人臉識別課程設(shè)計匯本報告

1、 用Matlab實現(xiàn)人臉識別學(xué)院：信息工程學(xué)院班級：計科軟件普131成員：一、問題描述在一個人臉庫中，有 15 個人，每人有 11 幅圖像。要求選定每一個人的若干幅圖像組成樣本庫，由樣本庫得到特征庫。再任取圖像庫的一圖片，識別它的身份。對于一幅圖像可以看作一個由像素值組成的矩陣，也可以擴展開，看成一個矢量。如一幅N*N象素的圖像可以視為長度為N2的矢量，這樣就認為這幅圖像是位于N2維空間中的一個點，這種圖像的矢量表示就是原始的圖像空間，但是這個空間僅是可以表示或者檢測圖像的許多個空間中的一個。不管子空間的具體形式如何，這種方法用于圖像識別的基本思想都是一樣的，首先選擇一個合適的子空間，圖像將被

2、投影到這個子空間上，然后利用對圖像的這種投影間的某種度量來確定圖像間的相似度，最常見的就是各種距離度量。因此，本次采用PCA算法確定一個子空間，最后使用最小距離法進行識別，并用matlab實現(xiàn)。二、PCA 原理和人臉識別方法1）K-L 變換K-L 變換以原始數(shù)據(jù)的協(xié)方差矩陣的歸一化正交特征矢量構(gòu)成的正交矩陣作為變換矩陣，對原始數(shù)據(jù)進行正交變換，在變換域上實現(xiàn)數(shù)據(jù)壓縮。它具有去相關(guān)性、能量集中等特性，屬于均方誤差測度下，失真最小的一種變換，是最能去除原始數(shù)據(jù)之間相關(guān)性的一種變換。PCA 則是選取協(xié)方差矩陣前 k 個最大的特征值的特征向量構(gòu)成 K-L 變換矩陣。2）主成分的數(shù)目的選取保留多少個主成

3、分取決于保留部分的累積方差在方差總和中所占百分比(即累計貢獻率)，它標志著前幾個主成分概括信息之多寡。實踐中，粗略規(guī)定一個百分比便可決定保留幾個主成分；如果多留一個主成分，累積方差增加無幾，便不再多留。3）人臉空間建立假設(shè)一幅人臉圖像包含 N 個像素點，它可以用一個 N 維向量表示。這樣，訓(xùn)練樣本庫就可以用i（i=1，.，M）表示。協(xié)方差矩陣 C 的正交特征向量就是組成人臉空間的基向量，即特征臉。將特征值由大到小排列：12.r,其對應(yīng)的特征向量為k。這樣每一幅人臉圖像都可以投影到由 u1,u2,.,ur成的子空間中。因此，每一幅人臉圖像對應(yīng)于子空間中的一點。同樣，子空間的任意一點也對應(yīng)于一幅圖

4、像。4）人臉識別有了這樣一個由"特征臉"成的降維子空間，任何一幅人臉圖像都可以向其投影得到一組坐標系數(shù)，這組系數(shù)表明了該圖像在子空間中的位置，從而可以作為人臉識別的依據(jù)。計算數(shù)據(jù)庫中每圖片在子空間中的坐標，得到一組坐標，作為下一步識別匹配的搜索空間。計算新輸入圖片在子空間中的坐標，采用最小距離法，遍歷搜索空間，得到與其距離最小的坐標向量，該向量對應(yīng)的人臉圖像即為識別匹配的結(jié)果。三、實驗步驟1) 每人選取 4 幅共 60 幅作為訓(xùn)練樣本，將每一幅圖像（128*128）寫成列向量形式排列成矩陣2) 求協(xié)方差矩陣3) 求協(xié)方差矩陣特征值求特征向量（特征臉）將特征向量排列成變換矩陣

5、4) 計算每幅圖像的投影5) 計算待識別人臉的投影6) 遍歷搜索進行匹配四、實驗結(jié)果與分析matlab 界面效果如下所示圖 1 用戶使用界面圖 2 選擇圖片圖 3 圖片選擇后圖 4 識別后由于利用了標準庫，并且識別的人數(shù)不是很多，也沒有選擇有大塊左陰影和右陰影的人作為訓(xùn)練集以及測試，所以最終的結(jié)果還是非常不錯的，識別率可達100%。但是選擇有較大陰影的人做測試，則會出現(xiàn)識別錯誤，所以 PCA 算法還是存在一定的局限性。圖 5 識別錯誤主要代碼展示function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle

6、 to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % read image to be recognize %讀取圖片global im; filename, pathname = uigetfile('*.bmp','choose photo'); str = pathname, filename; im

7、 = imread(str); axes( handles.axes1); imshow(im); % - Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and

8、 user data (see GUIDATA) global im global reference global W %均值向量按列排成的變換矩陣global imgmean%均值向量global col_of_data global pathname global img_path_list % 預(yù)處理新數(shù)據(jù)im = double(im(:); objectone = W'*(im - imgmean); %計算每幅圖像的投影distance = 100000000; % 最小距離法，尋找和待識別圖片最為接近的訓(xùn)練圖片for k = 1:col_of_data temp = no

9、rm(objectone - reference(:,k); if(distance>temp) aimone = k; distance = temp; aimpath = strcat(pathname, '/', img_path_list(aimone).name); axes( handles.axes2 ) imshow(aimpath) end end % 顯示測試結(jié)果% aimpath = strcat(pathname, '/', img_path_list(aimone).name); % axes( handles.axes2 ) %

10、 imshow(aimpath) % - Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global r

11、eference global W global imgmean global col_of_data global pathname global img_path_list % 批量讀取指定文件夾下的圖片 128*128 pathname = uigetdir; img_path_list = dir(strcat(pathname,'*.bmp'); img_num = length(img_path_list); imagedata = ; if img_num >0 for j = 1:img_num img_name = img_path_list(j).na

12、me; temp = imread(strcat(pathname, '/', img_name); temp = double(temp(:); imagedata = imagedata, temp; end end col_of_data = size(imagedata,2); % 中心化 & 計算協(xié)方差矩陣imgmean = mean(imagedata,2); for i = 1:col_of_data imagedata(:,i) = imagedata(:,i) - imgmean; end covMat = imagedata'*imagedata; COEFF, latent, explained = pcacov(covMat); % 選擇構(gòu)成 95%能量的特征值i = 1; proportion = 0; while(pr