基于PCA算法的人脸识别毕业设计论文
基于PCA和LDA改进算法的人脸识别技术研究
基于PCA和LDA改进算法的人脸识别技术研究人脸识别是一种通过计算机视觉和模式识别技术来识别和验证人脸的生物特征，并将其与已知的人脸进行匹配的技术。
近年来，随着计算机算力的提升和人工智能技术的发展，人脸识别技术得到了广泛的应用，例如人脸解锁、人脸支付等。
PCA（Principal Component Analysis，主成分分析）和LDA（Linear Discriminant Analysis，线性判别分析）是两种常见的降维方法，用于从高维数据中提取有用的特征。
基于这两种方法的人脸识别技术研究已经得到了广泛关注。
PCA是一种无监督学习方法，通过将高维数据投影到低维子空间中，保持数据的大部分方差，从而达到降维的目的。
在人脸识别中，PCA可以通过计算训练集中人脸图像的协方差矩阵，然后提取其特征向量和特征值，选择前k个特征向量作为主成分，将人脸图像投影到主成分空间中。
在测试阶段，将待识别的人脸图像也投影到主成分空间中，通过计算其与训练集中人脸图像的距离，来判断其身份。
PCA的一个问题是它在无监督降维的可能忽略了一些与分类有关的信息。
为了解决这个问题，可以利用LDA来增加分类的准确性。
LDA是一种有监督学习方法，它通过最大化类别之间的差异性和最小化类别内的方差，选择最佳的投影方向。
在人脸识别中，LDA可以通过计算训练集中各类别的均值和类内散度矩阵，得到最佳的投影方向。
在测试阶段，将待识别的人脸图像投影到最佳的投影方向上，通过计算其与训练集中各类别的距离，来判断其身份。
由于PCA和LDA均是线性方法，它们对于人脸图像的非线性变化不敏感。
为了提高人脸识别的准确性，可以将PCA和LDA与非线性方法相结合，例如核技巧（kernel trick）。
通过将人脸图像映射到一个高维的特征空间中，利用核函数来计算其与训练集中人脸图像的相似性。
还可以利用深度学习方法来改进人脸识别技术。
深度学习是一种通过构建多层神经网络来学习数据特征的方法，它可以自动地学习人脸图像中的高级特征。
基于PCA和LDA改进算法的人脸识别技术研究
基于PCA和LDA改进算法的人脸识别技术研究人脸识别技术已成为信息安全、安防领域中的一项重要技术。
而PCA(Principal Component Analysis)和LDA(Linear Discriminant Analysis)是两种常见的人脸识别算法。
本文将对PCA和LDA算法进行简要介绍，并提出一种基于PCA和LDA改进算法的人脸识别技术。
PCA算法是通过对训练集图像进行主成分分析，得到训练集样本基础变换矩阵，使用该矩阵对待识别人脸图像进行变换，将其转化为低维空间中的向量，最后再进行分类识别。
PCA算法简单易懂，但是其容易受到噪声和光照变化等外部因素的影响，导致识别准确率不高。
LDA算法则是通过最大化同一类别内部的类内离散度并最小化不同类别之间的类间离散度，得到一个最好的分类平面，从而使得样本分类更加准确。
但是LDA算法面临的问题在于，当类别数目非常多时，其计算复杂度会大大增加，同时也容易发生过拟合现象。
针对PCA算法和LDA算法的局限性，本文提出了一种基于PCA和LDA改进算法的人脸识别技术。
该算法主要是在PCA算法和LDA算法基础上，通过引入核方法来进行特征提取和分类识别。
核方法是一种通过向高维空间的映射来处理低维空间中非线性问题的方法。
在本文中，我们选择使用径向基函数核(RBF Kernel)来进行特征提取。
这种核函数能够将样本从低维空间映射到高维空间，从而使得非线性问题也能够被线性分类。
具体而言，本文提出的改进算法具体步骤如下：1. 对于人脸图像的训练集，通过PCA算法对其进行主成分分析，并对每张图像进行降维处理，得到训练集样本基础变换矩阵。
2. 将训练集样本基础变换矩阵输入到LDA算法中，得到最佳分类平面参数。
3. 对于待识别的人脸图像，使用PCA算法将其转化为低维空间中的向量。
4. 将转化后的向量输入到径向基函数核中进行特征提取。
5. 基于提取后的特征，将人脸图像分类识别。
基于主成分分析（PCA）的人脸识别技术
基于主成分分析（PCA）的⼈脸识别技术本科期间做的⼀个课程设计，觉得⽐较好玩，现将之记录下来，实验所⽤。
1、实验⽬的（1）学习主成分分析（PCA）的基础知识；（2）了解PCA在⼈脸识别与重建⽅⾯的应⽤；（3）认识数据降维操作在数据处理中的重要作⽤；（4）学习使⽤MATLAB软件实现PCA算法，进⾏⼈脸识别，加深其在数字图像处理中解决该类问题的应⽤流程。
2、实验简介（背景及理论分析）近年来，由于恐怖分⼦的破坏活动发⽣越发频繁，包括⼈脸识别在内的⽣物特征识别再度成为⼈们关注的热点，各国均纷纷增加了对该领域研究的投⼊。
同其他⽣物特征识别技术，如指纹识别、语⾳识别、虹膜识别、DNA识别等相⽐，⼈脸识别具有被动、友好、⽅便的特点。
该技术在公众场合监控、门禁系统、基于⽬击线索的⼈脸重构、嫌疑犯照⽚的识别匹配等领域均有⼴泛应⽤。
⼈脸识别技术是基于⼈的脸部特征，对输⼊的⼈脸图像或者视频流，⾸先判断其是否存在⼈脸。
如果存在⼈脸，则进⼀步的给出每个脸的位置、⼤⼩和各个主要⾯部器官的位置信息。
其次并依据这些信息，进⼀步提取每个⼈脸中所蕴涵的⾝份特征，并将其与已知的⼈脸进⾏对⽐，从⽽识别每个⼈脸的⾝份。
⼴义的⼈脸识别实际包括构建⼈脸识别系统的⼀系列相关技术，包括⼈脸图像采集、⼈脸定位、⼈脸识别预处理、⾝份确认以及⾝份查找等；⽽狭义的⼈脸识别特指通过⼈脸进⾏⾝份确认或者⾝份查找的技术或系统。
我们在处理有关数字图像处理⽅⾯的问题时，⽐如经常⽤到的图像查询问题：在⼀个⼏万或者⼏百万甚⾄更⼤的数据库中查询⼀幅相近的图像。
其中主成分分析（PCA）是⼀种⽤于数据降维的⽅法，其⽬标是将⾼维数据投影到较低维空间。
PCA形成了K-L变换的基础，主要⽤于数据的紧凑表⽰。
在数据挖掘的应⽤中，它主要应⽤于简化⼤维数的数据集合，减少特征空间维数，可以⽤较⼩的存储代价和计算复杂度获得较⾼的准确性。
PCA法降维分类原理如下图所⽰：如上图所⽰，其中五⾓星表⽰⼀类集合，⼩圆圈表⽰另⼀类集合。
人脸识别毕业设计论文
人脸识别毕业设计论文人脸识别毕业设计论文人脸识别技术是一种通过计算机对人脸图像进行分析和识别的技术。
随着科技的不断进步，人脸识别技术在各个领域得到了广泛的应用，如安全监控、人脸支付、智能手机解锁等。
本文将探讨人脸识别技术的原理、应用以及未来发展方向。
一、人脸识别技术的原理人脸识别技术的原理主要包括人脸检测、人脸特征提取和人脸匹配三个步骤。
首先，系统需要通过摄像头等设备检测到人脸区域，并将其与背景进行分离。
然后，通过特征提取算法，将人脸图像转化为数字特征向量，以便后续的比对。
最后，通过与数据库中的特征向量进行匹配，确定输入人脸的身份。
二、人脸识别技术的应用1. 安全监控领域人脸识别技术在安全监控领域发挥着重要作用。
传统的监控摄像头只能提供实时影像，但无法对监控区域进行有效的识别和分析。
而引入人脸识别技术后，监控系统可以自动识别出陌生人、犯罪嫌疑人等，并及时报警。
这种技术的应用可以大大提高安全监控的效率和准确性。
2. 人脸支付领域随着移动支付的普及，人脸支付成为一种便捷的支付方式。
通过人脸识别技术，用户可以在手机上进行人脸扫描，完成支付过程。
相比传统的密码支付方式，人脸支付更加安全和便利，无需记忆复杂的密码，同时也减少了密码被盗用的风险。
3. 智能手机解锁领域人脸识别技术也广泛应用于智能手机解锁。
用户只需将手机对准自己的脸部，系统便可通过人脸识别技术判断是否解锁。
相比传统的密码解锁方式，人脸解锁更加方便快捷，同时也提高了手机的安全性。
三、人脸识别技术的挑战与未来发展虽然人脸识别技术在各个领域取得了显著的应用效果，但仍然存在一些挑战。
首先，光线、角度、表情等因素对人脸识别的准确性有一定影响，需要进一步改进算法以提高识别率。
其次，隐私问题也是人脸识别技术面临的一大挑战。
人脸图像的采集和存储可能涉及个人隐私，需要加强数据保护和合规管理。
未来，人脸识别技术仍有很大的发展空间。
一方面，随着硬件设备的不断升级，如高清摄像头、深度摄像头等，人脸图像的采集质量将得到提高，进而提高人脸识别的准确性。
基于PCA和LDA改进算法的人脸识别技术研究
基于PCA和LDA改进算法的人脸识别技术研究人脸识别技术是一种通过计算机来识别和验证人脸的技术，已广泛应用于安全领域、人机交互等众多领域。
传统的人脸识别技术在处理高维数据时，存在计算复杂度高、特征提取效果差等问题。
为了解决这些问题，研究者们提出了基于PCA（Principal Component Analysis）和LDA（Linear Discriminant Analysis）的改进算法。
PCA是一种常见的降维算法，通过线性变换将高维数据投影到低维空间中，保留主要的特征信息。
在人脸识别中，PCA算法可以用于提取人脸图像的特征向量。
传统的PCA算法会忽略数据之间的类间信息，导致识别精度下降。
为了解决这个问题，研究者们引入了LDA算法作为PCA的改进。
LDA是一种有监督的降维算法，它通过最大化类间散度和最小化类内散度，找到最佳的投影方式。
在人脸识别中，LDA能够在保留类间信息的有效地降低维度，提高识别精度。
1. 数据预处理：将人脸图像转换为灰度图像，并进行尺寸归一化，去除光照和姿态差异。
2. 特征提取：利用PCA算法提取人脸图像的特征向量。
计算人脸图像的均值向量，并将每个图像向量减去均值向量，得到零均值图像向量。
然后，计算协方差矩阵，对其进行特征值分解，得到特征向量。
选取特征值较大的前K个特征向量作为特征脸。
3. LDA投影：对特征向量进行LDA投影，将其投影到低维空间中。
计算每个类别的均值向量和总体均值向量。
然后，计算类内散度矩阵和类间散度矩阵。
对类间散度矩阵进行特征值分解，得到投影矩阵。
4. 训练和识别：利用训练集对投影矩阵进行训练，并计算训练样本的类别中心。
对于待识别的测试样本，将其投影到低维空间中，计算与各个类别中心的距离，并选取距离最小的类别作为识别结果。
通过对比实验，基于PCA和LDA的人脸识别算法相比传统的PCA算法，具有更好的识别精度和鲁棒性。
因为它利用LDA考虑了类别间的差异，能够更好地区分不同的人脸特征。
本科毕业论文-—基于opencv的图像识别
基于2DPCA的人脸识别算法研究摘要人脸识别技术是对图像和视频中的人脸进行检测和定位的一门模式识别技术，包含位置、大小、个数和形态等人脸图像的所有信息。
由于近年来计算机技术的飞速发展，为人脸识别技术的广泛应用提供了可能，所以图像处理技术被广泛应用了各种领域。
该技术具有广阔的前景，如今已有大量的研究人员专注于人脸识别技术的开发。
本文的主要工作内容如下：1)介绍了人脸识别技术的基础知识，包括该技术的应用、背景、研究方向以及目前研究该技术的困难，并对人脸识别系统的运行过程以及运行平台作了简单的介绍。
2)预处理工作是在原始0RL人脸库上进行的。
在图像的预处理阶段，经过了图象的颜色处理，图像的几何归一化，图像的均衡化和图象的灰度归一化四个过程。
所有人脸图像通过上述处理后，就可以在一定程度上减小光照、背景等一些外在因素的不利影响。
3)介绍了目前主流的一些人脸检测算法，本文采用并详细叙述了Adaboost人脸检测算法。
Adaboost算法首先需要创建人脸图像的训练样本，再通过对样本的训练，得到的级联分类器就可以对人脸进行检测。
4)本文介绍了基于PCA算法的人脸特征点提取，并在PCA算法的基础上应用了改进型的2DPCA算法，对两者的性能进行了对比，得出后者的准确度和实时性均大于前者，最后将Adaboost人脸检测算法和2DPCA算法结合，不仅能大幅度降低识别时间，而且还相互补充，有效的提高了识别率。
关键词：人脸识别 2DPCA 特征提取人脸检测2DPCA Face Recognition Algorithm Basedon The ResearchAbstract：Face recognition is a technology to detect and locate human face in an image or video streams,Including location, size, shape, number and other information of human face in an image or video streams.Due to the rapid development of computer operation speed makes the image processing technology has been widely applied in many fields in recent years. This paper's work has the following several aspects:1)Explained the background, research scope and method of face recognition,and introduced the theoretical method of face recognition field in general.2)The pretreatments work is based on the original ORL face database. In the image preprocessing stage, there are the color of the image processing, image geometric normalization, image equalization and image gray scale normalization four parts. After united processing, the face image is standard, which can eliminate the adverse effects of some external factors.3)All kinds of face detection algorithm is introduced, and detailed describing the Adaboost algorithm for face detection. Through the Adaboost algorithm to create a training sample,then Training the samples of face image,and obtaining the cascade classifier to detect human face.4)This paper introduces the facial feature points extraction based on PCA ,and 2DPCA is used on the basis of the PCA as a improved algorithm.Performance is compared between the two, it is concluds that the real time and accuracy of the latter is greater than the former.Finally the Adaboost face detection algorithm and 2DPCA are combined, which not only can greatly reduce the recognition time, but also complement each other, effectively improve the recognition rate.Key words：Face recognition 2DPCA Feature extraction Face detection目录第1章前言 (1)1.1 人脸识别的应用和研究背景 (1)1.2 人脸识别技术的研究方向 (2)1.3 研究的现状与存在的困难 (3)1.4 本文大概安排 (4)第2章人脸识别系统及软件平台的配置 (4)2.1 人脸识别系统概况 (4)2.1.1 获取人脸图像信息 (5)2.1.2 检测定位 (5)2.1.3 图像的预处理 (5)2.1.4 特征提取 (6)2.1.5 图像的匹配与识别 (6)2.2 OpenCV (6)2.2.1 OpenCV简介 (6)2.2.2 OpenCV的系统配置 (7)2.3 Matlab与图像处理 (8)第3章图像的检测定位 (8)3.1 引言 (8)3.2 人脸检测的方法 (8)3.3 Adaboost算法 (9)3.3.1 Haar特征 (10)3.3.2 积分图 (10)3.3.4 级联分类器 (11)第4章图像的预处理 (13)4.1 引言 (13)4.2 人脸图像库 (13)4.3 人脸预处理算法 (14)4.3.1 颜色处理 (14)4.3.2几何归一化 (15)4.3.3直方图均衡化 (16)4.3.4灰度归一化 (18)4.4 本章小结 (19)第5章图像的特征提取与识别 (19)5.1 引言 (19)5.2 图像特征提取方法 (20)5.2.1基于几何特征的方法 (20)5.2.2基于统计的方法 (20)5.2.3弹性图匹配(elastic graph matching) (21)5.2.4神经网络方法 (21)5.2.5支持向量机(SVM)方法 (22)5.3 距离分类器的选择 (22)5.4 PCA算法的人脸识别 (24)5.5 二维主成分分析（2DPCA） (25)5.5.1 2DPCA人脸识别算法 (25)5.5.2 特征提取 (27)5.5.3 分类方法 (27)5.5.4 基于2DPCA的图像重构 (28)5.6 实验分析 (28)第6章总结与展望 (33)6.1 本文总结 (33)6.2 未来工作展望 (33)致谢 (34)参考文献： (35)第1章前言1.1 人脸识别的应用和研究背景随着社会科学技术的发展进步，特别是最近几年计算机的软硬件技术高速发展，以及人们越来越将视野集中到快速高效的智能身份识别，使生物识别技术在科学研究中取得了重大的进步和发展。
人脸识别毕业论文
人脸识别毕业论文人脸识别技术在当今社会中扮演着越来越重要的角色。
它不仅广泛应用于安全领域，如身份验证和视频监控，还在商业和娱乐领域中得到了广泛应用。
本文将探讨人脸识别技术的原理、应用和潜在的问题。
首先，我们来了解一下人脸识别技术的原理。
人脸识别是一种基于人脸特征的生物识别技术，通过对人脸进行采集、提取和比对，来判断一个人的身份。
在人脸识别过程中，首先需要对人脸进行采集，通常是通过摄像头获取人脸图像。
然后，通过图像处理算法，提取人脸的特征点，如眼睛、鼻子和嘴巴等。
最后，将提取到的特征与数据库中的已知人脸特征进行比对，以确定身份。
人脸识别技术在安全领域中得到了广泛应用。
例如，许多机场和边境检查站使用人脸识别技术来加强边境安全和打击恐怖主义。
此外，许多公司和政府机构也使用人脸识别技术来进行员工考勤和门禁控制。
人脸识别技术的高精度和高效率使其成为安全领域中的重要工具。
除了安全领域，人脸识别技术还在商业和娱乐领域中得到了广泛应用。
许多手机和电脑都配备了人脸识别解锁功能，使用户可以方便而安全地解锁设备。
此外，一些社交媒体平台也使用人脸识别技术来进行人脸标记和面部识别，以提供更好的用户体验。
然而，人脸识别技术也存在一些潜在的问题。
首先，隐私问题是人脸识别技术面临的主要挑战之一。
由于人脸识别技术需要收集和存储大量的人脸数据，这可能导致个人隐私泄露的风险。
此外，人脸识别技术的准确性也存在一定的局限性。
例如，当人脸图像受到光线、角度和遮挡等因素的影响时，人脸识别系统可能无法正确识别。
为了解决这些问题，研究人员正在不断改进人脸识别技术。
他们通过改进图像处理算法和模型训练方法，提高了人脸识别系统的准确性和鲁棒性。
此外，一些法律和政策也被制定，以保护个人隐私和规范人脸识别技术的使用。
总结起来，人脸识别技术在安全、商业和娱乐领域中发挥着重要作用。
它通过采集、提取和比对人脸特征，来判断一个人的身份。
然而，人脸识别技术也面临着隐私和准确性等问题。
人脸识别技术的研究与设计毕业论文
人脸识别技术的研究与设计毕业论文标题：基于人脸识别技术的研究与设计摘要：随着人脸识别技术的快速发展，其在安全监控、身份验证和图像等领域扮演着重要角色。
本论文旨在研究和设计基于人脸识别技术的系统，提供一种可行的解决方案。
首先，介绍人脸识别的原理和发展趋势。
然后，讨论设计和开发的关键要素，包括图像采集、特征提取、特征匹配和系统性能评估等。
最后，通过实验验证自己所提出的系统在实际应用中的有效性与准确性。
关键词：人脸识别，图像采集，特征提取，特征匹配，系统性能评估引言：人脸作为人类最基本的身份特征之一，一直以来都受到人们广泛关注。
人脸识别技术的发展为人们的生活和工作带来了极大的便利。
与传统的身份验证方法相比，人脸识别技术不需要接触式设备，而是通过对人脸图像的采集、提取和匹配等步骤实现自动识别。
然而，由于人脸图像的干扰、变化和质量等因素的存在，使得人脸识别技术的研究和设计变得复杂而具有挑战性。
本论文旨在对人脸识别技术进行深入研究，并基于所得到的研究成果设计一个高效、准确的人脸识别系统。
论文结构如下：一、人脸识别技术的原理和发展趋势二、系统设计与开发1.图像采集：通过选择合适的设备、摄像头和光线条件，实现高质量的人脸图像采集。
2.图像预处理：对采集的图像进行去噪、归一化和对齐等处理，提高识别系统的性能。
3.特征提取：通过选取适当的特征提取算法，提取人脸图像中的关键特征，并将其转化为数学表示。
4.特征匹配：利用已有的特征数据库与待识别的人脸特征进行比对，并计算相似度得分。
5.系统性能评估：通过对识别系统的准确率、召回率、误识率等指标进行评估，验证其性能以及对抗各种挑战的能力。
三、实验结果与讨论本部分将通过实验验证所设计的人脸识别系统的有效性与准确性，并对系统的性能进行分析。
同时，还将讨论实验结果中存在的问题，并提出解决方案。
结论：本论文针对人脸识别技术的研究与设计进行了全面的探讨。
通过分析人脸识别技术的原理和发展趋势，设计了一个基于人脸识别技术的高效、准确的系统。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
太原科技大学毕业设计（论文）设计(论文)题目：基于PCA算法的人脸识别毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。
尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。
对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。
作者签名：日期：指导教师签名：日期：使用授权说明本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。
作者签名：日期：Ⅰ学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。
除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。
对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。
本人完全意识到本声明的法律后果由本人承担。
作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。
本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
涉密论文按学校规定处理。
作者签名：日期：年月日导师签名：日期：年月日Ⅰ太原科技大学毕业设计（论文）任务书学院（直属系）：电子信息工程系时间：2012年 1月 14日说明：一式两份，一份装订入学生毕业设计（论文）内，一份交学院（直属系）。
Ⅰ目录摘要 (Ⅲ)ABSTRACT (Ⅳ)第1章人脸识别概述 (1)1.1 人脸识别技术 (3)1.2 人脸识别的研究背景及意义 (4)1.3 人脸识别理论的发展 (5)1.4 人脸识别的难点 (6)第2章人脸识别的常用算法 (9)2.1 人脸识别常用方法 (9)2.2 PCA方法的优点 (10)第3章 PCA人脸识别方法 (12)3.1 简介 (12)3.2 问题描述 (12)3.2.1 KL变换原理 (13)3.2.2 利用 PCA 进行人脸识别 (14)3.3 PCA 的理论基础 (15)3.3.1 投影 (15)3.3.2 PCA 的作用及其统计特性 (15)3.3.3 特征脸 (17)3.3.4 图片重建 (17)3.3.5 奇异值分解（SVD） (18)3.3.6 利用小矩阵计算大矩阵特征向量 (18)3.3.7图片归一化 (19)第4 人脸识别系统的设计及实现 (20)4.1 人脸识别流程 (20)4.2 离线学习和在线匹配 (21)4.3 人脸识别中PCA算法步骤及过程 (22)Ⅰ4.4 实验及结果分析 (23)第5章影响人脸识别的几个因素及人脸数据库介绍 (26)第6章总结与展望 (30)6.1 总结 (30)6.2 展望 (30)参考文献 (32)致谢 (33)附件 (34)Ⅱ基于pca算法的人脸识别摘要生物特征识别技术使用了人体本身所固有的生物特征，与传统的身份识别方法完全不同，具有更高的安全性、可靠性、和有效性，越来越受到人们的重视。
人脸识别技术作为生物特征识别技术的重要组成部分，在近三十年里得到了广泛的关注和研究，已经成为计算机视觉、模式识别领域的研究热点。
人脸识别在公共安全、证件验证、门禁系统、视频监视等领域中都有着广泛的应用前景。
本文是在人脸数据库的基础上做人脸特征提取和识别研究，主要内容如下：（1）对人脸识别研究的内容、相关技术、主要实现方法及发展历程作了详细介绍。
（2）介绍主成分分析法(PCA)、K-L变换，并利用特征脸方法实现了人脸识别。
（3）给出了基于matlab环境的编程及实验结果，并对结果进行分析。
关键词: 人脸识别，特征脸，K-L变换，主成分分析。
ⅢPCA Based Face Recognition AlgorithmABSTRACTBiometics,because of using the proper living creature characteristic of human body,is the totally brand new technique different from traditional personal ideniification method and it has the better safety,dependable with the usefulness,and it was payed great attention.Face recongnition is an important component of biometrics and in all kinds of methods,it is also one of the most active and challenging tasks for computer vision and pattern recognition in recent 30 years.Face recognition has a wide range of potential app1ications in the areas of public security，identification of certificate，entrance control and video surveillanee.This paper mainly studies the approaches to the features extraction and recognition in the face database.The main contents are as follows:(1) Give a full introduce to the contents of face recongnition,related techonology,the main implement methods and its development history.(2) Give a introduce to the Princeple Components Analysis(PCA),K-L translation,and realized it via eigenface method.(3) Programed it based the matlab environment and provide the experiment result and analysised it.Key Words: Face Recongnition，Eigenface，K-L Translation, Principle Component AnalysisⅣ第1章人脸识别概述目前，在个人身份鉴别中主要依靠ID卡和密码等传统手段，这些传统手段的安全性能较低，都是基于“What he possesses”或“What he remembers”的简单身份鉴别，离真正意义上的身份鉴别“Who he is”还相差甚远。
依靠传统方法来确认个人身份越来越不适应现代科技的发展和社会的进步。
生物特征识别技术给可靠的身份鉴定带来了可能。
最近，国际生物特征组织(IBG)对生物特征识别技术做了较详细的市场分析和预测，其结果显示，全球生物特征识别技术2009年的产值将为34亿美元，预计到2014年将超过93亿美元，市场潜力非常巨大[1]。
生物识别技术是指利用一个人固有的生理或行为特征进行自动的身份认证。
只有满足以下几个条件的生理或行为特征才能被用做生物识别特征:1)普遍性。
即每个人都要具备这种特征。
2)唯一性。
即不同的人应该具备不同的这种特性。
3)持久性。
即这种特征不随时间地点的改变而变化。
4)可采集性。
即该特征可以被定量地测量。
研究和经验表明，人脸、指纹、手型、掌纹、虹膜、视网膜、签名、声音等都满足这些条件，可以用于识别人的身份。
基于这些特征，人们发展了人脸识别、指纹识别、语音识别、虹膜识别等多种生物识别技术。
在所有的生物特征识别技术中，利用人脸特征进行身份识别是最自然、最直接和最友好的手段。
与其它生物特征识别技术相比，人脸的获取非常容易，几乎可以在被采集对象无意识的状态下获取人脸图像，这样的取样方式没有“侵犯性”。
人脸识别技术是一种重要的生物特征识别技术，应用非常广泛。
人脸是自然界存在的一种特殊的复杂视觉模式，它包含及其丰富的信息。
首先，人脸具有一定的不变性和唯一性，人脸识别是人类在进行身份确认时使用最为普遍的一种方式，人脸图像还能够提供一个人的性别、年龄、种族等有关信息。
其次，人脸也具有多样的变化能力，从人脸的不同表情人们可以感知到一个人的情绪、感受、甚至秉性和气质。
它无需特殊的采集设备，系统的成本低，而且自动人脸识别的使用非常自然，可以在被识别对象毫无察觉的情况下进行，是一种非常受使用者欢迎的方式。
虽然人类在表情、年龄或发型等发生巨大变化的情况下，可以毫不费力地由人脸来识别某一人，但要建立一个能够完全自动进行人脸识别的系统却是非常困难的，诸多因素使得人脸识别研究成为一项极具挑战性的课题。
它牵涉到模式识别、图像处理、计算机视觉、生理学、心理学、以及认知科学等方面的诸多知识，并与基于其它生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切联系。
与指纹、视网膜、虹膜、基因、掌形等其它生物特征识别系统相比，人脸识别具有直接、友好、方便和非接触等许多优点，多年来一直受到许多研究者的关注。
人脸识别研究，起源于l9世纪末法国人Sir Franis Gahon的工作。
到20世纪9O年代，开始作为一个独立学科快速发展起来。
人脸识别研究的发展大致分成三个阶段：第一阶段以Allen和Parke为代表，主要研究人脸识别所需要的面部特征。
研究者用计算机实现了较高质量的人脸灰度图模型。
这阶段的工作特点是识别过程全部依赖于操作人员。
第二阶段是人机交互式识别阶段，其中用几何特征参数来表示人脸正面图像是以Harmon 和Lesk为代表，将人脸面部特征用多维特征矢量表示出来，并设计了基于这一特征表示法的识别系统。
而以Kaya和Kobayashi为代表，则采用了统计识别的方法、用欧氏距离来表示人脸特征。