(tǒng) 【實(shí)驗(yàn)?zāi)康摹?.對(duì)人臉識(shí)別系統(tǒng)的圖像預(yù)處理有一定的掌握； 2. 對(duì)后續(xù)操作只簡(jiǎn)單了解； 3. 通過功能模塊實(shí)現(xiàn)人臉識(shí)別系統(tǒng)。 【實(shí)驗(yàn)內(nèi)容】1.系統(tǒng)需求分析； 2. 系統(tǒng)設(shè)計(jì)； 3. 系統(tǒng)實(shí)現(xiàn)。 【實(shí)驗(yàn)步驟】 一、系統(tǒng)需求分析 1、目的與背景 當(dāng)前社會(huì)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(jìn)千家萬戶，給家庭帶

2、來安寧；然 而，隨著社會(huì)的發(fā)展，技術(shù)的進(jìn)步，生活節(jié)奏的加速，消費(fèi)水平 的提高，人們對(duì)于家居的期望也越來越高，對(duì)便捷的要求也越來 越迫切，基于傳統(tǒng)的純粹機(jī)械設(shè)計(jì)的防盜門，除了堅(jiān)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(shí)別實(shí)際包括構(gòu)建人臉識(shí)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(shí)別預(yù)處理、身份確認(rèn)以及 身份查找等；而狹義的人臉識(shí)別特指通過人臉進(jìn)行身份確認(rèn)或者 身份查找的技術(shù)或系統(tǒng)。 人臉特征點(diǎn)仆布圖示例 人臉識(shí)別 生物特征識(shí)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(gè)人習(xí)慣（例如敲擊鍵盤 的力度和頻率、簽

3、字）等，相應(yīng)的識(shí)別技術(shù)就有人臉識(shí)別、指紋 識(shí)別、掌紋識(shí)別、虹膜識(shí)別、視網(wǎng)膜識(shí)別、語音識(shí)別（用語音識(shí) 別可以進(jìn)行身份識(shí)別，也可以進(jìn)行語音內(nèi)容的識(shí)別，只有前者屬 于生物特征識(shí)別技術(shù)）、體形識(shí)別、鍵盤敲擊識(shí)別、簽字識(shí)別等。 人臉識(shí)別主要用于身份識(shí)別。由于視頻監(jiān)控正在快速普及，眾多 的視頻監(jiān)控應(yīng)用迫切需要一種遠(yuǎn)距離、用戶非配合狀態(tài)下的快速 身份識(shí)別技術(shù)，以求遠(yuǎn)距離快速確認(rèn)人員身份，實(shí)現(xiàn)智能預(yù)警。 人臉識(shí)別技術(shù)無疑是最佳的選擇，采用快速人臉檢測(cè)技術(shù)可以從 監(jiān)控視頻圖象中實(shí)時(shí)查找人臉，并與人臉數(shù)據(jù)庫進(jìn)行實(shí)時(shí)比對(duì)， 從而實(shí)現(xiàn)快速身份識(shí)別 二系統(tǒng)設(shè)計(jì) 1) 理論知識(shí) fisher 概念引出 在應(yīng)用統(tǒng)計(jì)方法解決

4、模式識(shí)別問題時(shí)，為了解決“維數(shù)災(zāi)難”的 問題，壓縮特征空間的維數(shù)非常必要。 fisher 方法實(shí)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(diǎn)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(biāo)就是找到這個(gè)最好的直線方 向以及如何實(shí)現(xiàn)向最好方向投影的變換。 這個(gè)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

5、品訓(xùn)練集以及待測(cè)樣品的特征數(shù)目為 n。為了找到最佳投影方 向，需要計(jì)算出各類均值、樣品類內(nèi)離散度矩陣 Si和總類間離散度矩 陣Sw、樣品類間離散度矩陣Sb，根據(jù) Fisher 準(zhǔn)則，找到最佳投影準(zhǔn) 則，將訓(xùn)練集內(nèi)所有樣品進(jìn)行投影，投影到一維 丫空間，由于丫空間 是一維的，則需要求出丫空間的劃分邊界點(diǎn)，找到邊界點(diǎn)后，就可以 對(duì)待測(cè)樣品進(jìn)行進(jìn)行一維 丫空間的投影，判斷它的投影點(diǎn)與分界點(diǎn)的 關(guān)系，將其歸類。Fisher 法的核心為二字：投影 1) 一維實(shí)現(xiàn)方法 (1) 計(jì)算給類樣品均值向量mi, mi是各個(gè)類的均值，Ni是 品個(gè)數(shù)。 1 mi X i 1,2,., n Ni X i (3) 計(jì)算樣品

6、類間離散度矩陣Sb Sb (m1 mb)(m1 m2 )T 求向量W 分類器 輸入Kffi 人臉 r 丨一 提1RP c A人臉特征向氐 f i 一 - F L Dttia (2) 計(jì)算樣品類內(nèi)離散度矩陣 Si和總類間離散度矩陣& Si (X mJ(X mJT i 1,2,., n Sw Si i 1 我們希望投影后，在一維丫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(mj m2 )越大越好，同時(shí)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(zhǔn)則函數(shù)：JF(W) WTSbW WTSwW * 1 使得JF(W)取得最大值的W*

7、為 W Sw(mi m2) (5) 將訓(xùn)練集內(nèi)所有樣品進(jìn)行投影 y (W*)TX (6) 計(jì)算在投影空間上的分割閾值yo 在一維丫空間，各類樣品均值m%為 i 1,2,., n 樣品類內(nèi)離散度矩陣和總類間離散度矩陣% % (y m%)2 y i % % i 1 【注】【閾值yo的選取可以由不同的方案： 較常見的一種是 N1m% N2I% yo N1 N2 另一種是 y m% in(p( j/p( 2) 0 2 N1 N 2 】 (7) 對(duì)于給定的 X,計(jì)算出它在W*上的投影 y (8) 根據(jù)決策規(guī)則分類 m% y y0 X 1 y y0 X 2 2) matlab 編程 1、matlab 程序

8、分為三部分。程序框圖如下圖所示 打開程序 變化角度 四、代碼實(shí)現(xiàn) A. 第一部分： CreatDatabase.m fun cti on T = CreatDatabase(Tra in DatabasePath) TrainF iles = dir(Tra in DatabasePath); Train_Number = 0; %統(tǒng)%計(jì)文件數(shù) % for i = 1:size(TrainFiles,1) if no t(strcmp(Tra inF iles(i). name, . )|strcmp(Tra inF iles(i). name, . )|strcmp(Trai nFiles(

9、i).name, Thumbs.db) Train_Number = Train_Number + 1; end end %二維專一維 % T =; for i = 1 : Train_Number str = in t2str(i); %把文件索引轉(zhuǎn)換為字符串格式 str = strcat( ,str, .pgm); str = strcat(Trai nDatabasePath,str); img = imread(str); irow icol = size(img); temp = reshape(img,irow*icol,1); T = T temp; end T = double

10、(T); B. 第二部分： FisherfaceCore function m_database V_PCA V_Fisher ProjectedImages_Fisher Class_number Class_population = FisherfaceCore(T) %返%回%值注釋 % %m_database - (M*Nx1) 維的訓(xùn)練樣本均值 %V_PCA - (M*Nx(P-C) 訓(xùn)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-

11、1)xP) 維訓(xùn)練樣本，這些樣本從 fisher 線性空間中 提取 %基%本量賦值 % Class_number=(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; %每一類的圖像數(shù)目 P = Class_population * Class_number; %總訓(xùn)練樣本的數(shù)目 %計(jì)%算均值 % m_database = mean(T,2); % 包含 T 每一行均值的列向量 %計(jì)%算方差 % A = T - repmat(m_database,1,P); %計(jì)%算特征臉的算法 % L = A * A; V D = eig(L);

12、 V = fliplr(V); %篩%選小的特征值 % L_eig_vec = ; dig = fliplr(max(D); for i = 1 : Class_number L_eig_vec = L_eig_vec V(:,i)/sqrt(dig(i); end %計(jì)%算特征矩陣的協(xié)方差矩陣 C% V_PCA = A * L_eig_vec; %V_PC 就是降維后的協(xié)方差矩陣 ProjectedImages_PCA = ; for i = 1 : P temp = V_PCA*A(:,i); ProjectedImages_PCA = ProjectedImages_PCA temp;

13、end %fishe 分類器的設(shè)計(jì)方法 % %計(jì)%算在特征空間里面每一個(gè)類的均值 % m_PCA = mean(ProjectedImages_PCA,2) %特征空間總的均值 m = zeros( Class_number, Class_number ); Sw = zeros( Class_number, Class_number); Sb = zeros( Class_number, Class_number); for i = 1 : Class_number m(:,i) = mean( ( ProjectedImages_PCA(:,(i-1)*Class_population+1

14、):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_population + 1) : ( i*Class_population ) S = S + ( ProjectedImages_PCA(:,j) - m(:,i) * (ProjectedImages_PCA(:,j) - m(:,i); end Sw = Sw + S; Sb = Sb + (m(:,i) - m_PCA) * (m(:,i) - m_PCA) end %?%計(jì)%算

15、 fisher 判別準(zhǔn)則，目標(biāo)是獲取最大類間離散度和最小類內(nèi)離散度 % %?卩?ee ? o?e ?X ? a ?e0 ?e oiX ?D?y ?aa ?ua ?e0 ?e ? J_eig_vec, J_eig_val = eig(Sb,Sw); J_eig_val = max(J_eig_val); J_eig_vec = fliplr(J_eig_vec); %去%除% 0 特征根和排序 for i = 1 : Class_number - 1 V_Fisher(:,i) = J_eig_vec(:,i); %fisher 判別法將 N維映射到 C-1 維 end %(從%isher 線性

16、空間中提取圖像 % Yi = V_Fisher * V_PCA * (Ti - m_database) for i = 1: Class_number * Class_population ProjectedImages_Fisher(:,i) = V_Fisher * ProjectedImages_PCA(:,i); end %由 PCAi渡到 FLD %img_fisher = w_fisher * pca_img; %ProjectedImages_Fisher = V_Fisher * ProjectedImages_PCA; C. 第三部分： Recognition.m funct

17、ion OutputName = Recognition(TestImage, m_database, V_PCA, V_Fisher, ProjectedImages_Fisher, Class_number, Class_population) %函數(shù)描述：這個(gè)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 %輸入量 : TestImage - 測(cè)試樣本的路徑 %V_PCA - (M*Nx(P-C) 訓(xùn)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_Fis

18、her - (C-1)xP) 維訓(xùn)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(xùn)練樣本中的被識(shí)別的圖像的名字 Train_Number = size(ProjectedImages_Fisher,2); %y從%中%提取 PCA 特征 % 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; %計(jì)%算%歐%幾%里%得%幾%何距離 % Euc_dist = ; for i = 1 : Train_Number q = ProjectedImages_Fisher(:,i); temp = ( norm( ProjectedTestlmage - q )A2 ; Euc_dist = Euc_dist temp; end Euc_dist