人臉識(shí)別系統(tǒng)開(kāi)放實(shí)驗(yàn)研究分析范文

1、脈他就ZHEJIANG(JNIVEKSITATFURWOTHAFTIINDTECIIK開(kāi)放性實(shí)驗(yàn)報(bào)告人臉識(shí)別系統(tǒng)小組成員:姓名李宏利學(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)康亍?.對(duì)人臉識(shí)別系統(tǒng)地圖像預(yù)處理有一定地掌握；.對(duì)后續(xù)操作只簡(jiǎn)單了解；.通過(guò)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；.系統(tǒng)設(shè)計(jì)；.系統(tǒng)實(shí)現(xiàn).【實(shí)驗(yàn)步驟】一、系統(tǒng)需求分析1、目地與背景當(dāng)前社會(huì)上頻繁出現(xiàn)地入室偷盜、搶劫、傷人等案件地不斷發(fā)生,鑒于此種原因，防盜門開(kāi)始走進(jìn)千家萬(wàn)戶，給家庭帶來(lái)安寧；然而，隨著社會(huì)地發(fā)展，技術(shù)地進(jìn)步，生活節(jié)奏地加速，消費(fèi)水平地提高，人們

2、對(duì)于家居地期望也越來(lái)越高，對(duì)便捷地要求也越來(lái)越迫切，基于傳統(tǒng)地純粹機(jī)械設(shè)計(jì)地防盜門，除了堅(jiān)固耐用外，很難快速滿足這些新興地需求：便捷，開(kāi)門記錄等功能.b5E2R。廣義地人臉識(shí)別實(shí)際包括構(gòu)建人臉識(shí)別系統(tǒng)地一系列相關(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；而狹義地人臉識(shí)別特指通過(guò)人臉進(jìn)行身份確認(rèn)或者身份查找地技術(shù)或系統(tǒng).plEan。人臉特征點(diǎn)分布圖示例人臉識(shí)別生物特征識(shí)別技術(shù)所研究地生物特征包括臉、指紋、手掌紋、虹膜、視網(wǎng)膜、聲音（語(yǔ)音）、體形、個(gè)人習(xí)慣（例如敲擊鍵盤地力度和頻率、簽字）等，相應(yīng)地識(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(yǔ)音

3、識(shí)別（用語(yǔ)音識(shí)別可以進(jìn)行身份識(shí)別，也可以進(jìn)行語(yǔ)音內(nèi)容地識(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.DXDiT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，眾多地視頻監(jiān)控應(yīng)用迫切需要一種遠(yuǎn)距離、用戶非配合狀態(tài)下地快速身份識(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(wú)疑是最佳地選擇，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(kù)進(jìn)行實(shí)時(shí)比對(duì)，從而實(shí)現(xiàn)快速身份識(shí)別RTCP。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)方法解決模式識(shí)別問(wèn)題時(shí)，為了解決“維數(shù)災(zāi)難”地問(wèn)題,壓縮特征空間地維數(shù)非常必要.fisher方法實(shí)

4、際上涉及到維數(shù)壓縮地問(wèn)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、LMS份類算法、Fisher分類.5pczv若把多維特征空間地點(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地方向，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)最好地直線方向以及如何實(shí)現(xiàn)向最好方向投影地變換.這個(gè)投影變換恰是我們所尋求地解向量凹，這是fisher算法地基本問(wèn)題.jLBHr。樣品訓(xùn)練集以及待測(cè)樣品地特征數(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)離散度矩陣目和總類間離散度矩陣力、樣品

5、類間離散度矩陣日，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Y空間，由于Y空間是一維地，則需要求出Y空間地劃分邊界點(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Y空間地投影，判斷它地投影點(diǎn)與分界點(diǎn)地關(guān)系，將其歸類.xhaqxFisher法地核心為二子：投影初始化曲判別分類器F I r S 8判定出人臉歸屬1)一維實(shí)現(xiàn)方法(1)計(jì)算給類樣品均值向量回，可是各個(gè)類地均值，力是二類地樣品個(gè)數(shù).(2)計(jì)算樣品類內(nèi)離散度矩陣目和總類間離散度矩陣3(3)計(jì)算樣品類間離散度矩陣習(xí)求向量回我們希望投影后，在一維Y空間各類樣品盡可能地分開(kāi)，也就是說(shuō)我們希望兩類樣品均值之差(回

6、)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LDAYt們可以定義Fisher準(zhǔn)則函數(shù):使得叵取得最大值地凹為(5)將訓(xùn)練集內(nèi)所有樣品進(jìn)行投影(6)計(jì)算在投影空間上地分割閾值可在一維丫空間，各類樣品均值力為樣品類內(nèi)離散度矩陣習(xí)和總類間離散度矩陣目LJ國(guó)【注】【閾值日地選取可以由不同地方案：較常見(jiàn)地一種是K1另一種是(7)對(duì)于給定地X,計(jì)算出它在凹上地投影y(8)根據(jù)決策規(guī)則分類2)matlab程1、matlab程序分為三部分.程序框圖如下圖所示打開(kāi)程序進(jìn)行人臉識(shí)別變化角度四、代碼實(shí)現(xiàn)A.第一部分：CreatDatabase.mfunctionT=CreatData

7、base(TrainDatabasePath)TrainFiles=dir(TrainDatabasePath);Train_Number=0;%闞件數(shù)%fori=1:size(TrainFiles,1)ifnot(strcmp(TrainFiles(i).name,.)|strcmp(TrainFiles(i).name,.)|strcmp(TrainFiles(i).name,Thumbs.db)rqyn1。Train_Number=Train_Number+1;endend%專一維%T=;fori=1:Train_Numberstr=int2str(i);聽(tīng)巴文件索引轉(zhuǎn)換為字符串格式st

8、r=strcat(,str,.pgm);str=strcat(TrainDatabasePath,str);img=imread(str);irowicol=size(img);temp=reshape(img,irow*icol,1);T=Ttemp;endT=double(T);第二部分：FisherfaceCorefunctionm_databaseV_PCAV_FisherProjectedImages_FisherClass_numberClass_population=FisherfaceCore(T)Emxvx。%返回值注釋%m_database-(M*Nx1)維地訓(xùn)練樣本均值%

9、V_PCA-(M*Nx(P-C)訓(xùn)練樣本協(xié)方差地特征向量%V_Fisher-(P-C)x(C-1)最大地(C-1)維J=inv(Sw)*Sb地特征矩陣SixE2。%ProjectedImages_Fisher-(C-1)xP)維訓(xùn)練樣本，這些樣本從fisher線性空間中提取6ewMy%基本量賦值%Class_number=(size(T,2)/9;類地?cái)?shù)目，除以8取決于樣本中有多少類人Class_population=9;%每一類地圖像數(shù)目P=Class_population*Class_number;%總訓(xùn)練樣本地?cái)?shù)目%計(jì)算均值%m_database=mean(T,2);%包含T每一行均值地

10、列向量%計(jì)算方差%A=T-repmat(m_database,1,P);%計(jì)算特征臉地算法%L=A*A;VD=eig(L);V=fliplr(V);%篩選小地特征值%L_eig_vec=;dig=fliplr(max(D);fori=1:Class_numberL_eig_vec=L_eig_vecV(:,i)/sqrt(dig(i);end%計(jì)算特征矩陣地協(xié)方差矩陣%C%V_PCA=A*L_eig_vec;%V_PCA是降維后地協(xié)方差矩陣ProjectedImages_PCA=;fori=1:Ptemp=V_PCA*A(:,i);ProjectedImages_PCA=ProjectedIm

11、ages_PCAtemp;end%fish野類器地設(shè)計(jì)方法%計(jì)算在特征空間里面每一個(gè)類地均值%m_PCA=mean(ProjectedImages_PCA,2)%特征空間總地均值m=zeros(Class_number,Class_number);Sw=zeros(Class_number,Class_number);Sb=zeros(Class_number,Class_number);fori=1:Class_numberm(:,i)=mean(ProjectedImages_PCA(:,(i-1)*Class_population+1):i*Class_population),2);%每

12、一類地樣本分別求均值kavU4。S=zeros(Class_number,Class_number);forj=(i-1)*Class_population+1):(i*Class_population)y6v3A。S=S+(ProjectedImages_PCA(:,j)-m(:,i)*(ProjectedImages_PCA(:,j)-m(:,i);M2ub6。endSw=Sw+S;Sb=Sb+(m(:,i)-m_PCA)*(m(:,i)-m_PCA)end%?%計(jì)算%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%?%?心？士ee?o?e?x?6dd?a?e0?eoix?

13、D?a?(0YUjCiia?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fori=1:Class_number-1V_Fisher(:,i)=J_eig_vec(：,i);%fisher判別法將N隹映射到C-1維eUts8。end%isher線性空間中提取圖像Yi=V_Fisher*V_PCA*(Ti-m_database)fori=1:Class_number*Class_populationProjectedImages_Fisher(

14、:,i)=V_Fisher*ProjectedImages_PCA(:,i);end%由PCAi渡至IJFLDSQsAE%img_fisher=w_fisher*pca_img;%ProjectedImages_Fisher=V_Fisher*ProjectedImages_PCA;GMsIa。第三部分：Recognition.mfunctionOutputName=Recognition(TestImage,m_database,V_PCA,V_Fisher,ProjectedImages_Fisher,Class_number,Class_population)TIrRG。%函數(shù)描述：這個(gè)

15、函數(shù)將源圖像提取成特征臉，然后比較它們之間地歐幾里得距離%輸入量:TestImage-測(cè)試樣本地路徑%V_PCA-(M*Nx(P-C)訓(xùn)練樣本協(xié)方差地特征向量%V_Fisher-(P-C)x(C-1)最大地(C-1)維J=inv(Sw)*Sb地特征矩陣7EqZc。%ProjectedImages_Fisher-(C-1)xP)維訓(xùn)練樣本，這些樣本從fisher線性空間中提取lzq7I。%Class_number-類地?cái)?shù)目%Class_population-每一類圖像地?cái)?shù)目%返回值：OutputName-在訓(xùn)練樣本中地被識(shí)別地圖像地名字Train_Number=size(ProjectedIma

16、ges_Fisher,2);%!%取PCA1征%g%Inputimage=imread(Testlmage);temp=InputImage(:,:,1);irowicol=size(temp);InImage=reshape(temp,irow*icol,1);Difference=double(InImage)-m_database;ProjectedTestImage=V_Fisher*V_PCA*Difference;NrpoJ。%何距離%Euc_dist=;fori=1:Train_Numberq=ProjectedImages_Fisher(:,i);temp=(norm(Proj

17、ectedTestImage-q)A2;Euc_dist=Euc_disttemp;endEuc_dist2=;fori=1:Class_numberdist=mean(Euc_dist(i-1)*Class_population+1):(i*Class_population);inowf。Euc_dist2=Euc_dist2dist;endEuc_dist_min,Recognized_index=min(Euc_dist2);Recognized_index=(Recognized_index-1)*Class_population+1;fjnFL。OutputName=strcat(i

18、nt2str(Recognized_index),.pgm);tfnNh。版權(quán)申明本文部分內(nèi)容，包括文字、圖片、以及設(shè)計(jì)等在網(wǎng)上搜集整理.版權(quán)為個(gè)人所有Thisarticleincludessomeparts,includingtext,pictures,anddesign.Copyrightispersonalownership.11|用戶可將本文地內(nèi)容或服務(wù)用于個(gè)人學(xué)習(xí)、研究或欣賞，以及其他非商業(yè)性或非盈利性用途，但同時(shí)應(yīng)遵守著作權(quán)法及其他相關(guān)法律地規(guī)定，不得侵犯本網(wǎng)站及相關(guān)權(quán)利人地合法權(quán)利.除此以外，將本文任何內(nèi)容或服務(wù)用于其他用途時(shí)，須征得本人及相關(guān)權(quán)利人地書(shū)面許可，并支付報(bào)酬.V7jUsersmayusethecontentsorservicesofthisarticleforpersonalstudy,researchorappreciation,andothernon-commercialornon-profitpurposes,butatthesametime,theyshallabidebythepro