基于matlab的人脸识别课程设计
matlab人脸签到课程设计
matlab人脸签到课程设计一、教学目标本课程的学习目标包括知识目标、技能目标和情感态度价值观目标。
知识目标要求学生掌握Matlab基本操作，了解人脸签到系统的基本原理。
技能目标要求学生能够运用Matlab编程实现人脸识别和签到功能，提高实际操作能力。
情感态度价值观目标培养学生的创新意识，激发学生对技术的兴趣，培养学生团队协作和解决问题的能力。
通过分析课程性质、学生特点和教学要求，明确课程目标，将目标分解为具体的学习成果，以便后续的教学设计和评估。
二、教学内容根据课程目标，选择和教学内容，确保内容的科学性和系统性。
本课程的教学大纲如下：1.Matlab基础：介绍Matlab的发展历程、界面组成和基本操作，使学生能够熟练使用Matlab进行编程。
2.图像处理基础：讲解图像处理的基本概念、原理和方法，为学生后面学习人脸识别打下基础。
3.人脸检测：介绍人脸检测的方法和算法，让学生掌握如何检测图像中的人脸位置。
4.人脸识别：讲解人脸识别的原理和技术，培养学生运用Matlab实现人脸识别功能。
5.签到系统设计：引导学生结合人脸识别技术设计一套签到系统，提高学生的实际操作能力。
三、教学方法本课程采用多种教学方法，激发学生的学习兴趣和主动性。
主要包括：1.讲授法：讲解Matlab基础、图像处理基础、人脸检测和人脸识别等相关知识。
2.案例分析法：分析实际案例，让学生了解人脸签到系统在实际应用中的优势和特点。
3.实验法：安排实验环节，让学生动手实践，培养学生的实际操作能力。
4.小组讨论法：学生进行小组讨论，分享学习心得，提高学生的团队协作能力。
四、教学资源选择和准备适当的教学资源，包括教材、参考书、多媒体资料和实验设备。
教学资源应该能够支持教学内容和教学方法的实施，丰富学生的学习体验。
1.教材：选用权威、实用的Matlab教材，为学生提供基础知识。
2.参考书：推荐学生阅读相关领域的经典著作，拓宽知识面。
3.多媒体资料：制作精美的PPT，便于学生理解和记忆。
基于matlab程序实现人脸识别
基于matlab程序实现人脸识别
人脸识别已经成为一个广泛被应用的技术，例如手机的解锁方式，安全系统等等。
它是一种基于人脸图像进行身份验证或身份识别的技术，也是近年来计算机视觉和模式识别领域研究的热点方向之一。
在这篇文档中，我们将介绍如何使用matlab编写一个简单的人脸识别程序。
人脸识别是什么？
人脸识别可以被定义为一个过程，旨在使用数字算法识别和验证图像或视频中
人脸身份。
在计算机科学的领域中，这项技术可以被描述为一种模式识别技术，
旨在通过在人脸图像上提取可识别特征来确定身份验证。
通俗易懂地理解，就是计算机能够识别人脸的特征，并将其与已知的数据匹配，从而确定人物身份。
人脸识别程序的开发流程
以下是本文介绍的基本程序开发流程：
1.数据集导入和预处理
2.特征提取和脸部对齐
3.模型训练和分类器设计
4.模型评估和测试
数据集导入和预处理
考虑到一个好的项目，我们需要一个良好的数据集。
在这里，我们可以使用来
自orl人脸数据集的数据。
该数据集中包含的有40个人的400幅灰度图像，每个
人有10个不同的示例。
您可以从该网站下载并使用这些数据来测试您的算法。
在这个过程中，我们需要使用matlab中的imread函数将数据读取为数字矩阵，然后将数据分为训练集和测试集。
这个过程旨在将原始的数据转换为我们算法能
够处理的数字矩阵，并将数据划分为训练集和测试集。
``` % 读取数据集 dataFolderPath =。
基于MATLAB的人脸识别系统的研究毕业论文
长沙民政职业技术学院毕业实践报告 题目:基于MATLAB 勺人脸识别系统的研扌旨导老师： ______ 谭刚林 ______________________ 系 另寸： 电子信息工程系 __________________ 班 级： ______________ 电子1133 ____________学号：1119013333 1119013334 1119013335 姓 名： 刘盼符思遥樊阳辉类型:2014年5月5日基于MATLAB勺人脸识别系统的研究符思遥、刘盼、樊阳辉指导老师：谭刚林苏宏艮马勇赞【摘要】人脸检测与识别技术是计算机视觉和模式识别等学科的研究热点之一，是进行身份认证最友好直接的手段，在出入境安全检查、内容检索、证件验证、门禁系统等领域都具有十分广泛的应用前景。
多年来，人脸识别技术中的很多问题都被深入地研究，而且大量的算法已经成功应用于人脸识别。
本文在研究了人脸检测和身份识别的关键技术和相关理论的基础上，重点讨论了在光照和背景不同的条件下，彩色静止图像的人脸检测和身份识别问题，它包括基于肤色分割的人脸粗检测、基于人眼检测的几何归一化和基于二维主成分分析法(2DPCA的身份识别。
本文主要工作如下：首先对彩色图像进行光照补偿，其次通过肤色检测获得可能的脸部区域并二值化，再用形态学开闭运算对图像进行滤波处理并通过一定规则确定人脸区域，然后运用水平垂直投影定位人眼坐标以此对人脸进行几何归一化，识别部分运用2DPCA勺图像映射方法对灰度图进行特征匹配，最后输出识别结果并进行语音播报。
实验结果表明，结合肤色和面部几何特征的算法能够对人脸进行较快速和准确的定位，同时2DPCAT法运用于身份识别也能达到较高的识别率。
本毕业设计对实际应用具有一定的参考价值，该系统的操作流程和输入输出方式是以实际应用为出发点，可应用于公安机关证件验证以及日常家庭的自动门禁系统等。
【关键词】人脸检测；肤色分割；人眼检测；2DPCA特征提取1绪论 (1)1.1选题的背景 (1)1.2人脸识别系统 (2)1.3人脸识别的典型方法 (2)2基于YCbCr颜色空间的肤色分割 (3)2.1三种色彩空间 (3)2.1.1 RGB色彩空间 (3)3基于2DPCA特征提取的身份识别 (4)3.1 2DPCA算法实验结果与分析 (5)3.1.1实验用数据库 (5)3.1.2实验结果与分析 (5)3.1.3 结论 (7)4人脸检测与识别系统设计与实现 (7)4.1系统环境 (7)4.2人脸检测与识别系统框图 (7)4.3系统功能模块 (8)4.4实验结果分析 (9)5总结与展望 (10)5.1总结 (10)5.2展望 (10)参考文献 (12)1绪论1.1选题的背景近年来随着计算机技术和互联网的发展，信息技术的安全变得越来越重要，生物特征识别技术得到广泛研究与开发，如人脸识别、指纹识别、掌形识别等。
如何使用Matlab进行人脸检测和人脸识别
如何使用Matlab进行人脸检测和人脸识别人脸检测和人脸识别是计算机视觉领域中的重要技术应用，可以广泛用于人脸识别系统、人脸支付、安全监控等众多领域。
本文将介绍如何使用Matlab进行人脸检测和人脸识别。
1. 背景介绍人脸检测和人脸识别技术的出现，为计算机系统实现对人脸的自动分析和识别提供了可能。
人脸检测是指从一幅图像或视频序列中确定是否存在人脸，并找出人脸的位置和大小。
而人脸识别则是在检测到的人脸图像上进行特征提取和模式匹配，以实现对人脸的身份识别。
2. 人脸检测在Matlab中，可以使用Viola-Jones算法进行人脸检测。
该算法通过构造Haar特征与Adaboost集成学习算法相结合，能够在较短的时间内实现高效的人脸检测。
具体操作如下：2.1 加载图像首先，在Matlab中加载需要进行人脸检测的图像。
可以使用imread函数进行图像加载，并将其转换为灰度图像进行处理。
例如：```Matlabimage = imread('face.jpg');gray_image = rgb2gray(image);```2.2 构建人脸检测器在Matlab中，可以使用vision.CascadeObjectDetector对象构建人脸检测器。
该对象可以通过Viola-Jones算法进行人脸检测。
具体代码如下：```MatlabfaceDetector = vision.CascadeObjectDetector();bbox = step(faceDetector, gray_image);```2.3 显示检测结果最后，可以使用insertObjectAnnotation函数将检测到的人脸位置在原始图像上标记出来。
代码示例如下：```Matlabdetected_image = insertObjectAnnotation(image, 'rectangle', bbox, 'Face');imshow(detected_image);```3. 人脸识别在Matlab中，可以使用基于人脸特征的Eigenface、Fisherface和LBPH等算法进行人脸识别。
基于Matlab的人体指纹识别程序设计(课程设计)
等级: 课 程 设 计课程名称课题名称 基于Matlab的人体指纹识别程序设计专 业班 级学 号姓 名指导老师年 月 日课程设计任务书课题名称 基于Matlab的人体指纹识别程序设计姓 名 专业 班级 学号指导老师课程设计时间教研室意见 意见： 审核人：一、任务及要求1）根据所学的知识和能力，利用Matlab软件设计程序实现根据指纹的大小、形状等特征，识别出不同的指纹；2）利用按键标志当前指纹识别的状态，例如录入状态、识别状态、清楚状态。
设计要求：1）对指纹识别的过程进行分析，掌握指纹识别系统算法的工作原理；2）进行指纹识别程序的方案设计；3）进行指纹识别程序的模块设计；4）要有必要的算法设计说明；5）写出课程设计报告。
报告中应包括原理框图、参数曲线分析、操作方法、算法分析、软件调试等，调试过程中遇到的问题，改进方法和总结体会；6）答辩。
二、进度安排周一：集中布置课程设计任务和相关事宜，查资料确定指纹识别程序设计总体方案。
周二～周五：完成人体指纹识别程序设计及仿真。
周六～周日：设计报告撰写，周日进行答辩和设计结果检查。
三、参考资料目 录1第1章 绪论............................................................................11.1 Matlab介绍 ......................................................................11.2 Matlab优势特点 ..................................................................11.3 指纹识别.........................................................................11.4 指纹识别技术的主要优点...........................................................2第2章 设计任务及要求...................................................................22.1 设计任务.........................................................................22.2 设计要求.........................................................................第3章 系统方案设计.....................................................................333.1 系统方案设计.....................................................................33.2 系统框图.........................................................................4第4章 系统软件设计.....................................................................44.1 主函数...........................................................................54.2 归一化和切割.....................................................................4.3 二值化...........................................................................794.4 细化.............................................................................4.5 中心点提取.......................................................................4.6 求特征点.........................................................................14164.7 指纹匹配.........................................................................17第5章 系统仿真及调试...................................................................20总 结..................................................................................错误!未定义书签。
基于MATLAB的人脸识别考勤系统
电子技术‖77‖基于MATLAB的人脸识别考勤系统◆杨天成本文的主要研究内容是人脸识别技术。
在研究中了解人脸识别技术在国内外的研究现状及发展前景，掌握了部分MA TLAB 的图像处理功能，并按照人脸图像采集、图像预处理、人脸特征提取与识别这条技术路线开发实现了一个简易人脸识别系统。
本次设计中的核心部分是人脸的检测与识别，此人脸识别可应用于企业员工考勤签到上。
本设计分为图像采集、数据库信息存储与显示、人脸识别、数据库信息清除、退出程序几部分组成。
采集图像模块的目的就是采集所要存储的人脸图片，将其存入数据库中，为后面的人脸识别算法提供相应的训练素材。
模块代码如下：if chos==1， clc ；[namefile ，pathname]=uigetfile （'*.pgm'，'Select image'）；%读取.pgm 文件 if name fi le~=0[img ，map]=imread （strcat （pathname ，name fi le ））；imshow （img ）； elsewarndlg （'放入的图片必须是已采集的'，' Warning '） end end其中的name fl ie ，和pathname 分别指的是文件名和查找文件的路径。
当点击“采集图像”时，系统会根据操作指令弹出要采集的图片，选择确定后，会将这个图片的路径以及图片名相关信息保存到变量pathname 和name fi le 里。
当采集到图片后要将采集的图片保存到数据库中，此目的是为了给后期人脸识别时提供相应的训练素材。
但是需要注意的是在进行保存图片时要对保存的图片划分类别，同一个人的不同照片要划分到同一类中。
设第一个人的所有图片组成的类别为1，第二个人的所有图片组成的类别就为2，由此以此类推。
每一类的图片种类越多，越能保证后期识别的成功率。
同时为了能够保证录入的信息正确，可以点击“数据库信息”就会显示出数据库中存入了多少张照片以及分了多少类别。
LDA人脸识别的matlab程序
以下是LDA的m文件函数：你稍稍改改就能用了！function[eigvector,eigvalue,elapse]=LDA(gnd,options,data) %LDA:LinearDiscriminantAnalysis%%[eigvector,eigvalue]=LDA(gnd,options,data)%%Input:%data-Datamatrix.Eachrowvectoroffeaisadatapoint.%gnd-Colunmvectorofthelabelinformationforeach%datapoint.%options-StructvalueinMatlab.Thefieldsinoptions%thatcanbeset:%%Regu-1:regularizedsolution,%a*=argmax(a'X'WXa)/(a'X'Xa+ReguAlpha*I)%0:solvethesinularityproblembySVD%Default:0%%ReguAlpha-Theregularizationparameter.Valid%whenRegu==1.Defaultvalueis0.1.%%ReguType-'Ridge':Tikhonovregularization%'Custom':Userprovided%regularizationmatrix%Default:'Ridge'%regularizerR-(nFeaxnFea)regularization%matrixwhichshouldbeprovided%ifReguTypeis'Custom'.nFeais%thefeaturenumberofdata%matrix%Fisherface-1:Fisherfaceapproach%PCARatio=nSmp-nClass%Default:0%%PCARatio-Thepercentageofprincipal%componentkeptinthePCA%step.Thepercentageis%calculatedbasedonthe%eigenvalue.Defaultis1%(100%,allthenon-zero%eigenvalueswillbekept.%IfPCARatio>1,thePCAstep%willkeepexactlyPCARatioprinciple%components(doesnotexceedthe%exactnumberofnon-zerocomponents).%%%Output:%eigvector-Eachcolumnisanembeddingfunction,foranew%datapoint(rowvector)x,y=x*eigvector%willbetheembeddingresultofx.%eigvalue-ThesortedeigvalueofLDAeigen-problem.%elapse-Timespentondifferentsteps%%Examples:%%fea=rand(50,70);%gnd=[ones(10,1);ones(15,1)*2;ones(10,1)*3;ones(15,1)*4];%options=[];%options.Fisherface=1;%[eigvector,eigvalue]=LDA(gnd,options,fea);%Y=fea*eigvector;%%%SeealsoLPP,constructW,LGE%%%%Reference:%%P.N.Belhumeur,J.P.Hespanha,andD.J.Kriegman,揈igenfaces%vs.fisherfaces:recognitionusingclassspecificlinear%projection,?IEEETransactionsonPatternAnalysisandMachine%Intelligence,vol.19,no.7,pp.711-720,July1997.%%DengCai,XiaofeiHe,YuxiaoHu,JiaweiHan,andThomasHuang, %"LearningaSpatiallySmoothSubspaceforFaceRecognition",CVPR'2007 %%DengCai,XiaofeiHe,JiaweiHan,"SRDA:AnEfficientAlgorithmfor%LargeScaleDiscriminantAnalysis",IEEETransactionsonKnowledgeand %DataEngineering,2007.%%version2.1--June/2007%version2.0--May/2007%version1.1--Feb/2006%version1.0--April/2004%%WrittenbyDengCai(dengcai2AT%if~exist('data','var')globaldata;endif(~exist('options','var'))endif~isfield(options,'Regu')|~options.RegubPCA=1;if~isfield(options,'PCARatio')options.PCARatio=1;endelsebPCA=0;if~isfield(options,'ReguType')options.ReguType='Ridge';endif~isfield(options,'ReguAlpha')options.ReguAlpha=0.1;endendtmp_T=cputime;%======Initialization[nSmp,nFea]=size(data);iflength(gnd)~=nSmperror('gndanddatamismatch!');endclassLabel=unique(gnd);nClass=length(classLabel);Dim=nClass-1;ifbPCA&isfield(options,'Fisherface')&options.Fisherface options.PCARatio=nSmp-nClass;endifissparse(data)data=full(data);endsampleMean=mean(data,1);data=(data-repmat(sampleMean,nSmp,1));bChol=0;ifbPCA&(nSmp>nFea+1)&(options.PCARatio>=1) DPrime=data'*data;DPrime=max(DPrime,DPrime');[R,p]=chol(DPrime);ifp==0bPCA=0;bChol=1;endend%====================================== %SVD%====================================== ifbPCAddata=data'*data;ddata=max(ddata,ddata');[eigvector_PCA,eigvalue_PCA]=eig(ddata);eigvalue_PCA=diag(eigvalue_PCA);clearddata;maxEigValue=max(abs(eigvalue_PCA));eigIdx=find(eigvalue_PCA/maxEigValue<1e-12);eigvalue_PCA(eigIdx)=[];eigvector_PCA(:,eigIdx)=[];[junk,index]=sort(-eigvalue_PCA);eigvalue_PCA=eigvalue_PCA(index);eigvector_PCA=eigvector_PCA(:,index);%======================================= ifoptions.PCARatio>1idx=options.PCARatio;ifidx<length(eigvalue_PCA)eigvalue_PCA=eigvalue_PCA(1:idx);eigvector_PCA=eigvector_PCA(:,1:idx);endelseifoptions.PCARatio<1sumEig=sum(eigvalue_PCA);sumEig=sumEig*options.PCARatio;sumNow=0;foridx=1:length(eigvalue_PCA)sumNow=sumNow+eigvalue_PCA(idx);ifsumNow>=sumEigbreak;endendeigvalue_PCA=eigvalue_PCA(1:idx);eigvector_PCA=eigvector_PCA(:,1:idx);end%======================================= eigvalue_PCA=eigvalue_PCA.^-.5;data=(data*eigvector_PCA).*repmat(eigvalue_PCA',nSmp,1); elseddata=data*data';ddata=max(ddata,ddata');[eigvector,eigvalue_PCA]=eig(ddata);eigvalue_PCA=diag(eigvalue_PCA);clearddata;maxEigValue=max(eigvalue_PCA);eigIdx=find(eigvalue_PCA/maxEigValue<1e-12);eigvalue_PCA(eigIdx)=[];eigvector(:,eigIdx)=[];[junk,index]=sort(-eigvalue_PCA);eigvalue_PCA=eigvalue_PCA(index);eigvector=eigvector(:,index);%======================================= ifoptions.PCARatio>1idx=options.PCARatio;ifidx<length(eigvalue_PCA)eigvalue_PCA=eigvalue_PCA(1:idx);eigvector=eigvector(:,1:idx);endelseifoptions.PCARatio<1sumEig=sum(eigvalue_PCA);sumEig=sumEig*options.PCARatio;sumNow=0;foridx=1:length(eigvalue_PCA)sumNow=sumNow+eigvalue_PCA(idx);ifsumNow>=sumEigbreak;endendeigvalue_PCA=eigvalue_PCA(1:idx);eigvector=eigvector(:,1:idx);end%======================================= eigvalue_PCA=eigvalue_PCA.^-.5;eigvector_PCA=(data'*eigvector).*repmat(eigvalue_PCA',nFea,1); data=eigvector;cleareigvector;endelseif~bCholDPrime=data'*data;%options.ReguAlpha=nSmp*options.ReguAlpha;switchlower(options.ReguType)case{lower('Ridge')}fori=1:size(DPrime,1)DPrime(i,i)=DPrime(i,i)+options.ReguAlpha;endcase{lower('Tensor')}DPrime=DPrime+options.ReguAlpha*options.regularizerR;case{lower('Custom')}DPrime=DPrime+options.ReguAlpha*options.regularizerR; otherwiseerror('ReguTypedoesnotexist!');endDPrime=max(DPrime,DPrime');endend[nSmp,nFea]=size(data);Hb=zeros(nClass,nFea);fori=1:nClass,index=find(gnd==classLabel(i));classMean=mean(data(index,:),1);Hb(i,:)=sqrt(length(index))*classMean;endelapse.timeW=0;elapse.timePCA=cputime-tmp_T;tmp_T=cputime;ifbPCA[dumpVec,eigvalue,eigvector]=svd(Hb,'econ');eigvalue=diag(eigvalue);eigIdx=find(eigvalue<1e-3);eigvalue(eigIdx)=[];eigvector(:,eigIdx)=[];eigvalue=eigvalue.^2;eigvector=eigvector_PCA*(repmat(eigvalue_PCA,1,length(eigvalue)).*eigvector);elseWPrime=Hb'*Hb;WPrime=max(WPrime,WPrime');dimMatrix=size(WPrime,2);ifDim>dimMatrixDim=dimMatrix;endifisfield(options,'bEigs')ifoptions.bEigsbEigs=1;elsebEigs=0;endelseif(dimMatrix>1000&Dim<dimMatrix/10)|(dimMatrix>500&Dim<dimMatrix/20)|(dimMatrix>250&Dim<dimMatri x/30)bEigs=1;elsebEigs=0;endendifbEigs%disp('useeigstospeedup!');option=struct('disp',0);ifbCholoption.cholB=1;[eigvector,eigvalue]=eigs(WPrime,R,Dim,'la',option);else[eigvector,eigvalue]=eigs(WPrime,DPrime,Dim,'la',option);endeigvalue=diag(eigvalue);else[eigvector,eigvalue]=eig(WPrime,DPrime); eigvalue=diag(eigvalue);[junk,index]=sort(-eigvalue);eigvalue=eigvalue(index);eigvector=eigvector(:,index);ifDim<size(eigvector,2)eigvector=eigvector(:,1:Dim);eigvalue=eigvalue(1:Dim);endendendfori=1:size(eigvector,2)eigvector(:,i)=eigvector(:,i)./norm(eigvector(:,i)); endelapse.timeMethod=cputime-tmp_T;elapse.timeAll=elapse.timePCA+elapse.timeMethod;。
基于Labview_Matlab的人脸识别系统设计与实现
超浅埋段长。隧道通过金家街小学操场 及教学楼和简易房。Ｋ０＋４９．９７－ Ｋ０＋２５３， 地表杂填土厚 ０．９～４．８ｍ，基岩顶面距隧道顶 部 １．５～６．２ｍ。 ２．４ 地面建筑及危房覆盖率高
在 Ｋ０＋１７３～Ｋ０＋２５３ 里程上，沿隧道轴 线宽 ８０ｍ 范围内居民密集，地面建筑多为 １－６ 层砖混结构旧房及简易平房砌筑结构，为七十 年代初期建筑。
（２）爆破后沿岩体的切割面（或称爆裂面）应 具有一定的平整度，并能保持原岩体自身的稳 定性， 从而保证爆破效果及隧道内的安全， 即 光面和稳定控制爆破。 ３．２ 控制爆破基准
根据《爆破安全规程》（ Ｇ Ｂ ６ ７ ２ ２ － ８ ６ ） 对
（１ｌ） 其中 为混合成分的比例因子，即用高斯 混合模型来对概率分布矩阵 Ｂ 建模 和 分 别为高斯混合模型的均值和协方差矩阵
图像。
２．４ 特征提取
首先对合法人员进行图像采集建立以每
人 ５ 幅不同表情像的归一化图像为标准的图
像库， 再对库进行 Ｈ Ｍ Ｍ 训练， 就是要为每个
类别确定一组经过优化的 Ｈ Ｍ Ｍ 参数， 每个模
型可以用单幅或多幅图像进行训练，训练步骤
如下：
（１）对人脸进行Ｇａｂｏｒ小波变换，求出特征
结，并将其作为观测向量，即
１ 引言
随着城市交通及地铁隧道的大量修建，穿 越密集建筑物（住宅区）进行小净距浅埋隧道施 工已成为建筑施工企业和工程技术人员亟待 攻克的科技难题。大连市椒金山新建隧道采 用暗挖法施工， 通过优化控制爆破方案， 合理 选择爆破参数对获取理想震动效果，控制地面 沉降，减少围岩扰动及地表建筑物影响起到了 关键作用。该隧道的控制爆破施工是在交通 不中断、相邻隧道净间距小、洞顶覆盖层薄 的困难条件下进行的，本项目控制爆破技术的 成功应用标志着我国超长小净距隧道控制爆 破施工的一个重大突破。
- 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)。
目录摘要 (III)第1章绪论............................................................. - 1 - 1.1人脸识别技术的细节 . (1)1.2人脸识别技术的广泛应用 (1)1.3人脸识别技术的难点 (2)1.4国内外研究状况 (2)1.5人脸识别的研究内容 (3)1.5.1人脸识别研究内容............................................... - 3 -1.5.2人脸识别系统的组成............................................. - 4 - 第2章人脸识别方法..................................................... - 6 - 2.1基于特征脸的方法 (6)2.2基于神经网络的方法 (6)2.3弹性图匹配法 (7)2.4基于模板匹配的方法 (7)2.5基于人脸特征的方法 (7)第3章 PCA人脸识别方法................................................. - 9 - 3.1引言 (9)3.2主成分分析 (9)3.3特征脸方法 (11)第4章仿真实验........................................................ - 13 - 4.1流程图 (13)4.2仿真结果 (14)第5章总结与展望...................................................... - 15 - 5.1总结.. (15)5.2展望 (15)参考文献............................................................... - 17 - 附录................................................................... - 18 -摘要人脸识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。
本文介绍了多种人脸识别方法，基于对人脸识别方法优缺点的分析比较, 提出了一种基于主元分析(PCA )的人脸识别方法。
通过PCA算法对人脸图像进行特征提取, 再利用最邻近距离分类法对特征向量进行分类识别。
利用剑桥ORL的人脸数据库的数据进行实验仿真，仿真结果验证了本算法是有效的。
关键词：人脸识别，主元分析，最近邻距离分类法，人脸库第1章绪论人脸识别是模式识别研究的一个热点, 它在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广泛的应用。
人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。
因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变性. 主元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设计具有良好分类能力和鲁棒性的分类器. 支持向量机(SVM ) 模式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。
1.1人脸识别技术的细节一般来说，人脸识别系统包括图像提取、人脸定位、图形预处理、以及人脸识别（身份确认或者身份查找）。
系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。
1.2人脸识别技术的广泛应用一项技术的问世和发展与人类的迫切需求是密切相关的，快速发展的社会经济和科学技术使得人类对安全(包括人身安全、隐私保护等)得认识越来越重视。
人脸识别得一个重要应用就是人类的身份识别。
一般来说，人类得身份识别方式分为三类:1.特征物品，包括各种证件和凭证，如身份证、驾驶证、房门钥匙、印章等;2.特殊知识，包括各种密码、口令和暗号等;3.人类生物特征，包括各种人类得生理和行为特征，如人脸、指纹、手形、掌纹、虹膜、DNA、签名、语音等。
前两类识别方式属于传统的身份识别技术，其特点是方便、快捷，但致命的缺点是安全性差、易伪造、易窃取。
特殊物品可能会丢失、偷盗和复制，特殊知识可以被遗忘、混淆和泄漏。
相比较而言，由于生物特征使人的内在属性，具有很强的自身稳定性和个体差异性，因此生物特征是身份识别的最理想依据。
基于以上相对独特的生物特征，结合计算机技术，发展了众多的基于人类生物特征的身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术和人脸识别技术等。
生物识别技术在上个世纪已经有了一定得发展，其中指纹识别技术已经趋近成熟，但人脸识别技术的研究还处于起步阶段。
指纹、虹膜、掌纹等识别技术都需要被识别者的配合，有的识别技术还需要添置复杂昂贵的设备。
人脸识别可以利用已有的照片或是摄像头远距离捕捉图像，无需特殊的采集设备，系统的成本低。
并且自动人脸识别可以在当事人毫无觉察的情况下完成身份确认识别工作，这对反恐怖活动有非常重要的意义。
基于人脸识别技术具有如此多的优势，因此它的应用前景非常广阔，已成为最具潜力的生物特征识别技术之一。
1.3人脸识别技术的难点虽然人类可以毫不困难地根据人脸来辨别一个人，但是利用计算机进行完全自动的人脸识别仍然有许多困难。
人脸模式差异性使得人脸识别成为一个非常困难的问题，表现在以下方面:1.人脸表情复杂，人脸具有多样的变化能力，人的脸上分布着五十多块面部肌肉，这些肌肉的运动导致不同面部表情的出现，会造成人脸特征的显著改变。
2.随着年龄而改变，随着年龄的增长，皱纹的出现和面部肌肉的松弛使得人脸的结构和纹理都将发生改变。
3.人脸有易变化的附加物，例如改变发型，留胡须，戴帽子或眼镜等饰物。
4.人脸特征遮掩，人脸全部、部分遮掩将会造成错误识别。
5.人脸图像的畸变，由于光照、视角、摄取角度不同，可能造成图像的灰度。
1.4国内外研究状况人脸识别是人类视觉最杰出的能力之一。
它的研究涉及模式识别、图像处理、生物学、心理学、认知科学，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。
人脸识别早在六七十年代就引起了研究者的强烈兴趣。
20世纪60年代，Bledsoe提出了人脸识别的半自动系统模式与特征提取方法。
70年代，美、英等发达国家开始重视人脸识别的研究工作并取得进展。
1972年，Harmon用交互人脸识别方法在理论上与实践上进行了详细的论述。
同年，Sakai设计了人脸图像自动识别系统。
80年代初T. Minami研究出了优于Sakai的人脸图像自动识别系统。
但早期的人脸识别一般都需要人的某些先验知识，无法摆脱人的干预。
进入九十年代，由于各方面对人脸识别系统的迫切需求，人脸识别的研究变的非常热门。
人脸识别的方法有了重大突破，进入了真正的机器自动识别阶段，如Karhunen-Loève变换等或新的神经网络技术。
人脸识别研究得到了前所未有的重视，国际上发表有关人脸识别等方面的论文数量大幅度增加，仅从1990年到2000年之间，SCI及EI可检索到的相关文献多达数千篇，这期间关于人脸识别的综述也屡屡可见。
国外有许多学校在研究人脸识别技术，研究涉及的领域很广。
这些研究受到军方、警方及大公司的高度重视和资助，国内的一些知名院校也开始从事人脸识别的研究。
人脸识别是当前模式识别领域的一个前沿课题，但目前人脸识别尚处于研究课题阶段，尚不是实用化领域的活跃课题。
虽然人类可以毫不困难地由人脸辨别一个人，但利用计算机进行完全自动的人脸识别存在许多困难，其表现在：人脸是非刚体，存在表情变化；人脸随年龄增长而变化；发型、眼镜等装饰对人脸造成遮挡；人脸所成图像受光照、成像角度、成像距离等影响。
人脸识别的困难还在于图像包括大量的数据，输入的像素可能成百上千，每个像素都含有各自不同的灰度级，由此带来的计算的复杂度将会增加。
现有的识别方法中，通过从人脸图像中提取出特征信息，来对数据库进行检索的方法速度快，而利用拓扑属性图匹配来确定匹配度的方法则相对较快。
1.5人脸识别的研究内容人脸识别技术(AFR)就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。
人脸识别技术的研究始于六十年代末七十年代初，其研究领域涉及图像处理、计算机视觉、模式识别、计算机智能等领域，是伴随着现代化计算机技术、数据库技术发展起来的综合交叉学科。
1.5.1人脸识别研究内容人脸识别的研究范围广义上来讲大致包括以下五个方面的内容。
1.人脸定位和检测(Face Detection):即从动态的场景与复杂的背景中检测出人脸的存在并且确定其位置，最后分离出来。
这一任务主要受到光照、噪声、面部倾斜以及各种各样遮挡的影响。
2.人脸表征(Face Representation)(也称人脸特征提取):即采用某种表示方法来表示检测出人脸与数据库中的己知人脸。
通常的表示方法包括几何特征(如欧氏距离、曲率、角度)、代数特征(如矩阵特征向量)、固定特征模板等。
3.人脸识别(Face Recognition):即将待识别的人脸与数据库中已知人脸比较，得出相关信息。
这一过程的核心是选择适当的人脸表征方法与匹配策略。
4.表情姿态分析(Expression/Gesture Analysis):即对待识别人脸的表情或姿态信息进行分析，并对其加以归类。
5.生理分类(Physical Classification):即对待识别人脸的生理特征进行分析，得出其年龄、性别等相关信息，或者从几幅相关的图像推导出希望得到的人脸图像，如从父母图像推导出孩子脸部图像和基于年龄增长的人脸图像估算等。
人脸识别的研究内容，从生物特征技术的应用前景来分类，包括以下两个方面:人脸验证与人脸识别。
1.人脸验证((Face Verification/Authentication):即是回答“是不是某人?”的问题。
它是给定一幅待识别人脸图像，判断它是否是某人的问题，属于一对一的两类模式分类问题，主要用于安全系统的身份验证。
2.人脸识别（Face Recognition):即是回答“是谁”的问题。
它是给定一幅待识别人脸图像，再己有的人脸数据库中，判断它的身份的问题。
它是个“一对多”的多类模式分类问题，通常所说的人脸识别即指此类问题，这也是本文的主要研究内容。