基于主成分分析人脸识别
基于主成分分析的超声人脸识别算法研究
ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｒ ａ ｔ ｅ ｏ ｖ ｅ ｒ ８ ０ ， ｔ ｈ ｉ ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ，ｗ ｈ ｉ ｃ ｈ ｉ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｔ ｈ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｏ ｆ １ ０ ０ ｓ ｕ ｂ ｊ ｅ ｃ ｔ ｓ ’ ｆ ｒ ｅ ｅ ｅ ｘ ｐ ｒ ｅ ｓ ｓ ｉ ｏ ｎ ，ｃ ａ ｎ ｓ ｉ ｇ ｎ ｉ ｆ ｉ ｃ ａ ｎ ｔ ｌ ｙ ｒ ｅ ｄ ｕ ｃ ｅ ｔ ｈ ｅ ｎ ｕ ｍｂ ｅ ｒ ｏ ｆ ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ｓ ｏ ｆ ｔ ｈ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｖ ｅ ｃ ｔ ｏ ｒ ｓ ｕ ｐ ｔ Ｏ ８ ０ ／ ０ ０ ａ ｎ ｄ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｓ ｐ ｅ ｅ ｄ ｏ ｆ ｓ ｙ ｓ ｔ ｅ ｍ ｍｏ ｒ ｅ ｔ ｈ ａ ｎ ８ ５ ．Ｔ ｈ ｅ ｅ ｘ ｐ ｅ ｒ ｉ —
王婧 瑶 ，许 勇 ，曹本希。 ，杨 军。
（ 】 ．中 国科 学院 声 学研 究 所 通 信 声 学实验 室 ，北 京 １ ０ ０ １ ９ ０ ；
２ ．中国科 学院声学研究所 噪声与振动重点 实验 室， 北京 １ ０ ０ １ ９ ０ ）
摘 要 ：针 对超声波探测人脸识别 系统 中多通道探 测模式 ，从数据融合 的角度对特征进行 了优化 ，研 究 了基 于主成分分析
中图法分类号 ： ＴＰ ３ ９ １ 文 献 标 识 号 ：Ａ 文章编 号 ： １ ０ ０ ０ — ７ ０ ２ ４（ ２ ０ １ ３ ）０ ８ — ２ ８ ６ ７ － ０ ５
Ｕｌ ｔ ｒ ａ ｓ ｏ ｎ ｉ ｃ ｆ ａ ｃ ｅ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｐ ｒ ｉ ｎ ｃ ｉ ｐ ａ ｌ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ
基于主成分分析算法的人脸识别研究
基于主成分分析算法的人脸识别研究人脸识别技术在当今社会中得到了广泛应用，越来越多的领域需要使用到这项技术。
在安全防控、手机解锁、身份识别等方面都有着不可或缺的作用。
而在实现人脸识别技术过程中，主成分分析（PCA）算法是最基础的方法之一，也是目前最为流行的人脸识别算法之一。
一、主成分分析算法简介主成分分析（PCA）算法，即Principal Component Analysis，是一种用于数据降维的方法。
它可以利用数据集中的趋势来减少数据的维度，从而更好地对数据进行分析和理解。
PCA算法的原理是将原始数据通过线性变换，转换为新的一组维度，使得在新的维度上数据的方差尽可能大，且各维度之间彼此独立。
在人脸识别的应用中，PCA算法可以将图像数据转换为一个特定的向量空间，并从该空间中提取出一些重要的特征，即“主成分”。
这些主成分可以很好地描述原始图像中的人脸特征，从而实现对人脸的识别。
因此，PCA算法是一种可靠、高效的人脸识别方法。
二、PCA算法在人脸识别中的应用1. 数据采集与预处理在使用PCA算法进行人脸识别之前，需要先对数据进行采集和预处理。
数据采集应选择较为标准的人脸照片，保证图像质量一致、拍摄角度、光照、位置等参数相同。
预处理中需要对图像进行裁剪、缩放、灰度处理等操作，以便后续的算法能够更好地处理数据。
2. 数据降维与特征提取PCA算法最擅长的就是数据降维和特征提取。
对于人脸识别来说，每张图像都是一个高维空间中的向量，包含大量的像素信息。
而使用PCA算法可以将这样高维空间中的向量转换为低维空间中的向量，即将高维向量降维为低维向量，从而实现对数据的简化和聚类。
在PCA算法中，特征向量的选取很重要。
一般采用奇异值分解（SVD）来计算特征向量，从而得到数据的主成分。
主成分具有最大方差，能够最好地描述原始数据的特征。
通过选择和保存一定数量的主成分，我们可以从原始的高维数据中提取出关键的特征，从而实现对人脸图像的识别。
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。
人脸识别算法_几种人脸识别算法的原理概念及其代码特征
人脸识别算法_几种人脸识别算法的原理概念及其代码特征一、基于特征分析的人脸识别算法基于特征分析的算法主要通过提取人脸图像的特征信息，然后进行对比匹配。
常用的特征分析算法有主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。
1.主成分分析（PCA）主成分分析是一种经典的人脸识别算法，其主要思想是将原始的高维人脸图像数据降维到低维空间，并通过保留最重要的特征信息来实现对人脸的识别。
该算法将人脸图像看作向量，通过对人脸样本进行协方差矩阵分析，得到一组特征向量，通常称为特征脸。
然后通过计算待测人脸与特征脸的距离来判断身份。
2.线性判别分析（LDA）线性判别分析是一种将高维空间数据映射到低维空间的方法，在保留类别内部信息的同时，还具有良好的分类性能。
在人脸识别中，LDA将人脸图像看作样本，通过计算类别内均值和类别间均值的差异，找到能最好区分不同类别的投影方向。
最后，通过计算待测人脸与特征向量的距离来进行识别。
3.局部二值模式（LBP）局部二值模式是一种用于纹理分析的特征描述符，其主要思想是使用局部区域的像素值与中心像素值进行比较，然后按照比较结果生成二进制编码。
在人脸识别中，LBP算法通过将人脸图像划分为小的局部区域，计算每个区域的LBP特征向量，然后将不同区域的特征向量连接起来形成一个长向量。
最后通过计算待测人脸与训练样本的LBP特征向量的距离来进行识别。
二、基于深度学习的人脸识别算法随着深度学习的快速发展，基于深度学习的人脸识别算法逐渐成为主流。
这类算法通过设计并训练深度神经网络，可以自动学习人脸图像的特征表示，从而实现更准确的人脸识别。
1.卷积神经网络（CNN）卷积神经网络是一种前馈神经网络，其主要特点是通过卷积层和池化层来提取图像的局部特征，使得神经网络能够更好地适应图像的结构信息。
在人脸识别中，CNN通过输入人脸图像到网络中，网络会自动提取各种特征，然后通过全连接层进行分类或验证。
基于神经网络的二维主成分分析人脸识别算法
（ 尔 滨 工 业 大 学 深圳 研 究 生 院机 械 工 程与 自动化 学 科 部 哈 （ 国家 测 绘 局 第 二 测 量 大 队 广 东 深圳 ５８ ５ ） １０ ５ 黑 龙 江 哈 尔 滨 １０ ８ ） ５ ０ ６
摘
要
提 出基 于神 经 网 络 的 二 维 主 成 分 分 析 人 脸 识 别 算 法 。通 过 图 像 的 预 处 理 改 善 了图像 的 质 量 ， 高 了图 像 的 亮 度 和 对 比 提
维 度 。 在识 别前 ， 要 对 图 像 进 行 预 处 理 。 需
０ 引 言
近年 来 ， 着 人 脸 识 别 技 术 的 发 展 和 研 究 的深 入 ， 出 了很 随 提
１ １ 图像 归一化 处理 ．
归 一化 处理 包括 图像 几 何 归 一 化 和 图像 灰度 归一 化 。
（ ａ ｂ ｎｔ ｕ ｅｈ ｏｏ ｙＳ ｅｚ ｅ ｒｄ ａｅＳ ｈ ｏ ， ｈ ｎｈ ｎ５ ８ ５ ， ｕ ｎ ｄ ｎ Ｃ ｉ Ｈ ｒｉ Ｉｓ ｔｔ ｏ Ｔ ｃ ｎ ｌ ｈ ｎｈ ｎ Ｇ ａ ｕ ｔ ｃｏ ｌ Ｓ ｅ ｚｅ １ ０ ５ Ｇ ａ ｇ ｏ ｇ， ｈｌ ｎ ｉ ｅｆ ｇ ｍ） 。 Ｎｏ ２ Ｌ ｎ ｕｖｙｎ ｅ ｍ，ＳａｅＢ ｒａ ｕｖｏ ｎ ｎ ｐ ｉ Ｈ ｒｉ １ ０ ８ Ｈ ｉ ｎ ｆ ｎ Ｃ ｉａ （ ． ａ ｄＳ ｒ ｉ Ｔａ ｅ ｇ ｔｔ ｕ ｅ ｕｏ Ｓ ｒｅ ｉ ｇ ａ ｄ Ｍａｐ ｎ Ｊ ｇ， ａｂｎ ５ ０ ６， ｅ ｏ ｇ ａ ｇ， ｈ ｎ ） ｌ ｉ
Ｋｅ ｗｏ ｄ ｙ ｒｓ
Ｆ ｃ ｅ ｏ ｎｔ ｎ Ｎ ｕ ａ ｅｗ ｒ Ｔ —ｉ ｎ ｉｎ ｌｐｉｃｐ ｌ ｏ ｏ ｅ ｔａ ａｙ ｉ ２ Ｃ Ｗａ ｅｅ ｒｎ ｆｒ ａ ｅｒｃ ｇ ｉｏ ｅ ｒｌ ｔ ｏｋ ｗｏｄｍｅ ｓｏ ａ ｒｎ ｉａ ｍｐ ｎ ｎ ｎ ｌｓｓ（ ＤＰ Ａ） ｉ ｎ ｃ ｖ ｌｔｔ ｓ ｍ ａ ｏ
基于主成分分析的QR二维码人脸识别
基于主成分分析的QR二维码人脸识别摘要：社会的高速发展，使得人脸识别技术在身份信息认证方面迅速发展与成熟，本文提出一个新的思想，将先进的人脸识别技术与当今应用最广泛的二维码技术相结合，以达到快速认证身份信息的目的。
关键词：主成分分析；QR；二维码；人脸识别引言人脸识别技术广泛地应用在社会生活的方方面面，包括身份管理、系统安全认证、第三方支付、刑侦跟踪、智能家居、人机交互、视频会议等各种场景，因此人脸识别成为当前模式识别和人工智能领域的一个热门研究方向。
1QR码简介QR码（QuickResponseCode）的全称为“快速响应矩阵码”，是由日本Denso公司于1994年开发的一种矩阵式二维码，可用于存储汉字、图像、音频等多种数据类型的信息。
与其他二维码相比，QR码的优势在于能够被快速读取、可存储更多信息、占用空间小、纠错能力强。
使用外围设备来对QR码进行扫描，能够实现360度全方位高速识读。
QR码呈正方形，只有黑白两色，包括编码区域、空白区域和功能区域。
在左上角、左下角、右上角的3个角落中，印有同心正方形图案。
根据QR编码的掩模作用，在内部的其他地方几乎不可能遇到类似的图形，因此这3个是QR码的定位标志，在扫描时借助图形定位无论以任何角度扫描，数据都能被正确辨识。
QR码共有40个版本，尺寸从21×21模块（版本1）到177×177模块（版本40），QR编码用深色模块表示二进制“1”，浅色模块表示二进制“0”，采用RS（Reed-Solomon）纠错，分为4个纠错等级：L级（纠错7%）、M级（纠错15%）、Q级（纠错25%）、H级（纠错30%）。
纠错机制在即使因某种原因未能完整辨识到全部的条码的情况下，也能够正确地还原条码上的信息。
主成分分析（PrincipalComponentAnalysis，PCA）是一种把多个变量化为少数几个主成分的统计方法，目的在于数据降维。
PCA算法以K-L（Karhunen-Loeve）变换为基础，K-L变换介绍如下，它的实质是将一个物体主轴沿特征向量对齐旋转变换后形成一个新的坐标系，通过变换消除原有向量的各个分量之间的相关性，进而消除那些带有较少信息的坐标分量，以达到特征空间降维的目的。
人脸算法公式
人脸算法公式
人脸识别算法涉及多个步骤和公式，但具体公式取决于所使用的算法。
以下是其中两种常用的人脸识别算法及其相关公式：
1. 主成分分析（PCA，也被称为特征脸方法）：
PCA是一种以较少数量的特征对样本进行描述以达到降低特征空间维数的
方法，其基础是Karhunen-Loeve展开式，简称KL展开式。
具体来说，对于一个输入的测试样本x，可以求出它与平均脸之间的偏差y = x - x’，y在特征脸空间的投影可以表示为系数向量z = W(T)y，z就是KL变换的展开系数向量。
2. Gabor小波变换+图形匹配：
Gabor滤波器将Gaussian网络函数限制为一个平面波的形状，并且在滤波器设计中有优先方位和频率的选择，表现为对线条边缘反应敏感。
这种方法精确抽取面部特征点以及基于Gabor引擎的匹配算法，具有较好的准确性，能够排除由于面部姿态、表情、发型、眼镜、照明环境等带来的变化。
请注意，以上仅为简要介绍，并无法涵盖所有的人脸识别算法公式。
在实际应用中，建议根据具体需求和场景选择适合的算法，并深入学习相关算法和公式。
基于主成分分析的特征脸提取及人脸识别实现
差 。这 些 成 分 一 般 用 矩 阵 形 式 表 示 ， 称 为 协 方 差 矩 阵 。 被
协方差矩阵的定义为 ：
解 释 每 个 向 量 的 方 式 取 决 于 应 用 。在 模 式 分 类
中 ， 个 向量 表 示 一 个 测 量 值 ， 量 的每 个 元 素 表 示 一 个 每 向
符 号 表 示 ， 方 差 矩 阵可 以表 示 为 ： 协
作 者 简 介 ： 达 丽 （ ９ ７ ）女 ， 北 天 门人 ， 汉理 ＿ 大 学 理 学 院 硕 士研 究 生 ， 究 方 向 为 图像 处 理及 模 式 识 别 。 周 １８ 一 ， 湖 武 Ｔ － 研
第 ５期
周 达 丽 ： 于 主 成 分 分 析 的 特 征 脸 提 取 及 人 脸 识 别 实 现 基
软 件
刊
Ｖｏｌ １ＮＯ． ｌ ５
Ｍ ａ ２ ２ Ｖ． ０１
Ｓｏ ｔ ｒ ｆ ｗａ ｅ Ｇｕｉ ｅ ｄ
基 于 主 成 分 分 析 的 特 征 脸 提 取 及 人 脸 识 别 实 现
周 达 丽
（ 武汉理 大学 理 学院 ， 北 武汉 ４ ０ ７ ） 湖 ３ ０ ０
摘 要 ： 于 主 成分 分析 的 方 法 ， ＯＬ 人 脸 图 像 样 本 库 做 特 征 脸 提 取 ， 后 作 人 脸 识 别 。依 据 Ｓ 定 理 及 其 推 基 对 Ｒ 然 ＶＤ
Ｐ ＣＡ技 术 变 换 特 征 向量
（） ４
以定 义 新 的 向量 ， 向量 新
定 义 了更 好 的 分 类 能 力 成 分 。 因此 ， 过 对 更 重 要 的 元 通
素 ， 就 是 那 些 数 据 中定 义 重 要 变 化 的 元 素 ， 照 距 离 准 也 按 则 进 行 聚类 ， 以 对 新 向 量 进 行 分 组 。Ｐ Ａ 确 保 突 了 可 Ｃ 根 据 协方 差 衡 量 具 有 最 大 变 化 的 数 据 。 从 广 义上 讲 ， 方 差 表 示 两 个 随 机 变 量 之 间 线 性 相 关 协 性 。所 以 ， 通过 计 算 协 方 差 ， 以 确 定 两 个 数 据 集 合 之 间 可
- 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)。
应用统计学课程设计基于主成分分析和人工神经网络的人脸识别姓名：崔卓须学号：3101301308 姓名：姚顺兰学号：3101301304 姓名：陈晓强学号：3101301230专业：信息与计算科学指导教师：贺文武（博士）2012年12月28日目录1. 人脸识别概述 (2)1.1选题背景与意义 (2)1.2人脸检测的基本概念 (2)1.3人脸检测问题的分类和挑战性 (2)2. 模型的建立 (3)2.1主成分分析 (3)2.11计算特征根矩阵 (4)2.12计算主成分 (4)2.2人工神经网络 (4)2.21建立人工神经元 (4)2.22神经网络工作 (5)2.23分析结果 (6)3. 优缺点分析 (7)3.1优点 (7)3.2缺点 (7)4. 参考文献 (7)5. 附件 (8)摘要人脸识别技术作为生物特征识别领域中一种基于生理特征的识别技术，是以通过计算机提取人脸的特征，并根据这些特征进行身份验证的一种技术。
人脸与人体的其他生物特征一样与生俱来，它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。
因此，人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。
本文对于人脸识别模型的建立基于两个部分：第一部分，基于主成分分析的特征脸法，通过选择ORL人脸图像库中的110 幅人脸作为训练样本集Ti|i =1,…,110：%计算其独立主成分（涵盖90%勺信息），实现对信息进行压缩处理，从而用主成分来进行人脸判别。
第二部分，用人工神经网络来进行人脸判别。
建立输入人脸照片主成分输出人脸判别结果的神经网络，从而实现人脸的识别。
关键字：人脸识别，主成分分析，人工神经网络，特征脸1•概述1.1选题背景与意义人脸检测问题来源于20世纪60、70年代的人脸识别的研究，但早期的人脸识别研究主要针对有较强约束的人脸图像（如无背景图像），并往往假设人脸位置很容易获得，因此人脸检测问题并没有受到重视。
人脸识别是人们日常生活中最常用的身份确认手段，也是当前最热门的模式识别研究课题之一。
虽然人脸识别的准确性要低于虹膜识别和指纹识别，但是由于它是非接触的、具有非侵犯性，因而人们对这种技术没有任何的排斥心理，所以人脸识别技术是一种最友好的生物特征识别技术。
随着多媒体技术的发展，人脸图像在各种领域中具有越来越重要的作用，如人机交互系统、视频监测系统、人脸图像数据库管理系统、人脸检测与识别系统等。
在各种人脸图像的应用系统中，人脸特征定位是重要组成部分之一。
例如在安全监控应用中，银行部门的监控和安保部门的监控，需要对人的各项特征进行有针对性的监视。
对于监控对象的身高，衣着等特征，可以在较模糊图像中获得, 但是对人脸部分特征，却必须要清晰的图像才能获得。
如果可以对人脸进行针对性的监视，就可以使得应用安全监控的部门获得更多的安全保证。
而人脸自动定位是这一监控方法的第一步，它的性能如何直接决定了监控的效果。
简单的说，所谓的人脸定位，就是在静态图像或动态图像中标出人脸所在的位置，把人脸选取出来。
而人脸的识别就是把选取出来得人脸与数据库中已有的人脸进行比较，找出匹配的档案来。
有的文献也把人脸的定位和识别统称为人脸识别，定位和识别则是两个主要的步骤。
完整的人脸识别系统涉及到决定静态图像或动态图像中无人脸、计数、定位，然后根据数据库识别出个人，可能的话还要识别出表情，以及根据脸的图像做出描述；或者反过来根据描述挑选匹配的人脸图像。
而说到快速的人脸特征定位，就不得不提及人脸检测技术。
人脸检测是人脸特征定位的前提，在整个过程中起着不可忽视的作用。
人脸检测问题最初作为自动人脸识别系统的定位环节被提出，近年来由于其在安全访问控制、视觉监测、基于内容的检索和新一代人机界面等领域的应用价值，开始作为一个独立的课题受到研究者的普遍重视。
下面我将对人脸检测的相关知识做一下简单的介绍。
1.2人脸检测的基本概念人脸检测是指在输入图像中确定所有人脸（如果存在）的位置、大小和姿态的过程。
人脸检测系统输入的是可能包含人脸的图像，输出的是图像中是否存在人脸和人脸数目、位置、尺度等信息的参数化描述。
人脸检测任务的完成涉及从复杂的背景中分割、抽取、验证人脸区域和可能用到的人脸特征（如眼睛、唇色等）。
成功的人脸检测系统应能处理实际存在的光线、人脸方向和距照相机远近变化等各种情况。
1.3人脸检测问题的分类和挑战性：人脸检测问题可以从不同角度来进行分类。
从人脸姿态的角度，可以分为正面人脸检测、多姿态人脸检测（包括侧面，俯仰、旋转等）；从人脸个数的角度，可以分为单人人脸检测、未知人脸个数的检测。
从图像背景复杂程度的角度，分为简单背景人脸检测（指无背景或背景的特征被严格约束，在该条件下只利用人脸的轮廓、颜色、运动等少量特征，就能进行准确检测）、复杂背景人脸检测（指背景的类型和特征不受约束，某些区域可能色彩、纹理等特征与人脸相似，必须利用较多的人脸特征才能做到准确检测）；从图片是否包含色彩信息的角度，可以分为彩色图片人脸检测和灰度图片人脸检测；从图片是否动态的角度，可以分为静止图像中的人脸检测、视频图像序列中人脸的检测与跟踪。
人脸是一类具有相当复杂细节变化的自然结构目标，受以下因素的影响，实际中的人脸检测极具挑战性：（1）人脸本质上是三维的非刚性可变的物体，人脸由于姿态、外貌、表情、肤色等不同，具有模式的可变性；（2）一般意义下的人脸上可能存在眼镜、胡须等附属物；（3）三维体的人脸的影像不可避免地受到由光照产生的阴影的影响；（4）图像的质量不一，由于成像的条件和手段不同，图像可能受噪声的干扰，前景目标模糊不清，比如人脸与背景区别不大造成人脸分割的困难，人脸被某些物体遮挡造成人脸特征的提取困难，光源色温不同造成的肤色分割困难等。
因此, 如果能够找到解决这些问题的方法，成功的构造出人脸检测系统，将为解决其它类似的复杂模式的检测问题提供重要的启示。
2.模型建立2.1主成分分析2.1.1计算特征根矩阵本文选择ORL人脸图像库中的110幅人脸作为训练样本集。
用向量T表示,从而训练集可以表示为Hli =1/ ,110?，110幅人脸图像的平均人脸图像为1 M―、T i110 id从而得到每张人脸图像T i与平均人脸「的差值叮J i：,i =1, ,110:>i -则协方差矩阵为110「「C 「Wn =AA-n d其中，A 小1d …「:J大小为10000 100。
由于维数太大，直接求特征向量极困难，考虑矩阵AA110 110，令该矩阵的特征矩阵为v，M为对应的特征值矩阵，则有A「AV i = ，其中v i为L的第i个特征向量，叫为对应的特征值，从而AA Aw =讥Av：,可导出C AV j =叫AV j ，令叫=AV j ，所以有C 叫=fU j ，那么U i就是C 的一个特征向 量，把C的特征向量矩阵记为U 。
2.1.2计算主成分计算特征值叫匕「"-m 及对应的特征向量U 1,U 2^ ,U m，其中U j = U!j ,U 2j ,…，U nj ，由特征向量组成m 个新的指标变量% =UnX1+U 21X 2+…+U n1 X n *『2 =U12X 1 +U 22 X 2 十…+U n2X ny m — U 1 m X l U 2m X 2U nm X n式中，y 1是第一主成分，y 2是第一主成分，…，y m 是第一主成分。
选择p p 乞m 个主成分，计算综合评价值。
计算特征值Jj , j -1,2/ ,m 的信息贡献率和累积贡献率，称为主成分y i 的信息贡献率，称—m ■- -k kd为主成分yw, ,y p 的累积贡献率。
当:p -0.9时，贝诞择前p 个指标向量力必,…，y p 作为p 个主成分，代替原 来的m 个指标变量，从而可对p 个主成分进行分析。
（由于本文得出的主成分数据庞大，见附件 5.1） 2.2人工神经网络 2.2.1建立人工神经元下图表示出了作为人工神经网络的基本单元的神经元模型，它有三个基本要 素：=—— j mk =1j =1,2, ,mp 7 % kd图1神经元结构（1） 一组连接（对应于生物神经元的突触），连接强度由各连接上的权值表示, 权值为正表示激活，为负表示抑制。
（2） 一个求和单元，用于求取各输入信号的加权和（线性组合）。
（3） —个非线性激活函数，起非线性映射作用并将神经元输出幅度限制在一定 范围内。
222神经网络工作为解决上述问题，考虑一个其结构如下图所示的人工神经网络，激活函数由v11 +exo （-^ _v ）决定。
在我们的例子中，它只需包括p 个单元，即是p 个主成分。
中间一层称为处 理层或隐单元层，单元个数适当选取，对于它的选取方法，通过试验来决定，或 许是最好的途径。
在我们的例子中，取 20个就足够了。
最上面一层称为输出层， 在我们的例子中只包含10个单元，用以输出与每一组输入数据相对应的分类信息 0任何一个中间层单元接受所有输入单元传来的信号，并把处理后的结果传向每 一个输出单元，供输出层再次加工，同层的神经元彼此不相联接，输入与输出单 元之间也没有直接联接。
这样，除了神经元的形式定义外，我们又给出了网络 结构。
模型中有p 个单元，即为p 个主成分，令s 表示100张训练照片的编号，^1,2/ ,100。
当将第s 个样本的原始数据输入网络时，相应的输出单元状态记为O 「i=1,2，…，p ，隐单元状态记为H j sj=1,2,…，20 ，输入单元记为Ik k =1,2，…,p ，从中间层到输出层的权记为W j ，从输入层到中间层的权记为输 出y kW jk 。
对于任何一组确定的输入…，1；，网络中所有单元的取值不难确定, 对样品而言，隐单元j 的输入是_ p ___________h ：八 W jk l相应的输出状态是一 f P ______ \H ：=®(hS 送 W jk i k‘2 丿由此，输出单元i 所接收到的迭加信号是2.2.3分析结果通过建立神经网络可以得出如下结果。
表一神经网络输出结果1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0.0043 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 00 0 0 0 0 0 0 0 0 01由上表可以知道模型有两处分类错误，即把第8张照片分为了第三类，把第9 张照片分为了第八类。