基于PCA人臉識別研究報告

1、-. z課程設計設計課程：模式識別 題 目 基于PCA方法的人臉識別 學生學 號 學 院專 業(yè)指導教師 2013 年12 月25日 目 錄摘要課程設計目的.3課程設計要求.3題目分析.3 總體設計.3具體設計.46.1、創(chuàng)立數(shù)據(jù)庫.46.2、計算特征臉.56.3、人臉識別.6結(jié)果分析.9心得體會.9參考文獻.10-. z摘 要 隨著人類社會的進步，以及科技水平的提高，一些傳統(tǒng)的身份認證的方法逐漸暴露出各種問題，因此人們需要采用一種更加可靠平安的身份認證方法。毫無疑問人體的生物特征的獨一無二的，特別是其不容易喪失及復制的特性很好滿足了身份識別的需要。并且隨著計算機科學技術(shù)和生物醫(yī)學的開展使得利用

2、生物特征識別成為了可能。因此基于指紋、人臉、視網(wǎng)膜等生物特征的識別方法也越來越多。由于人臉識別的操作快速簡單，結(jié)果直觀，準確可靠，不需要人的配合等優(yōu)點已成為人們關(guān)注的焦點。主成分分析PCA法通過提取高維度的人臉圖像的主元，使得圖像在低維度空間中被處理來降低了圖像處理的難度。由于其有效的解決了圖像空間維數(shù)過高的問題，已經(jīng)成為人臉識別領(lǐng)域非常重要的理論。此次研究的就是基于PCA的人臉識別算法的實現(xiàn)。本文按照完整人臉識別流程來分析基于PCA的人臉識別算法實現(xiàn)的性能。首先使用常用的人臉圖像的獲取方法獲取人臉圖像。本文為了更好的分析基于PCA人臉識別系統(tǒng)的性能分別選用了Esse*人臉數(shù)據(jù)庫和ORL人臉庫

3、，并在后期采用了自建的人臉庫。接下來是人臉圖像預處理方法。由于采用的人臉圖像質(zhì)量較好，而且已經(jīng)做過相應的預處理，所以本文試驗中只使用灰度處理。接著使用PCA提取人臉特征，使用奇異值分解定理計算協(xié)方差矩陣的特征值和特征向量以及使用最近鄰法分類器歐幾里得距離來進展人臉判別分類。在實驗中我們發(fā)現(xiàn)基于PCA的人臉識別系統(tǒng)的識別率很高，而且具有一定魯棒性，所以基于PCA的人臉識別算法的實現(xiàn)的研究還是有意義?！娟P(guān)鍵詞】人臉識別 PCA算法 歐幾里得課程設計的目的 介紹基于PCA的人臉識別算法的實現(xiàn)，先介紹PCA算法的理論根底，其次介紹了其在數(shù)字圖像領(lǐng)域的應用，最后結(jié)合具體研究詳述了研究過程。課程設計的要求

4、 1:一新的圖片也表示為d的向量，記為D，D的大小1n 2: D乘以上面訓練得到的T, 得到這個圖片向量D在T下的投影向量P，p的大小1k。 3: 計算p與上面所有的pn的向量距離，與p最小的那個向量所對應的人臉圖片跟這新人臉圖片最像。題目分析應用程序的功能需求分析 該軟件最主要的功能就是要能識別出人臉，首先該系統(tǒng)需要對通過攝像頭拍照而獲取到的原始的人臉圖片進展一系列處理才可進展下一步的工作，該處理過程也稱圖像預處理。預處理這個模塊在整個人臉識別系統(tǒng)的開發(fā)過程中占有很重要的地位，只有預處理模塊做的好，才可能很好的完成后面的人臉定位和特征提取這兩大關(guān)鍵模塊。因此本設計中所要完成的主要功能如下所述

5、：1圖像獲取功能：該模塊主要是從攝像頭拍照后進展獲取圖片，也可以從圖片庫中獲取，獲取后的圖片可以在軟件的界面中顯示出來以便進展識別。2圖像預處理功能：該模塊主要包括圖像光線補償、圖像變成灰色、高斯平滑、均衡直方圖、實現(xiàn)圖像比照度增強、二值化變換等。3人臉定位功能：該模塊主要是將處理后的人臉圖片進展定位，將眼睛、鼻子、嘴巴標記出來，以便進展特征提取。4特征提取功能：該模塊是在定位后的人臉圖片中將眼睛、鼻子、嘴巴的特征值提取出來。5識別功能：該模塊是將從圖片中提取的特征值和后臺數(shù)據(jù)庫中的值進展比擬來完成識別功能。四、總體設計主成分分析為一種統(tǒng)計學中特征提取方法，在實際中應用的非常廣泛。PCA是通過

6、提取原始數(shù)據(jù)的主元來減少數(shù)據(jù)的冗余，使數(shù)據(jù)在低維度的空間中被處理，同時它還能很好保持了原始數(shù)據(jù)的絕大局部信息，有效的解決了由于空間維數(shù)過高而導致的一系列問題。如下將詳細介紹如何使用PCA算法進展人臉識別。五、具體設計1、創(chuàng)立數(shù)據(jù)庫在本環(huán)節(jié)中主要分為兩個階段，分別為：讀入系統(tǒng)人臉數(shù)據(jù)庫，并將圖像變換為相應的灰度圖像 (a) (b)圖 (a)圖像為系統(tǒng)人臉數(shù)據(jù)庫中的原始人臉圖像，(b)圖像為經(jīng)過灰度轉(zhuǎn)換后的人臉圖像2同時將變換后的二維人臉灰度圖像變換為一維人臉向量矩陣一個大小為M*N的二維人臉圖像可以看成長度為MN的人臉圖像列向量。為了將二維人臉圖像變?yōu)橐詾榱邢蛄?，我們采取的措施為：首先計算出人?/p>

7、圖像的大小，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的一維向量，其實整個階段的效果相當于將圖像的灰度值按行取出依次連接成一維圖像向量。本環(huán)節(jié)完成后將會產(chǎn)生由一維圖像向量組成的矩陣T。2、計算特征臉本環(huán)節(jié)主要包括三個階段，分別為：1對圖像矩陣T進展規(guī)化首先計算出圖像矩陣中一維列向量的平均值m，然后對圖像矩陣的每一列都減去平均值形成規(guī)化的圖像矩陣A。2計算特征臉人臉訓練圖像的協(xié)方差矩陣為，其中人臉訓練樣本為，維度為，則協(xié)方差矩陣C的維度為。這就出現(xiàn)問題，C的維度過高，在實際中直接計算它的特征值和特征向量非常困難。因此，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

8、：假設B為維秩為p的矩陣，則存在兩個正交矩陣和一個對角矩陣：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，而且和有共同的非零特征值，和分別為和對應特征值的正交特征向量。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的特征值和特征向量，再根據(jù)上述4-27式可以求得協(xié)方差C的特征值和特征向量。實際上我們并不需要協(xié)方差所有的特征值和特征向量， m個mM，M為特征值的數(shù)目個特征值足夠用于人臉識別。所以，實際操作中，只取L的前m個最大特征值對應的特征向量用于計算特征臉。在本環(huán)節(jié)，本文通過直接構(gòu)造，來計算出L的特征值，再挑選L特征值大于100的作

9、為C的特征值，最后通過C的特征值計算出它的特征向量，從而形成特征臉。3、人臉識別人臉識別過程分為訓練和測試兩個階段。在訓練階段，主要是提取數(shù)據(jù)庫人臉圖像的特征，并形成特征庫。在測試階段，主要是提取待識別圖像的特征和計算提取的特征和特征庫中特征之間的距離測度，并輸出最小距離測度對應的人臉圖像作為結(jié)果。 具體步驟如下：1訓練階段將規(guī)化的圖像矩陣A中的每一列向量投影到特征子空間，形成特征庫。2測試階段eq oac(,1)假設測試人臉圖像為Y，在人臉識別前，先對其進展標準化，即。eq oac(,2)把標準化后的人臉圖像向特征子空間進展投影得到向量。eq oac(,3)本文使用最近鄰法分類器歐幾里德距離

10、14,15進展判決分類。測試圖像與每個人臉圖像間的距離為 (k=1,2,P)，并將最小距離對應的訓練圖像作為測試圖像的匹配圖像?？梢钥闯觯谌四樧藨B(tài)、表情有略微變化的情況下依舊可以成功識別出正確的人臉。人臉姿態(tài)發(fā)生變化下的人臉識別結(jié)果人臉表情變化下的人臉識別結(jié)果之后我們利用ORL人臉庫和自建人臉庫分別進展了測試。在ORL人臉庫的識別過程中，我們選取了20個人，每人4照片作為訓練樣本。并對這20個人每人另取了一照片作為測試樣本。每個人測試后最終統(tǒng)計成功識別17個人，識別失敗3人。因為我們采用的是最近鄰法分類器歐幾里德距離進展判決分類，因此對于識別失敗的人同樣會顯示與其距離最小的照片。為了解決這個

11、問題，我們決定在該判決分類的根底上加上閾值限制，當最小歐幾里德距離高于*個值時，不再顯示最近鄰的照片，而是顯示無法識別的提示。成功識別如下：當用訓練集以外的人的圖像進展測試時，歐幾里德距離大于閾值，顯示無法識別。接下來我們對歐幾里得距離的閾值進展了一定的選取測試。如下列圖所示當閾值選取較大時閾值取9*1015，圖像可以更好的識別出來，但是此時不可防止的就是降低人臉識別的準確率，因此個別測試圖像因為不標準而與訓練庫中*些圖像的距離更小，就造成了識別錯誤。如下列圖所示，此時由于兩幅圖像的歐幾里得距離更小，因而系統(tǒng)顯示識別正確，其實是錯誤的。以測試圖像3.jpg為例。而當閾值設定比擬小時閾值取4.5

12、*1015，可以看到上面的測試圖像3.jpg無法再識別成功，因為沒有足夠近距離的訓練樣本。盡管17.jpg訓練樣本與3.jpg測試圖像歐幾里得距離最小，但因不在閾值圍故說明不是匹配的圖像。同樣當閾值減小后，之前成功識別的11.jpg圖像無法再成功識別出來。六、結(jié)果分析 在選定歐幾里得最近距離判定距離時要考慮不能選取過大，降低成功率。因此我認為在建立人臉庫時，盡量使所有的圖像在一樣的背景下進展采樣，這樣可以時每個人的測試圖像和訓練圖像間的歐幾里得距離均處在較小的圍，可以提高準確率。 此外，我們嘗試用稍微側(cè)斜和表情夸的樣本照片進展人臉識別。當側(cè)臉和表情夸照片作為測試樣本時，程序依舊可以成功識別出對

13、應的人臉照片，然而當這些側(cè)臉和表情夸的照片作為訓練樣本中的圖像時，可能會影響其他測試圖像的識別成功率，因為我們沒有對側(cè)臉進展研究，因此將問題放在后續(xù)工作中解決。七、心得體會 本文研究的是基于PCA的人臉識別算法的實現(xiàn)。在試驗中采用的人臉數(shù)據(jù)庫為Esse* faces94人臉數(shù)據(jù)庫和自建的人臉數(shù)據(jù)庫，人臉特征提取算法為PCA算法，分類方法采用的是最小距離分類法。通過實驗發(fā)現(xiàn)在無光照變換，正面姿態(tài)，少量遮擋情況下，基于PCA的人臉識別系統(tǒng)的識別率很高，而且反響很迅速。當然也存在著一些問題，例如本文對圖像的光照變化，其他姿態(tài)沒有進展考慮，但實際中這是無法忽略的問題，有可能會導致人臉識別識別率減小。為

14、了進一步提高基于PCA的人臉識別系統(tǒng)的性能和適應性，我們可以通過以下幾個方面進展改良：改良圖像獲取方法：我們可以通過使用人臉檢測和跟蹤算法，在圖像獲取的時候，動態(tài)跟蹤和檢測人臉，只采集最正確姿態(tài)下的人臉圖像。這在一定程度可以解決姿態(tài)所引起的問題，但也同時對系統(tǒng)的檢測和跟蹤人臉的反響時間提出較嚴格的要求。如果反響時間較長，對于快速移動的人臉可能錯過采集最正確姿態(tài)的圖像，而導致系統(tǒng)無法識別人臉。改良人臉識別的分類器：最近鄰法分類器屬于一種線性分類器。在實際中可以利用神經(jīng)網(wǎng)絡這類學習能力強的非線性分類器對高維人臉識別可能會取得更好的效果。綜合不同的人臉識別方法：在目前，僅僅單獨采用一種現(xiàn)有的人臉識別

15、方法一般都不會取得很好的識別效果。各種技術(shù)和方法都有自己不同的適應環(huán)境和各自的特點。如果我們想進一步提高人臉識別系統(tǒng)的識別率，可以考慮使用數(shù)據(jù)融合理論，將不同的方法綜合起來，相互補充，來取得很好的人臉識別效果。這也是為人臉識別的研究趨勢之一。八、參考文獻程自龍，雷秀玉基于K-L變換(PCA)的特征臉人臉識別方法綜述J中國圖像圖形學報，2010，20(22)：15-18倪世貴，白寶剛基于PCA的人臉識別研究J現(xiàn)代計算機，2011，23(42):20-22徐飛Matlab應用圖像處理M. ：電子科技大學，2005王映輝人臉識別：原理，方法與技術(shù)M. ：科學，2010田印中，董志學，黃建偉基于PCA

16、的人臉識別算法研究及實現(xiàn)J科技與經(jīng)濟，2010，4(208)：15-18學勝基于PCA和SVM算法的人臉識別J計算機與數(shù)字工程，2011，14(3)：56-58惠明圖像歐氏距離在人臉識別中的應用研究J計算機工程與設計，2008，3(14)：22-25附程序代碼：main.mclear allclcclose allTrainDatabasePath = (E:train);TestDatabasePath = (E:test);prompt = Enter test image name :;dlg_title = Input of PCA-Based Face Recognition Sys

17、tem;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)

18、;SelectedImage = strcat(TrainDatabasePath,OutputName);SelectedImage = imread(SelectedImage);if(Euc_dist_min4.5*1015) str = strcat(.,OutputName); disp(str) Euc_dist_minEndCreateDatabase.mfunction T = CreateDatabase(TrainDatabasePath)TrainFiles = dir(TrainDatabasePath);Train_Number = 0;for i = 1:size(

19、TrainFiles,1)if not(strcmp(TrainFiles(i).name,.)|strcmp(TrainFiles(i).name,.)|strcmp(TrainFiles(i).name,Thumbs.db) Train_Number = Train_Number + 1; endendT = ;for i = 1 : Train_Number str = int2str(i); str = strcat(,str,.jpg); str = strcat(TrainDatabasePath,str); img = imread(str); img = rgb2gray(im

20、g); irow icol = size(img); temp = reshape(img,irow*icol,1); T = T temp; endEigenfaceCore.mfunction m, A, Eigenfaces = EigenfaceCore(T)m = mean(T,2);Train_Number = size(T,2);A = ; for i = 1 : Train_Number temp = double(T(:,i) - m; A = A temp; endL = A*A; V D = eig(L); L_eig_vec = ;for i = 1 : size(V,2) if( D(i,i)1 ) L_eig_vec = L_eig_vec V(:,i);endendEigenfaces = A * L_eig_vec; Recognition.mfunction OutputNam