基于PCA的人脸识别算法研究毕业论文
《2024年基于深度学习的人脸识别方法研究综述》范文
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人脸识别技术已经成为了人工智能领域的研究热点。
基于深度学习的人脸识别方法以其高精度、高效率的特点，在众多领域得到了广泛应用。
本文旨在全面梳理和总结基于深度学习的人脸识别方法的研究现状、主要技术、应用领域及未来发展趋势。
二、人脸识别技术的发展历程人脸识别技术自诞生以来，经历了从传统的手工特征提取方法到基于深度学习方法的演变。
早期的人脸识别主要依靠人工设计的特征提取算法，如主成分分析（PCA）、线性判别分析（LDA）等。
随着深度学习技术的崛起，卷积神经网络（CNN）等人脸识别算法得到了广泛应用。
三、基于深度学习的人脸识别方法（一）深度卷积神经网络（Deep Convolutional Neural Network, DCNN）DCNN是目前应用最广泛的人脸识别方法之一。
通过训练大量的数据，DCNN可以自动学习和提取人脸特征，从而提高识别的准确性。
同时，DCNN具有较好的泛化能力，可以应对不同的人脸表情、光照、姿态等变化。
（二）深度学习与特征融合在人脸识别中，特征提取是关键的一步。
通过将深度学习与其他特征提取方法相结合，如基于局部二值模式（LBP）的特征提取方法，可以进一步提高人脸识别的准确性和鲁棒性。
此外，多模态特征融合技术也可以提高人脸识别的性能。
（三）基于深度学习的无约束人脸识别无约束人脸识别是近年来研究的热点。
由于实际应用中的人脸图像往往存在光照、姿态、表情等变化，因此基于深度学习的无约束人脸识别技术显得尤为重要。
该技术通过训练大量的无约束人脸数据，使得模型能够适应各种复杂的人脸变化。
四、主要技术应用领域（一）安防领域基于深度学习的人脸识别技术在安防领域得到了广泛应用。
例如，公安系统可以通过该技术对犯罪嫌疑人进行快速检索和比对，提高破案效率。
此外，该技术还可以应用于门禁系统、监控系统等场景。
（二）金融领域在金融领域，基于深度学习的人脸识别技术可以用于身份验证、支付等方面。
基于机器学习的PCA算法在人脸识别中的应用研究
基于机器学习的PCA算法在人脸识别中的应用研究随着人工智能技术的不断发展，人脸识别已经成为了智能化生活、公共安全监控、金融支付等领域的核心技术。
而机器学习在人脸识别中的应用也越来越广泛。
本文将围绕PCA算法在人脸识别中的应用展开研究。
一、机器学习在人脸识别中的应用机器学习是一种通过训练数据来学习模型并从中进行预测的技术。
深度学习是机器学习的一种，它利用神经网络对大量的数据进行训练，并通过多层次的特征提取来实现对复杂数据的处理。
人脸识别就是其中的一个典型应用领域。
近年来，随着大数据的发展和算法技术的不断进步，人脸识别的精度和准确度都得到了极大的提升。
基于机器学习的人脸识别系统在智能家居、社交网络等方面都得到了广泛的应用。
机器学习在人脸识别中的应用主要包括特征提取、分类器设计和模型训练等方面。
其中，特征提取是最关键的一步，目前在特征提取方面，常用的算法有LBP、HOG、SURF、ORB、SIFT等。
而在分类器设计中，SVM、KNN、Adaboost等算法也得到了广泛的应用。
另外，深度学习算法也正在逐渐替代传统的机器学习算法，并成为人脸识别领域的主流技术。
二、PCA算法原理PCA全称为Principal Component Analysis，即“主成分分析”。
PCA算法是一种常用的数据降维算法，能够从高维度的数据中提取出相对重要的特征。
降维能够剔除一些无关特征和噪声，提高了数据处理效率和准确率。
PCA算法的原理是将原始的高维数据转化为一组线性不相关的低维数据，从而实现降维。
在提取主成分之前，需要将原始数据进行标准化处理（即：均值为0，方差为1）。
然后采用特征值分解（Eigenvalue Decomposition）的方式，求出数据的协方差矩阵，然后通过计算协方差矩阵的特征向量和特征值，得到主成分，并将其投影到新的低维空间中，从而实现数据降维。
三、PCA算法在人脸识别中的应用PCA算法在人脸识别中的应用是基于矩阵分解的思想。
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。
PCA在人脸识别中的改进算法
Ｊ．１ ａ２ ｎ ０ｌ
中 国科 技 论 文 在 线
Ｓ Ｅ ＣＥ Ａ Ｅ Ｃ１ ０ １年 １月
Ｐ Ａ在人脸识别 中的改进算法 Ｃ
黄 叻，张 宝 昌，刘金 琨
（ 北京航 空航 天大学 自动化与 电气工程 学院 ，北京 １０ ９ ） ０ １１
Ａ ｓ ａｔＰｉ ｉａｃｍ ｏｅｔｎｌｓ （Ｃ ） ｏｅ ｆｃｅｔ ｄ ｍ ｒｎｔ ｈｉ ｅ ｏｆａ ｒｅｔｃ ｏ ｗｄｌｕｅ ｂ ｔ ｃ： ｒ ｃ ｌｏ ｐｎｎ ａａ ｉ Ｐ Ａ ｉ ｎ ｏ ａ ｐｅ ａ ｉ ｐ ｔ ｔｅ ｎ ｕ ｆ ｅｔ ｅ ｘ ａ ｉ ｉ ｙ ｓ ｒ ｎｐ ｙｓ ｓ ｃ ｄｎ ｏ ａ ｃ ｑ ｒ ｕ ｒ ｔｎ ｅ ｄ
ｉ ｅａｅｓｏ ｍａ ｅ ｅ ｏ ｎｔ ｎｓ ｃ ｓｈ ｍ ａ ａ ｅｒｃ ｇ ｉｏ ． ｒ ｍｏｅ ｎｔ ｒａ ｆｉ ｇ ｓｒｃ ｇ ｉｏ ｕ ｈａ ｕ ｎ ｆｃ ｏ ｎｔ ｎ Ｐ ｏ ｔ ＰＣＡ， ｕ ｎｆｃ ｃ ｇ ｉｉｎｔｃ ｎ ｑ ｅｂ ｓ ｄ ｈ ｉ ｅ ｉ ｄ ａｈ ｍａ ｅｒ ｏ ｎｔ ｈ ｉｕ ａ ｅ ａ ｅ ｏ ｅ ｏ ＣＡ，ｓｐｅ ｅ ｔｄ ｉ ｒｅ ａ ｎＰ ｉ ｒｓｎ ｅ ，ｎｏ ｄ ｒ ｔ ｈ ｔ ＰＣＡ ｏ ｎｙ ｌ ｉ ｕ ｓａ ｉ ｒ ｕ ｏ Ｆｉ ｔｔ ｅｏ ｇ ａ ａ ｉｇｓｔ ｓｄｖｄ ｉ ｎ ｔ ｌ ｍ ｔ ｔ Ｇａ ｓ ｉｎｄｓ ｉ ｔ ｎ． ｒ ，ｈ ｒ ｉ ｌｒ ｉ ｎ ｅ ｉｉ ｅ ｓ ｏ ｉ ｅ ｏ ｄ ｔｂ ｉ ｓ ｉｎ ｔｎ ｗａ ｄ ｉｔ ｏ ｅ ｓ ｂ ｓｔ．Ｓ ｃ ｎ ｅ ｗｅｌ ｎ ｗｎ Ｐ ｎｏ ｓ ｍ ｕ －ｅｓ ｅ ｏ ｄ ｔ ｌｋ ｏ ＣＡ ｔｏ ｓ ｉ ｔ ｓｄ ｔ ｈ ｓ ｕ －ｅｓ ｏ ｔｉｅ ｏｒ ｓ ｎ ｉ ｇ ｈ － ｍｅ ｄ Ｗａ ｄｒ ｌ ｕ ｅ ｏ ｔｅ ｅ ｓ ｂ ｓｔ ｂａ ｄ ｃ ｒｅ ｐ ｄｎ ｈ ｃ ｅ ｙ ｎ ｏ ｔａ ｓｏ ｍｅ ｍ ａｒｘ ｓ Ｔ ｒ ｕ ｈ ｔｅ ｅｍ ａｒ ｅ ，ｒｉｉｇｓ ｔ ｎｄｔｓ ｎ ｅ ｗｅｅｍａ ｐ ｄ ｉ ｅ ｔｒ ｐａ ｅ Ｉ ｄ ｉｏ ， ｏｄ ｒ ｒｎ ｆ ｒ ｄ ｔ ｅ． ｈｏ ｇ ｈ ｓ ｉ ｔｉ ｓ ｔａ ｎ ｅ ｘ ｎ ａ ｅ ｔ ｇ ｓｔ ｒ ｉ ｐ ｅ ｎｆａｕ ｅｓ ｃ ．ｎ ａ ｄｔ ｎ ｉ ｒ ｅ ｉ ｎ ｔ ａ ｅｕ ｅｏ ｔｅｃ ｒｅａｉｎａ ｏ ｇｓ ｍｐｅ ． ｒ ｍｏｅ ｍｅ ｏ ｂ ｅ ｎ ｄｓａ ｃ — ｔ ｘ ｉ ｒｓ ｎｅ ． ｉ ｔ ｉ ｅ ｏ ， ｏｍ ｋ Ｓ ｆ ｏ ｒｌｔ ｈ ｏ ｍ ｎ ａ ｌｓ ａｐ ｏ ｔｄ ｈ ｔｄ ａｄ ｏ ｉｔｎ ｅｍａｒ Ｓｐ ｅ ｅ ｔ Ｗ ｔ ｈｓｍ ｔ ｄ ｓ ｉ ｄ ｈ ｈ ｔｅ ｉ ｆｒ ｔ ｎ ｌｓ ｕ ｉｇ ｔ ｅｂｏ ｋｎ ｓ ｓｖ ｄ ｔ ｅ ｅ ｐ ｒｏｍ ａ ｃ ｓ ｉ ｒ ｖ ． ｅｔｐ ｏ ｔ ＣＡ ｎ ｏ ｈ ｏ ｍａｉ ｏ ｔｄ ｒｎ ｌｃ ｉｇ ｉ ａ ｅ ａ ｎ ｔ ｅｆ ｒ ｎ ｅ ｉ ｍｐ ｏ ｅ Ｔｏ ｔｓ ｒ ｍｏｅ Ｐ ｎ ｏ ｈ ｄ ｎ ｈ ｈ ｄ ｄ ａ ｄ ｔ ｅ ａｕ ｔ ｔ ｅ ｆｒ ａ ｃ ，ａ ｓｒｅ ｆｅ ｐ ｒ ｅ ｔ ｒ ｒｏ ｅ ｎ ａｈ ａ ａ ｅ ｉ ｇ ａａ ａ ｅ ：Ｆ ｒｔｈ ａ ａ ｅ ｖ ｌａ ｉ ｐ ｒｏｍ ｎ ｅ ｅ ｓｏ ｘ ｅ ｍ ｎｓ ｗｅ ｐ ｆ ｒ ｄ ｏ ｕ ｎ ｆｃ ｍａ ｅ ｄ ｔｂ ｓ ｅｅ ｕ ｎ ｆｃ ｅ ｓ ｉ ｉ ｅ ｅ ｍ ｍ ｓ ｍ ａ ａ ａ ｓ Ｔ ｅｅ ｐ ｉ ｎ ｓ ｌ ｎ ｉａｅｔ ｔ ｄ ｔｂ ｅ ． ｈ ｘ ｒ ｅ ｔｌ ｅｕｔ ｉｄｃ ｔ ｈａ ｔｅｐ ｒｏ ａ ｃ ｆ ｒ ｍｏｅ ＣＡ ｉ ｂ ｉｕ ｌ ｕ ｒ ｒ ｏｔａ ｏ ｔ ｄｔ ｎ ｌ ｓ ｅ ｍ ａ ｒ ｓ ｈ ｅ ｆ ｒ ｎ ｅｏ ｐ ｏ ｔｄＰ ｍ ｓｏ ｖｏ ｙ ｓ ｐ ｉ ｔ ｈ ｔ ｆｒ ｉｏ ａ ｓ ｅ ｏ ａ ｉ
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。
《基于小波变换与PCA的人脸识别方法的研究与实现》范文
《基于小波变换与PCA的人脸识别方法的研究与实现》篇一一、引言随着科技的发展，人脸识别技术在现代社会中得到了广泛的应用。
作为生物特征识别的重要手段，人脸识别技术已经逐渐成为智能安防、身份认证等领域的关键技术。
本文将研究并实现一种基于小波变换与PCA（主成分分析）的人脸识别方法，以提高人脸识别的准确性和效率。
二、小波变换与PCA理论基础1. 小波变换小波变换是一种信号处理技术，具有多尺度、多分辨率的特点。
它可以将信号分解为不同频率成分的子信号，以捕捉到信号中的局部细节信息。
在人脸识别中，小波变换可以用于图像的预处理和特征提取，有助于提取出更具区分性的面部特征。
2. 主成分分析（PCA）PCA是一种常用的降维方法，通过将原始数据投影到低维空间中，以保留原始数据中的主要特征。
在人脸识别中，PCA可以用于降低图像的维度，同时保留人脸的主要特征信息，从而提高识别的准确性和效率。
三、基于小波变换与PCA的人脸识别方法1. 图像预处理首先，对输入的人脸图像进行预处理，包括灰度化、归一化等操作，以便进行后续的特征提取和识别。
2. 小波变换特征提取然后，对预处理后的图像进行小波变换，提取出具有区分性的面部特征。
在这一过程中，可以采用不同的小波基函数和分解层数，以获取更多的细节信息。
3. PCA降维处理将小波变换后得到的特征数据进行PCA降维处理，以降低计算的复杂度和提高识别的速度。
在这一过程中，需要根据实际需求选择合适的主成分数量，以保证在保留足够信息的同时降低数据维度。
4. 训练与识别利用降维后的数据训练分类器（如SVM、神经网络等），然后对新的输入图像进行特征提取和降维处理，最后通过分类器进行识别。
四、实验与结果分析为了验证基于小波变换与PCA的人脸识别方法的性能，我们进行了大量的实验。
实验数据集包括ORL、LFW等公共人脸数据库以及实际场景下的图像数据。
实验结果表明，该方法在人脸识别任务中取得了较高的准确率和较低的误识率。
《基于MATLAB的人脸识别算法的研究》范文
《基于MATLAB的人脸识别算法的研究》篇一一、引言人脸识别技术是近年来计算机视觉领域研究的热点之一，其应用范围广泛，包括安全监控、身份认证、人机交互等。
MATLAB作为一种强大的数学计算软件，为研究人员提供了丰富的工具和函数，使得人脸识别算法的研究和实现变得更加便捷。
本文将介绍基于MATLAB的人脸识别算法的研究，包括算法原理、实现方法、实验结果及分析等方面。
二、人脸识别算法原理人脸识别算法主要基于计算机视觉和模式识别技术，通过对人脸特征进行提取和匹配，实现身份识别。
常见的人脸识别算法包括特征提取、特征匹配等步骤。
其中，特征提取是关键步骤，需要从人脸图像中提取出有效的特征，如纹理、形状、颜色等。
特征匹配则是将提取出的特征与人脸库中的特征进行比对，找出最匹配的人脸。
三、基于MATLAB的人脸识别算法实现1. 预处理在人脸识别算法的实现中，首先需要对人脸图像进行预处理，包括灰度化、归一化、降噪等操作。
这些操作可以有效地提高图像的质量，为后续的特征提取和匹配提供更好的基础。
2. 特征提取特征提取是人脸识别算法的核心步骤之一。
在MATLAB中，可以使用各种算法进行特征提取，如主成分分析（PCA）、局部二值模式（LBP）、方向梯度直方图（HOG）等。
本文采用PCA 算法进行特征提取，通过降维的方式将高维的人脸图像数据转化为低维的特征向量。
3. 特征匹配特征匹配是将提取出的特征与人脸库中的特征进行比对的过程。
在MATLAB中，可以使用各种相似度度量方法进行特征匹配，如欧氏距离、余弦相似度等。
本文采用欧氏距离作为相似度度量方法，通过计算特征向量之间的欧氏距离来找出最匹配的人脸。
四、实验结果及分析为了验证基于MATLAB的人脸识别算法的有效性，我们进行了多组实验。
实验数据集包括ORL人脸库、Yale人脸库等。
在实验中，我们使用了不同的特征提取和匹配方法，对算法的性能进行了评估。
实验结果表明，基于PCA算法的特征提取方法和欧氏距离相似度度量方法在人脸识别中具有较好的性能。
- 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)。
基于PCA的人脸识别算法研究毕业论文目录摘要 .................................................. 错误!未定义书签。
Abstract .............................................. 错误!未定义书签。
第1章绪论 .. (1)1.1选题背景及意义 (1)1.2国外研究现状 (2)1.2.1 国外研究现状 (2)1.2.2 国研究现状 (3)1.3人脸识别技术的研究容与技术难点 (3)1.3.1 人脸识别技术研究容 (3)1.3.2 人脸识别技术研究难点 (3)1.4本文研究容与结构安排 (4)第2章人脸识别相关技术介绍 (5)2.1系统概述 (5)2.2人脸识别主要技术 (5)2.2.1 二维人脸识别算法介绍 (5)2.2.2 三维人脸识别算法介绍 (6)2.3常用的人脸图像库 (6)2.4人脸的特征提取 (7)2.4.1 几何特征提取法 (7)2.4.2 代数特征提取法 (8)2.5本章小结 (10)第3章基于PCA的人脸识别算法 (12)3.1引言 (12)3.2K-L变换 (12)3.2.1 K-L变换原理 (13)3.2.2 K-L变换性质 (14)3.3SVD定理 (15)3.4距离的计算 (17)3.5基于PCA的人脸识别 (18)3.5.1 人脸的表示 (18)3.5.2 特征脸空间的构造 (18)3.5.3 特征提取 (19)3.5.4 人脸识别 (20)3.6MATLAB仿真实现 (20)3.7结果分析 (26)3.8本章小结 (28)第4章与基于Fisherface方法的特征提取原理对比 (29)4.1PCA方法的优缺点 (29)4.2基于Fisherface法的人脸特征提取理论介绍 (29)4.3FisherFace方法的优缺点 (31)4.4两种方案的理论对比 (31)4.5本章小结 (32)结论 (33)参考文献 (34)致谢 (36)附录 1 (37)附录 2 (44)附录 3 (48)附录 4 (57)第1章绪论1.1选题背景及意义当今时代社会高速发展，技术不断进步。
自动化，智能化及科技化已是日常生活的常态。
信息的安全的重要性也日益凸显，普通的身份识别已经无法保证信息的安全性。
再加上计算机软件及硬件的性能在近几年飞速的提升，人体的生物识别技术因其高效、稳定、快速、唯一的特性得到了相当大的重视和发展。
生物识别技术利用的主要是人体的特有特征，例如指纹，人脸，虹膜等。
而人脸作为区分人与人差异的重要特征，得到了国外研究学者的青睐。
所谓人脸识别指从用计算机从图像或者图像的序列中检测到人的脸部，对其进行身份判别。
人脸识别的优势具体体现在以下几个方面[1]。
(1)操作具有隐秘性质，适用在监控，安全，公安等行业领域。
(2)采集时非直接接触人体，容易接受没有侵犯性。
(3)快速便捷，具有实时的追踪能力。
(4)符合人类的识别习惯，以人为本，而且互动强。
(5)图像采集的方式灵活，硬件设备（摄像头）的成本比较低。
正是这些优势给人脸识别技术带来了广泛的应用前景，在国家安全领域，各种各样的门禁系统，视频系统、监控系统、公安布控、身份验证等都是典型的应用；在经济和民生领域中，各类存值卡，银行卡，信用卡等持有人的身份验证等具有很高的应用价值；在娱乐领域有智能玩具，虚拟游戏玩家等有趣的应用。
均可将其归为以下四大类。
(1)刑警侦查破案。
事先将犯罪分子的各种信息包括人脸图片入库存储，将得到的嫌疑犯的照片利用人脸识别技术识别后，从数据库中找出最为相似的照片，进行比对，对破案有着很大的辅助作用。
(2)证件识别验证。
居民，护照等证件都有照片，现在还多是人工验证，如果利用人脸识别技术就能实现此类工作的自动化，智能化。
银行金融部门等的身份验证，可通过拍摄照片后与后台人脸数据库进行比对，无须密码进行交易。
(3)出入口控制。
该项应用涉及到的围很广，可以是办公楼宇，小区住宅的入口检查，或某些安全部门的入口检查。
目前比较常用的是保安人员再三核查证件。
这样效率低下，也不够人性化。
在一些安全级别较高的地方，可以使用人脸识别，加证件识别。
(4)视频监控。
现在几乎所有的办公大楼，商场，娱乐场所等公共场合都设有24小时监控视频，在对这些视频图像后期集中分析与处理时，就要利用人脸的检测和识别技术。
1.2 国外研究现状1.2.1国外研究现状人脸识别技术的重要性在不断凸显，很多专家学者都参与到人脸识别的研究大潮中。
目前国外有以下几种研究方法[2]：(1)模板匹配，包括变形和固定模版两种方式。
早期系统中固定模版使用较多，但是由于人脸的特点具有很强的变化性，找到一些标准的模板来描述人脸的共同特点非常困难。
变形模版与固定模版原理相通，只是变形模版还包括一部分变动的元素。
这些变动元素通常通过手工和系统自动构造来表示。
(2)示例学习，本方法的主要原理是在已给的示例中总结出一般性的原则。
且要求其能够在判别过程中接受所有正例并可以排斥所有的反例。
人脸识别中同理，也需要产生某种规则，要求其可以接受人脸而排斥非人脸，在判别中，在训练样本的阶段时要用到大量的且高纬度的数据，从而提高判别的精确率。
但是这同时会给后续的算法设计增添难度。
需要考虑到如何判别是不是人脸和对数据维度的降低。
(3)神经网络，该方法其实同样是基于样本学习。
到现在为止，神经网络的方法取得如下成果[3]：MIT的学者首先在检测样本是否为人脸时应用了聚类分析的方法，利用MLP网络作为分类器，以测试样本和人脸样本子集的距离差为度量原则进行分类。
Raphael则利用多层神经网络，通过CGM及MLP实现了迅速和精准的人脸检测，且该方式可以运用到网页端的人脸图像检索中。
Shang-Hung Lin等人利用神经网络建构了一个较为完整的人脸识别系统。
三个基于概率决策神经网络构成了这个系统，有人眼睛定位，人脸的检测和对人脸识别的功能。
除以上之外，Mohamed还提出了基于照明、面部表情等差别产生的人脸识别障碍的方法。
其有两点创新理念：一是提取面部特征用新的多尺度方向框架。
二是通过在识别阶段改变正则变化的参数来开发共享任务产生的关系，进而可以改进多任务的稀疏学习架构。
Lacramioara还提出了基于高阶奇异值分解的新算法，此算法仅利用第三阶量来编写不同的量矩阵乘法模式，该算法在识别率上比特征脸算法更加成功。
1.2.2 国研究现状国的研究起步相对较晚，大概在二十世纪末才开始。
雷震等人将人脸识别不仅应用在识别人脸，还应用在了识别卡片，蔡芷玲等人将人脸识别技术运用到了安卓设备中，这对移动设备的信息安全做出了很大的贡献。
根将面部特征的人脸识别算法和进化算法结合，提出了新的研究算法。
锐则对人脸表情，光线遮挡，不同姿势等问题提出来新的解决办法，这些办法可以进行有效的身份识别。
1.3 人脸识别技术的研究容与技术难点1.3.1 人脸识别技术研究容人脸识别的过程就是指从图片中提取有效的特征值来表征该人脸，并以此作为区分。
人脸识别的算法一般都由以下四部分组成：(1)人脸的检测和定位[4]：该过程主要是从图片中检测是否有人脸，然后可以从图片中提取出人脸。
光线强弱，表情变化，头部脸部的遮挡，头部姿态、各种噪音等造成了人脸的可变性相当高。
这是一项非常复杂的技术。
(2)图像的预处理：为了增强人脸的特征，此步骤就是在识别前对图像进行各方面的处理。
方法主要有，直方图修正，锐化与平滑，灰度变换以及图像的几何校正等。
(3)人脸的特征提取：此步骤主要是想从人脸中提取关键的特有的特征，次特征要能够表示出该人脸的唯一性，主要有几种表示方法，几何特征法、人工神经网络法、人脸特征脸法、模板匹配法。
(4)人脸识别：以待识别人脸和数据库人脸在特征脸空间中的距离为标准，输出最小的距离，达到身份验证的作用。
1.3.2 人脸识别技术研究难点人脸识别技术因其独有优势得到了不断的发展，但在此过程中还是遇到很多难点[1]，如下所述：(1)时间变动：随着时间的改变，人脸的特征会相应发生一些变化，这将对现有的人脸库造成识别困难。
因此研究时间的鲁棒性也是人脸识别算法的研究重点与难点。
(2)遮挡物问题：在难以配合的环境下，头发，帽子，眼镜等遮挡物这都将对人脸的识别产生很大的影响，在图像采集的时候不能采集到完整的人脸图片，造成识别精度的下降。
(3)姿态多变问题：目前来看研究的主要方向还都是人脸的正面部分，还有一些变化幅度很小的侧面人脸的部分。
在实际的采集头像环境中，人脸的角度都是不受控制的，当人脸的姿态有复杂的变化时，这也将会导致算法精确度的明显降低。
(4)计算速度问题[5]：人脸数据库中存储着大量的人脸数据，能够保证快速准确的人脸识别是非常重要和关键的问题。
随着技术不断的进步与完善，识别效果会越来越精确。
实际使用也一定会越来越智能化。
1.4 本文研究容与结构安排本论文以MATLAB为实现工具，来研究基于PCA的人脸识别算法，要实现将待识别的人脸图片输入系统后，能够从预存人脸库中匹配出本人的图片并输出。
本论文的结构安排如下。
第1章绪论主要介绍了人脸识别算法的研究意义及其研究背景，并查阅相关文献对国外现状进行了简要的总结分析。
并对人脸识别技术的研究容和研究难点做了介绍，方便读者对其整体的理解。
第2章主要是人脸识别当中的相关技术综述。
对人脸识别系统进行了广义的概括。
并对人脸识别当前主流的二维人脸识别和三维人脸识别进行了简要的介绍。
研究学者们研究用的主流人脸库也做了相应简介。
最后对人脸识别中最重要的部分特征提取做了着重的介绍。
第3章主要讲基于PCA的人脸识别算法，首先对该算法涉及到的原理定理一一做了介绍，包括K-L变换原理，SVD定理，以及各种距离函数。
然后是对子本次研究的全部容分条重点介绍，主要有四大块，人脸的表示，特征脸空间的构造，特征提取，人脸识别。
并对MATLAB仿真过程及结果分析进行了较为详细的说明。
第4章主要讲了基于PCA的特征提取法和基于FisherFace的特征提取法的比较，简要介绍了FisherFace法的理论基础，并对两种方法的优缺点各自做了说明。
综合对比后本次毕业设计决定采用基于PCA的人脸识别算法进行研究。
第2章人脸识别相关技术介绍2.1 系统概述人脸识别技术是模式识别技术中非常重要的应用方面[6][7]，可分为三大方面，一是对人脸的图片进行预处理；二是特征提取；三是比较识别。
人脸识别系统一般由以下步骤组成：人脸的检测、人脸的定位、图像的预处理、提取特征、图像训练、图像识别对比等步骤，系统的流程图如下图所示：图2-1 人脸识别系统流程图2.2 人脸识别主要技术目前人脸识别的算法主要有两大类[8]：二维的人脸识别算法和三维的人脸识别算法。