PAC算法的人脸识别应用
Seminar课程课外研学学分认定书
学生姓名：学号：所在院系：
注：1、表头及第一至五项由学生填写，第六、七项由任课教师填写；
2、学生将研学材料（文献综述或调研报告、论文）与本表格一并提交任课教师。
PAC算法的人脸识别应用
摘要：在计算机科学建立以来，图像识别技术一直是其重要的研究领域，从简单的水印加密技术到较为复杂的指纹识别，文字识别等，图像识别技术已经
深入到我们的工作与生活之中。在图像识别技术领域中，人脸识别一直是
一个重要的研究方向。在本次实验中将运用PAC算法，通过数据统计来完
成对人脸的识别，并对这种识别技术进行初步的分析。
关键词：图像识别；人脸识别；PAC算法
Abstract: Since the establishment of computer science, image recognition technology has been an important area of research, ranging from simple to more complex encryption technology watermark fingerprint recognition, text recognition, image recognition technology has penetrated into our work and life. In the field of image recognition technology, face recognition has been an important research direction. In this experiment the use of PAC in the algorithm, by identifying statistical data to complete the human face recognition, and this recognition technology to conduct a preliminary analysis.
Keywords: image recognition; recognition; PAC algorithm
目录
1. 实验介绍 (4)
1.1实验意义 (4)
1.2研究背景 (4)
1.3国内外研究现状 (4)
2. 实验设计 (5)
2.1设计流程 (5)
2.2 PCA介绍 (6)
2.3设计思路 (7)
3. 实验分析 (8)
3.1 样本选取 (8)
3.2 特征脸 (8)
3.3 投影矩阵选取 (9)
3.4 人脸重建 (10)
3.5 匹配函数 (10)
3.6 干扰分析 (12)
4. 实验结论 (13)
5. 参考文献 (13)
6. 附录. (14)
1.实验介绍
1.1实验意义
人脸识别，是一种基于人脸面部特征信息对其身份信息的确认与识别的生物识别技术，利用通过摄像机，摄像头所得图像甚至是画像来对目标进行跟踪捕捉，身份识别，信息记忆等一系列技术的统称，又称作面部识别，人像识别。
传统的人脸识别技术主要针对可见光部分的识别，这也是我们最熟悉的识别方法，该种方法在经过长久的发展后，已经有了较为完善的识别系统，但是这种识别方法有很大的缺陷。在不同的光照条件下，识别的准确率会有很大的差别。尽管如此，这种方法仍是我们最常用的方法。
本次实验将对如何实现这一应用做简单介绍和分析
1.2 研究背景
在经过三十多年的研究后，现有的人脸识别系统在用户配合、采集条件比较理想的情况下可以取得令人满意的结果。但是当用户不愿意配合，或者识别对象在一些特征上发生改变仍会极大的影响识别效果，因此现在已经有了基于红外成像的人脸识别，这种识别方式可以极大的排除装束打扮对人脸识别所造成的影响。
1.3 国内外研究现状
生物识别技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。例如，一位储户走进了银行，他既没带银行卡，也没有回忆密码就径直提款，当他在提款机上提款时，一台摄像机对该用户的眼睛扫描，然后迅速而准确地完成了用户身份鉴定，办理完业务。这是美国德克萨斯州联合银行的一个营业部中发生的一个真实的镜头。而该营业部所使用的正是现代生物识别技术中的“虹膜识别系统”。此外，美国“9.11”事件后，反恐怖活动已成为各国政府的共识，加强机场的安全防务十分重要。美国维萨格公司的脸像识别技术在美国的两家机场大显神通，它能在拥挤的人群中挑出某一张面孔，判断他是不是通缉犯。
当前社会上频繁出现的入室偷盗、抢劫、伤人等案件的不断发生，鉴于此种原因，防盗门开始走进千家万户，给家庭带来安宁；然而，随着社会的发展，技术的进步，生活节奏的加速，消费水平的提高，人们对于家居的期望也越来越高，对便捷的要求也越来越迫切，基于传统的纯粹机械设计的防盗门，除了坚固耐用外，很难快速满足这些新兴的需求：便捷，开门记录等功能。人脸识别技术已经得到广泛的认同，但其应用门槛仍然很高：技术门槛高（开发周期长），经济门槛高（价格高）。
人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电
力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。
1、企业、住宅安全和管理。如人脸识别门禁考勤系统，人脸识别防盗门等。
2、电子护照及身份证。中国的电子护照计划公安部一所正在加紧规划和实施。
3、公安、司法和刑侦。如利用人脸识别系统和网络，在全国范围内搜捕逃犯。
4、自助服务。
5、信息安全。如计算机登录、电子政务和电子商务。在电子商务中交易全部在网上完成，电子政务中的很多审批流程也都搬到了网上。而当前，交易或者审批的授权都是靠密码来实现，如果密码被盗，就无法保证安全。但是使用生物特征，就可以做到当事人在网上的数字身份和真实身份统一，从而大大增加电子商务和电子政务系
统的可靠性。①
2.实验设计
2.1设计流程
人脸识别技术的流程
人脸识别技术分为四个部分：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。
2.1.1人脸图像的采集及检测
不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。而人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。
2.1.2人脸图像预处理
人脸识别技术针对的是经过处理的人脸特征信息，而初步采集得来的原始人脸图像往往会受到各种条件的限制和外部干扰，而无法准确的识别出人脸的特征信息，
于是便要通过一些的方法，来消除这些干扰因素，以便于下一步的执行。
2.1.3人脸图像特征提取
人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。前者主要将人脸器官等的的特点来做为特征信息，而后者更多基于对图像数据的统计。
2.1.4人脸特征的匹配与识别
通过之前几步我们可以获得每张人脸图像的特征信息，进而组成特征信息的样本库，将训练样本的特征信息与样本库中各样本的信息进行比对，在设定合理的阈值后就可以获得最佳的识别效果。
2.2 PCA介绍
PCA算法，Principal Component Analysis ，即主成分分析法，是一种将高维特征向量转换为低维特征向量的降维方法。当一组样本的某一特征向量都相同或差别不大时，这一组特征向量就没有比较价值也没有区分不同样本的能力。为了减少计算量，提高分辨精度，我们要把这些区别特征不大的信息消除掉，只留下区别特征较大的信息。
对于某k维向量来说，在原有的k维坐标中他的特征向量在各个维度上的变化均不明显，我们可以通过改变他所处的坐标轴来使他的特征向量在某些坐标轴上的变化更加明显。
例如，在x，y轴平面上，将一个椭圆倾斜45度角放置，在第一象限部分，他在x，y轴上的投影都差不多，变化度都不是很大，但是在将椭圆的长轴作为x轴后，椭圆在x轴的投影范围变得更大，方差也更大，但在y轴的投影范围变得更小，方差也更小。这时我们就可以消除掉y轴的特征信息，只保留x轴的特征信息，这便完成了高维信息向低维的转换。(图1.1)
在实际中，例如，我们获得了一组100个样本的样本库，每个样本的特征量都是十维的，这样可以获得一个100*10的矩阵，进而我们可以得到10*10的协方差矩阵，对这个协方差矩阵求特征向量和特征值，可以获得10组特征矩阵和特征值，在这十组中取特征值最大的5个特征值（根据情况决定），可以组成10*5的矩阵，将之前的100*10的矩阵与这个矩阵相乘可以获得100*5的新矩阵，这便是新的特征信息矩阵，每个样本的特征维数都下降了。
这个10*5的矩阵就是一种将高维数据投影到低维的投影矩阵，而PCA实际上便是求这种投影矩阵的方法。
2.3设计思路
利用pca算法的人脸识别程序设计思路
2.3.1样本的读取
在讲样本归一化处理后，读取一定数量的样本作为样本库，其余样本组成训练集。设归一化后的图像为n*m的矩阵，我们可以通过投影矩阵将该特征集转换为低维空间内的特征集。
2.3.2通过投影矩阵产生低维特征量
利用公式计算出所有样本的协方差矩阵
②
A={X1-m，X2-m……XM-m}其中m是平均脸（样本库的均值矩阵），M是样本库容量，N
是每个样本的特征量（Xi）的维数，这样就可以得到C，一个大小为N*N的协方差矩阵。
计算该矩阵的特征向量和特征值，可以得到N组特征向量与特征值，按特征值的大小排列，特征向量可以组成一个新的N*N的矩阵，该矩阵便是一个高维到低维的投影矩阵，之后选择适宜的部分作为用来投影的矩阵。
将原图像矩阵与选定的选定矩阵相乘，便得到了经过PCA处理后的有着较大区别性的特征信息。
2.3.3匹配信息
将样本图像都进行投影变换后获得每张图像的特征信息，然后通过函数距离算法来找出最接近的两组特征信息。
3．实验分析
3.1样本选取
样本来自于ORL人脸数据库。
ORL人脸库是由英国剑桥Olivetti实验室从1992年4月到1994年4月期间拍摄的一系列人脸图像组成，共有40个不同年龄、不同性别和不同种族的对象。每个对象10幅图像共计400幅灰度图像组成，图像尺寸是92×112，图像背景为黑色。其中人脸部分表情和细节均有变化，例如笑与不笑、眼睛睁着或闭着，戴或不戴眼镜等，人脸姿态也有变化，其深度旋转和平面旋转可达20度，人脸尺寸也有最多10%的变化。该库是目前使用最广泛的标准数据库，它含有大量的比较结果。
在实验中分别选取每个样本的前5张图像为样本库，其余为训练集。
3.2特征脸
人脸图像在经过完整的投影矩阵投影后，原本的特征量并不会丢失，可以通过选用完整的投影矩阵中的不同部分来获得保留有不同程度的特征信息的特征脸。图3.1
3.3投影矩阵选取
计算协方差矩阵的特征值和特征向量，在按特征值大小排列特征向量，获得完整投影矩阵（N*N）后，我们要选取其中方差较大，区别性较强的部分。
可以用不同的特征向量所对应的特征值来计算不同投影矩阵所能反应出的能量大小。经计算，不同投影矩阵投影后的结果占总能量的百分比。如表3.1,3.2
199 3.2462 1
选取占总信息量90%的部分作为我们的特征脸，于是选取71*N的部分。
3.4人脸重建
以下分别为，
a某样本的样本库内图像
b非同一样本的样本库内图像
c非同一样本的样本库外类似图像
d同一样本的样本库外图像
经过重建后的人脸图像。（图3.3 自上而下：a,b,c,d）
a
b
c
d
可以发现，由于投影矩阵是由样本库得来，所以非样本库图像在人脸重建时效果都十分不好，但是当拍摄角度，拍摄条件与样本库内某些图像相近时，尽管是样本库外图像（图像c），仍可以获得较好重建人脸图像。
3.5匹配函数
通过对不同函数各点间距离的计算便可以得到不同的图像之间的相似度，现在常用的算数距离有欧氏距离，曼哈顿距离，形状相似距离等，在这里我们选取欧氏距离，
曼哈顿距离和夹角余弦值作为研究对象。
计算网格上的两点间距离时，欧氏距离为两点间的直线距离(最近距离)，曼哈顿距离（三阶距离）为沿网格从一点到另一点的最短距离。如图3.4
对于每个N维数据，可以认为它是处在N维坐标轴上的向量，通过比较不同向量间的夹角可以计算出不同向量间的相似度，余弦与角度大小程正相关，所以使用余弦角来代表夹角的大小，图3.5
使用不同的算数距离所产生的不同检测结果。表3.3,3.4
夹角余弦由于样本在经过投影变换后的坐标轴减少，很难成功匹配，而使用曼哈顿距离和欧氏距离所匹配的信息在一定的适用范围内，均有较高的匹配成功率。但是在信息量较多时依托欧氏距离进行的匹配算法成功率快速降低，而依托曼哈顿距离进行的匹配算法却仍可以保持较高的成功率。由此可以初步得出依托欧氏距离进行的匹配算法对于细节的识别能力差于依托曼哈顿距离进行的识别算法。
3.6干扰分析
对训练集图像进行不同的干扰，检测经过干扰后的人脸图像是否能够准确的识别身份信息.图3.6
对训练集添加不同的噪声干扰后，利用曼哈顿距离算法配对，计算出在不同的噪声影响下配对的成功率。
由上表可见，当添加噪声程度不是很大时，对于识别几乎无影响。但是当噪声
较大时对于识别的成功率仍有较大影响。即拍摄样本图像时的拍摄条件和随机干扰等外界因素对人脸识别的成功率有较大影响，因此在进行人脸识别时要获得用户的充分
配合且提供较好的拍摄条件。
4.实验结论
PCA算法可以增大不同样本之间的差别，对基于数据统计分析进行的身份识别应用起到极大的帮助。在使用PCA算法对特征量进行压缩时，应根据情况选择适合的投影矩阵，以使在减小算法复杂度的同时不降低算法的准确率。基于曼哈顿距离的匹配算法在人脸识别技术上有着较好的效果，可以更好的识别图像细节。当训练集图像受到外界影响时，仍可以保持较高的识别成功率。
基于PCA算法对可见光部分的人脸识别尽管有很多的缺陷，但是在用户配合且有较好的拍摄条件下，设定合理的阈值范围，仍可以保证较高的匹配成功率。可见，
这种人脸识别技术仍有其实用价值。
5.参考文献
引用：
①百度百科，人脸识别词条，
https://www.360docs.net/doc/702547030.html,/link?url=4gxEu77SJPu2yXVWFYwKGgnOPNhkW9MuCT4QgAPA-ArRBhBHBYkKbi_LFY6gI085 ②龚勋，PCA与人脸识别及其理论基础，百度文库，
https://www.360docs.net/doc/702547030.html,/link?url=pREoEYWa8WAgdgoUjmhfrDAWL7PQupRgeaMD_4PyRvqESNzQY-frpAZgibr2wIFTH
EcMzTRtVNPM9o-90D8INzgLLTeLJepJ0OiDayh8Bem
参考：
[1]作者不详，PCA原理及应用， https://www.360docs.net/doc/702547030.html,/view/4cd290afdd3383c4bb4cd2b7.html
[2]作者不详，主元分析(PCA)理论分析及应用，https://www.360docs.net/doc/702547030.html,/view/053ec21755270722192ef739.html
[3]尚文清相似度计算方法计算机应用.https://www.360docs.net/doc/702547030.html,/view/06c0affdba0d4a7302763a3f.html
[4]作者不详，相似度计算方法，https://www.360docs.net/doc/702547030.html,/view/ebde5d0e763231126edb1113.html
[5] 张俭鸽刘洪波,WTPCA和三阶近邻的人脸识别算法仿真
https://www.360docs.net/doc/702547030.html,/Article/CJFDTotal-JSGG200911055.htm
[6]Lucifer_jin ，Matlab中pdist 函数详解(各种距离的生成)，
https://www.360docs.net/doc/702547030.html,/u/6216467/diary/211759/
[7]李中张铁峰不同相似度度量方式的随机数据聚类分析《华北电力大学学报》2012年第6期
6.附录
附录1
以ORL库中每个样本的前5张图像为样本库，后5张为训练集，在取不同K值时，依据不同的算数距离获得的匹配成功率。
表6.1 实验结果总表
K值
1-K之间部
分的特征值
1-K占总信息
量的百分比
余弦夹角匹
配成功率
欧氏距离匹
配成功率
曼德拉距离
匹配成功率
1 0.6117 0.188435709 0.025 0.115 0.095
2 1.0197 0.314121126 0 0.362 0.32
3 1.2526 0.385866552 0 0.55 0.525
4 1.437
5 0.442825457 0 0.615 0.615
5 1.60
6 0.494732302 0 0.63 0.65
6 1.7141 0.52803277
7 0 0.62 0.72
7 1.8016 0.55498737 0 0.6 0.74
8 1.8865 0.581141026 0 0.545 0.765
9 1.9549 0.602211817 0 0.5 0.765
10 2.0134 0.620232888 0 0.47 0.77
11 2.068 0.637052554 0 0.445 0.78
12 2.1121 0.650637669 0 0.42 0.78
13 2.1528 0.663175405 0 0.41 0.79
14 2.1909 0.674912205 0 0.385 0.805
15 2.2261 0.685755653 0 0.37 0.795
16 2.2585 0.695736554 0 0.355 0.8
17 2.2898 0.705378597 0 0.35 0.8
18 2.3187 0.714281314 0 0.32 0.795
19 2.3451 0.722413899 0 0.315 0.82
20 2.3698 0.730022796 0 0.305 0.83
21 2.3942 0.737539277 0 0.29 0.83
22 2.4163 0.744347237 0 0.285 0.84
23 2.4372 0.750785534 0 0.28 0.835
24 2.457 0.756884973 0 0.27 0.845
25 2.4765 0.762891997 0 0.245 0.855
26 2.4948 0.768529357 0 0.24 0.855
27 2.5122 0.773889471 0 0.235 0.855
28 2.5293 0.779157168 0 0.23 0.86
29 2.5458 0.784240035 0 0.23 0.86
30 2.5614 0.789045653 0 0.22 0.86
31 2.5763 0.793635636 0 0.22 0.865
32 2.5904 0.797979176 0 0.22 0.86
33 2.6044 0.802291911 0 0.215 0.86
34 2.6178 0.806419814 0 0.205 0.86
35 2.6309 0.810455302 0 0.205 0.855
36 2.6438 0.814429179 0 0.205 0.855
37 2.6564 0.81831064 0 0.2 0.855
38 2.6681 0.821914854 0 0.195 0.855
39 2.6908 0.828907646 0 0.175 0.855
40 2.6908 0.828907646 0 0.17 0.855
41 2.7019 0.832327029 0 0.155 0.86
42 2.7127 0.835653995 0 0.15 0.86
43 2.7227 0.83873452 0 0.14 0.86
44 2.7325 0.841753435 0 0.135 0.86
45 2.7422 0.844741544 0 0.135 0.86
46 2.7518 0.847698848 0 0.13 0.86
47 2.761 0.850532931 0 0.125 0.865
48 2.7701 0.853336208 0 0.125 0.865
49 2.7788 0.856016265 0 0.115 0.865
50 2.7874 0.858665517 0 0.11 0.865
51 2.7956 0.861191547 0 0.095 0.865
52 2.8037 0.863686772 0 0.095 0.865
53 2.8117 0.866151192 0 0.095 0.865
54 2.8194 0.868523196 0 0.095 0.865
55 2.8269 0.87083359 0 0.095 0.865
56 2.934 0.87083359 0 0.095 0.87
57 2.8412 0.875238741 0 0.095 0.87
58 2.848 0.877333498 0 0.095 0.87
59 2.8547 0.879397449 0 0.09 0.87
60 2.8613 0.881430596 0 0.09 0.87
61 2.8678 0.883432937 0 0.09 0.87
62 2.8742 0.885404473 0 0.09 0.87
63 2.8805 0.887345204 0 0.085 0.88
64 2.8866 0.889224324 0 0.085 0.88
65 2.8926 0.891072639 0 0.085 0.88
66 2.8985 0.892890148 0 0.085 0.88
67 2.9044 0.894707658 0 0.085 0.88
68 2.9102 0.896494363 0 0.085 0.88
69 2.9159 0.898250262 0 0.085 0.88
70 2.9216 0.899978437 0 0.085 0.88
71 2.927 0.901669645 0 0.085 0.88
72 2.9324 0.903333128 0 0.085 0.885
73 2.9376 0.904935001 0 0.085 0.885
74 2.9428 0.906536874 0 0.085 0.885
75 2.9479 0.908107942 0 0.085 0.885
76 2.9529 0.909648204 0 0.085 0.885
77 2.9578 0.911157661 0 0.085 0.885
78 2.9627 0.912667118 0 0.085 0.88
79 2.9675 0.91414577 0 0.085 0.88
80 2.9723 0.915624422 0 0.085 0.88
81 2.9769 0.917041464 0 0.085 0.88
82 2.9614 0.91226665 0 0.085 0.88
83 2.9859 0.919813936 0 0.085 0.88
84 2.9903 0.921169367 0 0.085 0.88
85 2.9946 0.922493993 0 0.075 0.88
86 2.9989 0.923818619 0 0.075 0.88
87 3.0031 0.925112439 0 0.075 0.875
88 3.0072 0.926375454 0 0.075 0.875
89 3.0112 0.927607664 0 0.065 0.875
90 3.0152 0.928839874 0 0.065 0.875
91 3.0192 0.930072084 0 0.065 0.875
92 3.023 0.931242684 0 0.065 0.875
93 3.0269 0.932444088 0 0.065 0.875
94 3.0307 0.933614688 0 0.065 0.875
95 3.0344 0.934754482 0 0.065 0.875
96 3.038 0.935863471 0 0.065 0.875
97 3.0417 0.937003265 0 0.065 0.875
98 3.0152 0.928839874 0 0.065 0.875
99 3.0488 0.939190438 0 0.065 0.875 100 3.0523 0.940268622 0 0.06 0.875 101 3.0557 0.941316 0 0.06 0.875 102 3.0591 0.942363379 0 0.06 0.875 103 3.0624 0.943379952 0 0.06 0.875 104 3.0657 0.944396525 0 0.06 0.875 105 3.0689 0.945382293 0 0.06 0.88 106 3.0721 0.946368061 0 0.06 0.88 107 3.0753 0.947353829 0 0.06 0.88 108 3.0784 0.948308792 0 0.06 0.88
109 3.0815 0.949263755 0 0.06 0.88 110 3.0846 0.950218717 0 0.06 0.885 111 3.0876 0.951142875 0 0.06 0.885 112 3.0905 0.952036227 0 0.06 0.885 113 3.0934 0.952929579 0 0.06 0.88 114 3.0963 0.953822931 0 0.06 0.88 115 3.0991 0.954685478 0 0.06 0.88 116 3.1019 0.955548025 0 0.06 0.88 117 3.1047 0.956410572 0 0.06 0.88 118 3.1075 0.957273119 0 0.06 0.88 119 3.1102 0.958104861 0 0.06 0.88 120 3.1128 0.958905798 0 0.06 0.88 121 3.1155 0.959737539 0 0.06 0.88 122 3.1181 0.960538476 0 0.06 0.88 123 3.1207 0.961339412 0 0.06 0.88 124 3.1233 0.962140349 0 0.06 0.88 125 3.1258 0.96291048 0 0.055 0.88 126 3.1283 0.963680611 0 0.055 0.88 127 3.1308 0.964450742 0 0.055 0.88 128 3.1333 0.965220874 0 0.055 0.88 129 3.1358 0.965991005 0 0.055 0.88 130 3.1382 0.966730331 0 0.055 0.88 131 3.1407 0.967500462 0 0.055 0.88 132 3.1431 0.968239788 0 0.055 0.88 133 3.1455 0.968979114 0 0.055 0.88 134 3.1478 0.969687635 0 0.055 0.88 135 3.1501 0.970396156 0 0.055 0.88 136 3.1524 0.971104676 0 0.055 0.88 137 3.1546 0.971782392 0 0.055 0.88 138 3.1568 0.972460107 0 0.055 0.88 139 3.159 0.973137823 0 0.055 0.88 140 3.1611 0.973784733 0 0.055 0.88 141 3.1632 0.974431643 0 0.05 0.88 142 3.1653 0.975078553 0 0.05 0.88 143 3.1674 0.975725464 0 0.05 0.88 144 3.1694 0.976341569 0 0.05 0.88 145 3.1714 0.976957674 0 0.05 0.88 146 3.1733 0.977542973 0 0.05 0.88 147 3.1753 0.978159078 0 0.05 0.88 148 3.1772 0.978744378 0 0.05 0.88 149 3.1791 0.979329678 0 0.045 0.88 150 3.181 0.979914978 0 0.045 0.88 151 3.1829 0.980500277 0 0.045 0.88 152 3.1848 0.981085577 0 0.045 0.88
153 3.1866 0.981640071 0 0.045 0.88 154 3.1884 0.982194566 0 0.045 0.88 155 3.1902 0.98274906 0 0.045 0.88 156 3.1919 0.98327275 0 0.045 0.88 157 3.1937 0.983827244 0 0.045 0.88 158 3.1954 0.984350933 0 0.045 0.88 159 3.1971 0.984874623 0 0.045 0.88 160 3.1987 0.985367507 0 0.045 0.88 161 3.2004 0.985891196 0 0.045 0.88 162 3.202 0.98638408 0 0.045 0.88 163 3.2036 0.986876964 0 0.045 0.88 164 3.2052 0.987369848 0 0.045 0.88 165 3.2067 0.987831927 0 0.045 0.88 166 3.2082 0.988294005 0 0.045 0.88 167 3.2098 0.988786889 0 0.04 0.88 168 3.2113 0.989248968 0 0.035 0.88 169 3.2127 0.989680242 0 0.035 0.88 170 3.2142 0.99014232 0 0.035 0.885 171 3.2156 0.990573594 0 0.035 0.88 172 3.217 0.991004867 0 0.035 0.88 173 3.2184 0.991436141 0 0.035 0.88 174 3.2198 0.991867414 0 0.035 0.885 175 3.2212 0.992298688 0 0.035 0.885 176 3.2225 0.992699156 0 0.035 0.88 177 3.2238 0.993099624 0 0.035 0.88 178 3.2252 0.993530898 0 0.035 0.88 179 3.2264 0.993900561 0 0.035 0.88 180 3.2277 0.994301029 0 0.035 0.88 181 3.229 0.994701497 0 0.035 0.88 182 3.2302 0.99507116 0 0.035 0.885 183 3.2314 0.995440823 0 0.035 0.885 184 3.2326 0.995810486 0 0.035 0.885 185 3.2338 0.996180149 0 0.035 0.885 186 3.2349 0.996519007 0 0.035 0.885 187 3.236 0.996857865 0 0.035 0.885 188 3.2371 0.997196722 0 0.035 0.88 189 3.2381 0.997504775 0 0.035 0.88 190 3.2391 0.997812827 0 0.035 0.885 191 3.24 0.998090075 0 0.035 0.885 192 3.2409 0.998367322 0 0.035 0.88 193 3.2418 0.998644569 0 0.035 0.885 194 3.2427 0.998921816 0 0.035 0.88 195 3.2435 0.999168258 0 0.035 0.88 196 3.2442 0.999383895 0 0.035 0.88
197 3.245 0.999630337 0 0.035 0.88
198 3.2456 0.999815169 0 0.035 0.88
199 3.2462 1 0 0.035 0.88
200 3.2462 1 0 0.035 0.88
附录2
部分代码展示（matlab平台）
%计算人脸匹配成功率------------------------------------------- library=[];%设置样本库
i=0;
for i=1:40
for j=1:5
a=imread(strcat('h:\ORL\s',num2str(i),'\',num2str(j),'.bmp')); %读入样本图像
b=a(1:112*92); %将图像矩阵转为一位数组便于计算
b=double(b);%调整函数参数类型
library(i)=b;
i++;
end
end
mbook=mean(library);%平均脸
for i=1:200
abook(i,:)=library(i,:)-mbook;%减去平均脸，便于之后的计算
end;
sigma=abook*abook'; % 获得abook的协方差矩阵M * M 阶矩阵
[v d]=eig(sigma); %计算协方差矩阵的特征向量和特征值
d1=diag(d); %取得对角元
%按特征值大小以降序排列
dsort = flipud(d1);
vsort = fliplr(v);
%取得90%能量部分
dsum = sum(dsort);
dsum_extract = 0;
k = 0;
while( dsum_extract/dsum < 0.9)
k = k + 1;
dsum_extract = sum(dsort(1:k));
end
i=1;
base = abook' * vsort(:,1:k) * diag(dsort(1:k).^(-1/2));
allcoor = library * base;
accu = 0;
or i=1:40
for j=6:10 %读入40 x 5 副测试图像
a=imread(strcat('h:\ORL\s',num2str(i),'\',num2str(j),'.bmp')); b=a(1:10304);
b=double(b);
tcoor= b * base; %计算坐标，是 1×k 阶矩阵
for k=1:200
mdist(k)=norm(tcoor-allcoor(k,:));
end;
%三阶近邻②------------------------------------------------------------ [dist,index2]=sort(mdist);
class1=floor( (index2(1)-1)/5 )+1;
class2=floor((index2(2)-1)/5)+1;
class3=floor((index2(3)-1)/5)+1; if class1~=class2 && class2~=class3
class=class1;
elseif class1==class2
class=class1;
elseif class2==class3
class=class2;
end;
基于PCA算法的人脸识别毕业设计论文
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
人脸识别算法设计毕业设计
人脸识别算法 The Design and Implementation of Algorithms for Human Face Recognition 1-i
人脸识别算法 摘要 人脸自动识别是模式识别领域的一项热门研究课题，有着十分广泛的应用前景。本文对人脸位置矫正，人脸的特征提取和识别这些方面进行了研究，并提出了相应的实现算法。 人脸位置矫正作为人脸检测定位的一个环节，在计算机人脸识别中具有重要的意义。本文第二章提出了一种基于单人脸灰度图像中眼睛定位的人脸位置矫正方法，它是针对人眼灰度变化特点、人眼几何形状特征及双眼的轴对称性而设计的。实验结果表明，该方法对于双眼可见单人脸灰度图像能实现快速有效矫正，并能在矫正结果中精确给出双眼瞳孔位置。 本文第三章提出了一种基于神经网络的主元分析人脸图像识别方法。该方法利用非线性主元分析神经网络对人脸图像提取人脸特征（矢量），并在BP神经网络上实现了对人脸图像的识别。实验结果证明了该方法的有效性和稳定性。 关键词 1-ii
人脸位置矫正，人脸特征提取，人脸识别，神经网络，灰度图像，图像块纵向复杂度，主元分析法， 1-iii
The Design and Implementation of Algorithms for Human Face Recognition Student: Yangbo Gu Advisor: Dr. Wenming Cao Department of Computer Science and Technology College of Information Engineering Zhejiang University of Technology Abstract The automatic recognition of human faces is a hot spot in the field of pattern recognition , which has a wide range of potential applications . As the results of our in-depth research ,two algorithms are proposed : one for face pose adjustment , the other for facial feature extraction and face identification . Face pose adjustment , as a loop of human face location, is very important in computer face recognition. Chapter 2 of this thesis presents a new approach to automatic face pose adjustment on gray-scale static images with a single face . In a first stage , the right positions of eyes are precisely detected according to several designed parameters which well characterize the complex changes of the gray parameter in and around eyes and the geometrical shape of eyes . During the second stage , based on the location and the symmetry feature of eyes , the inclination angle is calculated and the face position is redressed . The experimentation shows that the algorithm performs very well both in terms of rate and of efficiency . What’s more , due to the precise location of eyes , the apples of the eyes are detected . 1-iv
人脸识别过程和相关算法(2013)
人 脸 识 别 过 程 图1 人脸识别流程图 1． 人脸的检测和定位：检测图中有没有人脸，将人脸从背景中分割出来，获 取人脸或人脸上的某些器官在图像上的位置。 2． 特征提取：提取特征点，构造特征矢量；多个样本图像的空间序列训练出 一个模型，它的参数就是特征值；模版匹配法用相关系数做特征；而大部分神经网络方法则直接使用归一化后的灰度图像作为输入，网络的输出就是识别结果，没有专门的特征提取过程。 3． 识别：将带识别的图像或特征与人脸数据库里的特征进行匹配，进而将给 出的人脸图像与数据库中的某一个人脸图像及其名字，相关性对应起来。 人脸检测方法 基于知识的方法 a) 优点：规则简单。 视频捕获图像预处理人脸检测人脸特征提取人脸识别人脸数据库比对
b)缺点：难以将人类知识转化为明确的规则。 基于特征的方法 c)优点：可以依据面部器官的几何关系进行人脸检测。 d)缺点：光照、噪声和遮挡可能使得人脸的边界特征被弱化，从而使得算 法难以使用。 基于模版匹配的方法 e)优点：简单高效。 f)缺点：难以应对各种不同的成像条件；关于人脸模式和非人脸模式不存 在一个清晰的、明确的界限。 基于外观的方法 g)优点：通过大量的样本训练使得人脸识别的精确度高。 h)缺点：算法复杂。 基于肤色的系统 i)优点：不受人脸姿态变化的影响。 j)缺点：受光照等外在因素影响较大。
人脸识别方法 基于几何特征的识别方法 a)优点： i.符合人类识别人脸的机理，易于理解。 ii.对每幅图像只需存储一个特征矢量，存储量小。 iii.对光照变化不太敏感。 b)缺点： i.从图像中抽取稳定的几何特征比较困难，特别是特征受到遮挡时。 ii.对强烈的表情变化和姿态变化的鲁棒性较差。 iii.一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失，该方法比较适合于人脸图像粗分类。基于统计的识别方法：隐马尔可夫法 c)优点：人脸识别率高。 d)缺点：算法实现复杂。 基于连接机制的方法 e)优点： i.能够根据有代表性的样本自我学习，具有鲁棒性和自适应性。 ii.以并行的方式处理信息，配以硬件实现，可以显著地提高速度。 f)缺点：算法实现复杂。
多姿态人脸识别算法设计与分析
哈尔滨工业大学工程硕士学位论文 目录 摘要 .......................................................................................................................... I ABSTRACT ................................................................................................................ II 第1章绪论 .. (1) 1.1研究背景 (1) 1.2课题研究的目的与意义 (2) 1.3人脸识别技术研究现状 (2) 1.4多姿态人脸识别方法概述 (4) 1.5本文主要研究内容 (5) 1.6文章结构 (6) 第2章人脸关键点检测 (7) 2.1引言 (7) 2.2基于形状回归的人脸关键点检测算法 (8) 2.2.1 形状回归框架 (8) 2.2.2 级联回归 (9) 2.2.3 回归单元 (10) 2.2.4 特征和特征选择 (11) 2.3改进的光照鲁棒的人脸关键点检测算法 (13) 2.3.1 直方图匹配 (13) 2.3.2 目标直方图的选择 (14) 2.3.3 直方图拟合 (15) 2.3.4 算法实验结果及分析 (16) 2.4本章小结 (18) 第3章局部图像描述子 (19) 3.1引言 (19) 3.2经典的局部图像描述子 (19) 3.3韦伯局部描述子 (21) 3.3.1 韦伯定律 (22) 3.3.2 差分激励 (23) 3.3.3 方向 (24) 3.3.4 构造WLD直方图 (24)
人脸识别主要算法原理
人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）
人脸识别课程设计论文(完美版)
前言 在人类社会的发展进入到21世纪的今天，安全问题已经成为困扰人们日常生活的重要问题之一。社会的发展促进了人的流动性，进而也增加了社会的不稳定性，使得安全方面的需求成为21世纪引起广泛关注的问题。不论是享受各项服务如网上冲浪、还是居家、办公等都涉及到安全，以往这些行为基本上是通过符号密码来进行安全保护，但是随着服务数量的不断增加，密码越来越多以致无法全部记住，而且密码有时也会被他人所窃取，各种密码被破解的概率越来越高，因为通常由于记忆的原因，人们经常会选用自己或亲人的生日、家庭地址、电话号码等作为密码并长期使用，这些很容易被一些不法分子获取。可见在现代社会中，身份识别已经成为人们日常生活中经常遇到的一个基本问题。人们乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者制权，同时防止这些权限被他人随意的取得。传统的身份识别方法主要基于身份标识物(如证件、卡片)和身份标识知识(如用户名、密码)来识别身份，这在很长一段时期是非常可靠和方便的识别方法，得到了广泛的应用。但是，随着网络、通信、交通等技的飞速发展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无不在。人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长在这种情况下，传统身份识别方式的弊端日益彰显。身份标识物品容易被丢失和伪造，份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识会给标识的所有者甚至整个社会带来重大的甚至难以弥补的损失。在美国，每年约有上百万的福利款被人以假冒的身份领取;每年发生的信用卡、ATM、移动电话和冒领支票等成的损失达数百亿美元[2]。面临着这样的状况，人们对身份识别的安全性、可靠性、准确和实用性提出了更高的要求，必须寻求身份识别的新途径。 于是，近年来人类生物特征越来越广泛地用于身份识别，而且生物特征可以更好的进行安全控制，世界各国政府都在大力推进生物识别技术的发展及应用。与原有的人类身分识别技术(如:个人密码、磁卡、智能卡等)相比，基于人类生物特征的识别技术具有安全可靠、特征唯一、不易伪造、不可窃取等优点。人类本身具有很多相对独特的特征，如DNA、指纹、虹膜、语音、人脸等。基于这些相对独特的人类特征，结合计算机技术，发展起众多的基于人类生物特征的人类身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术、人脸识别技术。 人脸识别和其他的生物识别比起来有以下几个优点:1、其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要。2、人脸识别可应用在远距离监控中。3、针一对现在的第一、二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。 4、相对于其他基于生物特征识别技术，人脸识别技术具有特征录入方一便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。人脸识别技术作为生物识别技术的
基于matlab的人脸识别算法(PCA)
3.基于matlab的人脸识别算法 3.1 问题描述 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅 N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次试题采用PCA算法并利用GUI实现。 对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。 任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看，一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.1.1 主成分的一般定义 设有随机变量X1，X2，…，Xp，其样本均数记为，，…，，样本标准差记为S1，S2，…，Sp。首先作标准化变换，我们有如下的定义： (1) 若C1=a11x1+a12x2+ … +a1pxp，…，且使 Var(C1)最大，则称C1为第一主成分； (2) 若C2=a21x1+a22x2+…+a2pxp，…，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分； (3) 类似地，可有第三、四、五…主成分，至多有p个。 3.1.2 主成分的性质 主成分C1，C2，…，Cp具有如下几个性质： （1) 主成分间互不相关，即对任意i和j，Ci 和Cj的相关系数 Corr(Ci，Cj)=0 i j (2) 组合系数(ai1，ai2，…，aip)构成的向量为单位向量， (3) 各主成分的方差是依次递减的，即 Var(C1)≥Var(C2)≥…≥Var(Cp)
人脸识别算法都有哪些
主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临
近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA） 特征脸方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有简单有效的特点, 也称为基于主成分分析(principal component analysis,简称PCA)的人脸识别方法。 特征子脸技术的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。 实际上，特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比较条件，则判断其为人脸。 基于特征分析的方法，也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量，这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系，而且也保留了各部件本身的信息，而基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。
基于eigenfaces的人脸识别算法实现大学论文
河北农业大学 本科毕业论文(设计) 题目：基于Eigenfaces的人脸识别算法实现 摘要 随着科技的快速发展,视频监控技术在我们生活中有着越来越丰富的应用。在这些视频监控领域迫切需要一种远距离，非配合状态下的快速身份识别，以求能够快速识别所需要的人员信息，提前智能预警。人脸识别无疑是最佳的选择。可以通过人脸检测从视频监控中快速提取人脸，并与人脸数据库对比从而快速识别身份。这项技术可以广泛应用于国防，社会安全，银行电子商务，行政办公，还有家庭安全防务等多领域。 本文按照完整人脸识别流程来分析基于PCA(Principal Component Analysis)的人脸识 别算法实现的性能。首先使用常用的人脸图像的获取方法获取人脸图像。本文为了更好的分析基于PCA人脸识别系统的性能选用了ORL人脸数据库。然后对人脸数据库的图像进行了简单的预处理。由于ORL人脸图像质量较好，所以本文中只使用灰度处理。接着使用PCA提取人脸特征，使用奇异值分解定理计算协方差矩阵的特征值和特征向量以及使用最近邻法分类器欧几里得距离来进行人脸判别分类。 关键词:人脸识别PCA算法奇异值分解定理欧几里得距离
ABSTRACT With the rapid development of technology, video surveillance technology has become increasingly diverse applications in our lives. In these video surveillance urgent need for a long-range, with rapid identification of non-state, in order to be able to quickly identify people the information they need, advance intelligence warning. Face recognition is undoubtedly the best choice. Face detection can quickly extract human faces from video surveillance, and contrast with the face database to quickly identify identity. This technology can be widely used in national defense, social security, bank e-commerce, administrative offices, as well as home security and defense and other areas. In accordance with the full recognition process to analyze the performance of PCA-based face recognition algorithm. The first to use the method of access to commonly used face images for face images. In order to better analysis is based on the performance of the PCA face recognition system selected ORL face database. Then the image face database for a simple pretreatment. Because ORL face image quality is better, so this article uses only gray scale processing. Then use the PCA for face feature extraction using singular value decomposition theorem to calculate the covariance matrix of the eigenvalues and eigenvectors, and use the Euclidean distance of the nearest neighbor classifier to the classification of human face discrimination. KEYWORDS: face recognition PCA algorithm SVD Euclidean distance
人脸识别技术设计论文
人脸识别算法 摘要 人脸自动识别是模式识别领域的一项热门研究课题，有着十分广泛的应用前景。本文对人脸位置矫正，人脸的特征提取和识别这些方面进行了研究，并提出了相应的实现算法。 人脸位置矫正作为人脸检测定位的一个环节，在计算机人脸识别中具有重要的意义。本文第二章提出了一种基于单人脸灰度图像中眼睛定位的人脸位置矫正方法，它是针对人眼灰度变化特点、人眼几何形状特征及双眼的轴对称性而设计的。实验结果表明，该方法对于双眼可见单人脸灰度图像能实现快速有效矫正，并能在矫正结果中精确给出双眼瞳孔位置。 本文第三章提出了一种基于神经网络的主元分析人脸图像识别方法。该方法利用非线性主元分析神经网络对人脸图像提取人脸特征（矢量），并在BP神经网络上实现了对人脸图像的识别。实验结果证明了该方法的有效性和稳定性。 关键词 人脸位置矫正，人脸特征提取，人脸识别，神经网络，灰度图像，图像块纵向复杂度，主元分析法， 1-i
The Design and Implementation of Algorithms for Human Face Recognition Abstract The automatic recognition of human faces is a hot spot in the field of pattern recognition , which has a wide range of potential applications . As the results of our in-depth research ,two algorithms are proposed : one for face pose adjustment , the other for facial feature extraction and face identification . Face pose adjustment , as a loop of human face location, is very important in computer face recognition. Chapter 2 of this thesis presents a new approach to automatic face pose adjustment on gray-scale static images with a single face . In a first stage , the right positions of eyes are precisely detected according to several designed parameters which well characterize the complex changes of the gray parameter in and around eyes and the geometrical shape of eyes . During the second stage , based on the location and the symmetry feature of eyes , the inclination angle is calculated and the face position is redressed . The experimentation shows that the algorithm performs very well both in terms of rate and of efficiency . What’s more , due to the precise location of eyes , the apples of the eyes are detected . In chapter 3, a novel approach to human face image recognition based on principal component analysis and neural networks has been proposed . By using BP neural networks , human face images are successfully classified and recognized according to the output of BPNN whose input is the eigenvector extracted from the human face images via nonlinear principal 1-ii
人脸识别核心算法技术解读
人脸识别核心算法技术 在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。 1、在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。我们在这方面的主要工作包括： · 基于LGBP的人脸识别方法 问题： 统计学习目前已经成为人脸识别领域的主流方法，但实践表明，基于统计学习的方法往往会存在“推广能力弱”的问题，尤其在待识别图像“属性”未知的情况下，更难以确定采用什么样的训练图像来训练人脸模型。鉴于此，在对统计学习方法进行研究的同时，我们还考虑了非统计模式识别的一类方法。 思路： 对于给定的人脸图像，LGBP方法首先将其与多个不同尺度和方向的Gabor滤波器卷积（卷积结果称为Gabor特征图谱）获得多分辨率的变换图像。然后将每个Gabor特征图谱划分成若干互不相交的局部空间区域，对每个区域提取局部邻域像素的亮度变化模式，并在每个局部空间区域内提取这些变化模式的空间区域直方图，所有Gabor特征图谱的、所有区域的直方图串接为一高维特征直方图来编码人脸图像。并通过直方图之间的相似度匹配技术（如直方图交运算）来实现最终的人脸识别。在FERET四个人脸图像测试集合上与FERET97的结果对比情况见下表。由此可见，该方法具有良好的识别性能。而且LGBP方法具有计算速度快、无需大样本学习、推广能力强的优点。 表.LGBP方法与FERET'97最佳结果的对比情况 · 基于AdaBoost的Gabor特征选择及判别分析方法 问题：
人脸识别主要算法原理
人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧 面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是: 设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的 基础。 3. 特征脸方法（Eigenface或PCA）
基于PCA的人脸识别算法实现毕业论文
基于PCA的人脸识别算法实现毕业论文 目录 前言 (1) 第一章人脸识别系统概述 (2) 第一节人脸识别的研究概况 (2) 第二节人脸识别的发展趋势 (3) 一、多数据融合与方法综合 (4) 二、动态跟踪人脸识别系统 (4) 三、基于小波神经网络的人脸识别 (4) 四、三维人脸识别 (4) 五、适应各种复杂背景的人脸分割技术 (4) 六、全自动人脸识别技术 (4) 第三节人脸识别技术的主要难点 (4) 一、复杂条件下人脸的检测和关键点定位 (5) 二、光照问题 (5) 三、资态问题 (5) 四、表情问题 (5) 五、遮挡问题 (5) 第四节人脸识别流程 (5) 一、人脸图像采集 (6) 二、预处理 (6) 三、特征提取 (6) 第五节本章小结 (7) 第二章人脸图像的获取 (9) 第一节人脸图像获取 (9) 第二节人脸分割 (9) 第三节人脸数据库 (10) 第四节本章小结 (11) 第三章人脸图像的预处理 (12)
第一节人脸图像格式 (12) 一、JPEG格式 (12) 二、JPEG2000格式 (12) 三、BMP格式 (13) 四、GIF格式 (13) 五、PNG格式 (13) 第二节人脸图像常用预处理方法 (14) 一、灰度变化 (14) 二、二值化 (15) 三、直方图均衡 (15) 四、图像滤波 (15) 五、图像锐化 (17) 六、图像归一化 (18) 第三节本章小结 (19) 第四章人脸识别 (20) 第一节主成分分析基本理论 (20) 一、什么是主成分分析？ (20) 二、例子 (20) 三、基变换 (21) 四、方差 (23) 五、PCA求解：特征根分解 (27) 六、PCA的假设 (28) 七、总结： (28) 八、在计算机视觉领域的应用 (30) 第二节基于PCA人脸识别算法的实现 (31) 一、创建数据库 (32) 二、计算特征脸 (32) 三、人脸识别 (34) 第三节本章小结 (36) 结论 (37) 致谢 (38) 参考文献 (39) 附录 (40) 一、英文原文 (40) 二、英文翻译 (53)
人脸识别技术的主要研究方法
1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且
DIP - 基于MATLAB的人脸识别算法课程设计报告
数字图像处理实验报告 院系：计算机科学学院 班级：计科11303 小组成员：张世柳、邓伟养、兰洋、冯威 成员学号： 201510049 实验名称：基于MATLAB的人脸识别算法 实验时间： 2015.10.01 - 2015.10.19 实验地点：东4教2号机房
目录 一、绪论 (2) 二、实验设计 (2) （一）实验题目 (2) （二）实验目的 (2) 三、实验准备 (2) （一）环境准备 (2) （二）知识准备 (3) 四、算法设计 (3) （一）问题描述 (3) 1. 主成分的一般定义 (3) 2. 主成分的性质 (4) 3. 主成分的数目的选取 (4) （二）PCA算法的功能实现 (5) 1. 人脸空间的建立 (5) 2. 特征向量的选取 (5) 3. 人脸识别 (5) 4. 识别流程 (6) 五、程序实现 (6) （一）人脸识别程序 (6) 1. 用户界面 (6) 2. 选择图片 (6) 3. 图片选择后 (6) 4. 查找后 (6) （二）测试及结果分析 (6) 六、实验总结 (7) 七、参考文献 (10)
一、绪论 随着科技的发展，人类社会的进步，传统身份识别由于容易遗失，容易被破解已不能起到身份识别作用。人们需要更加安全可靠的身份识别技术。而生物特征的独一无二，不易丢失和被复制的特性很好满足了身份识别的需要。同时随着计算机科学技术和生物医学的发展使得利用生物特征识别成为了可能。在生物特征识别领域，由于人脸识别的操作快速简单，结果直观，准确可靠，不需要人的配合等优点已成为人们关注的焦点。主成分分析（PCA）通过提取高维度的人脸图像的主元，使得图像在低维度空间中被处理来降低了图像处理的难度。由于其有效的解决了图像空间维数过高的问题，已经成为人脸识别领域非常重要的理论，本实验研究的是基于MATLAB人脸识别算法的实现。 二、实验设计 （一）实验题目 机器人视觉——基于MATLAB的人脸识别算法 （二）实验目的 1. 初步了解人脸识别的特征法； 2. 学会使用主成分分析算法（PCA）； 3. 通过功能模块实现人脸识别系统； 4. 完成数字图像处理课程的作业要求。 三、实验准备 （一）环境准备 MATLAB 7.0
人脸识别PCA算法matlab实现及详细步骤讲解
%FaceRec.m %PCA人脸识别修订版，识别率88％ %calc xmean,sigma and its eigen decomposition allsamples=[];%所有训练图像 for i=1:40 for j=1:5 a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg')); %imshow(a); b=a(1:112*92);%b是行矢量1×N，其中N＝10304，提取顺序是先列后行，即从上 到下，从左到右 b=double(b); allsamples=[allsamples;b];%allsamples是一个M*N矩阵，allsamples中每一行数 据代表一张图片，其中M＝200 end end samplemean=mean(allsamples);%平均图片，1×N for i=1:200xmean(i,:)=allsamples(i,:)-samplemean;%xmean是一个M×N矩阵，xmean 每一行保存的数据是“每个图片数据-平均图片” end; %获取特征值及特征向量 sigma=xmean*xmean';%M*M阶矩阵 [v d]=eig(sigma); d1=diag(d); %按特征值大小以降序排列 dsort=flipud(d1); vsort=fliplr(v); %以下选择90%的能量 dsum=sum(dsort); dsum_extract=0; p=0; while(dsum_extract/dsum<0.9) p=p+1; dsum_extract=sum(dsort(1:p)); end i=1; %(训练阶段)计算特征脸形成的坐标系 base=xmean'*vsort(:,1:p)*diag(dsort(1:p).^(-1/2)); %base是N×p阶矩阵，除以dsort(i)^(1/2)是对人脸图像的标准化（使其方差为1） %详见《基于PCA的人脸识别算法研究》p31 %xmean'*vsort(:,i)是小矩阵的特征向量向大矩阵特征向量转换的过程 %while(i<=p&&dsort(i)>0) %base(:,i)=dsort(i)^(-1/2)*xmean'*vsort(:,i);%base是N×p阶矩阵，除以dsort(i)^(1/2)是对人脸图像的标准化（使其方差为1） %详见《基于PCA的人脸识别算法研究》p31 %i=i+1;%xmean'*vsort(:,i)是小矩阵的特征向量向大矩阵特 征向量转换的过程 %end %以下两行add by gongxun将训练样本对坐标系上进行投影,得到一个M*p阶矩阵allcoor allcoor=allsamples*base;%allcoor里面是每张训练人脸图片在M*p子空间中的一个点，即在子空间中的组合系数， accu=0;%下面的人脸识别过程中就是利用这些组合系数来进行识别