基于MATLAB的人脸识别

图像识别题目：基于MATLAB的人脸识别院系：计算机科学与应用系班级：姓名：学号：日期：目录引言 (1)1 人脸识别技术 (2)1.1人脸识别的研究内容 (2)1.1.1人脸检测(Face Detection) (2)1.1.2人脸表征(Face Representation) (2)1.2几种典型的人脸识别方法 (3)1.2.1基于几何特征的人脸识别方法 (3)1.2.2基于K-L变换的特征脸方法 (4)1.2.3神经网络方法 (4)1.2.4基于小波包的识别方法 (5)1.2.5支持向量机的识别方法 (5)2 人脸特征提取与识别 (5)2.1利用PCA进行特征提取的经典算法——Eigenface算法 (6)2.2 PCA人脸识别流程 (6)2.3特征向量选取 (8)2.4距离函数的选择 (9)2.5 基于PCA的人脸识别 (9)MATLAB人脸识别程序 (10)3 MATLAB软件程序编写 (10)3.1.创建图片数据库 (10)3.2 主程序 (11)3.3最终程序结果 (12)4 心得与体会 (12)参考文献 (13)引言随着社会的发展及技术的进步，社会各方面对快速高效的自动身份验证的需求可以说无处不在，并与日俱增。

例如，某人是否是我国的居民，是否有权进入某安全系统，是否有权进行特定的交易等。

尤其是自2001年美国“9．1l”恐怖袭击发生以来，如何在车站、机场等公共场所利用高科技手段，迅速而准确地发现并确认可疑分子成了目前世界各国在反恐斗争中普遍关注的问题。

为此，各国都投入大量人力、物力研究发展各类识别技术，使得生物特征识别技术得到了极大的发展。

生物特征识别技术主要包括：人脸识别、虹膜识别、指纹识别、步态识别、语音识别、笔迹识别、掌纹识别以及多生物特征融合识别等。

人类通过视觉识别文字，感知外界信息。

在客观世界中，有75％的信息量都来自视觉，因此让计算机或机器人具有视觉，是人工智能的重要环节。

由于生物特征是人的内在属性，具有很强的稳定性和个体差异性，因此是身份验证最理想的依据。

与虹膜、指纹、基因、掌纹等其他人体生物特征识别系统相比，人脸识别系统更加直接、方便、友好，易于为用户所接受，并且通过人脸的表情、姿态分析，还能获得其它识别系统难以得到的一些信息。

人脸识别技术在国家重要机关及社会安防领域具有广泛用途。

例如：公安系统的罪犯识别、信用卡验证、医学、档案管理、视频会议、人机交互系统等身份识别和各类卡持有人的身份验证。

同其他人体生物特征(如：指纹、掌纹、虹膜、语音等)识别技术相比，人脸识别技术的隐性最好，人脸识别系统更直接、友好，是当今国际反恐和安防最重视的科技手段和攻关标志之一。

虽然人类能毫不费力地识别出人脸及表情，但对人脸的机器自动识别确实一个难度极大的课题，它涉及到模式识别、图像处理及生理、心理学等诸多方面的知识。

人脸识别技术的研究虽然己经取得了一定的可喜成果，但在实际应用中仍存在着许多严峻的问题。

人脸的非刚体性、姿态、表情、发型以及化妆的多样性都给正确识别带来了困难，要让计算机像人一样方便地识别出大量的人脸，尚需不同科学研究领域的科学家共同不懈的努力。

1 人脸识别技术人脸因人而异，绝无相同，即使一对双胞胎，其面部也一定存在着某方面的差异。

虽然人类在表情、年龄或发型等发生巨大变化的情况下，可以毫不困难地由脸而识别出某一个人，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，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，并与基于其他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、掌形等其他人体生物特征识别系统相比，人脸识别系统更加直接、友好，使用者无任何心理障碍，并且通过人脸的表情和姿态分析，还能获得其他识别系统难以得到的一些信息。

20世纪90年代以来，随着需要的剧增，人脸识别技术成为一个热门的研究话题。

1.1人脸识别的研究内容人脸识别(Face Recognition)是利用计算机对人脸图像进行特征提取和识别的模式识别技术。

在二十世纪七十年代初，对人脸识别的研究涉及心理学神经科学。

其直接目的是要搞清楚人是如何对人脸进行识别的。

七十年代中期以后，开展了用数学、物理和技术的方法对人脸自动识别的研究。

人脸识别一般可描述为：给定静止图像或动态图像序列，利用已有的人脸图像数据库来确认图像中的一个或多个人。

从广义上来说，计算机人脸识别的研究内容大概可以分为以下五个方面。

1.1.1人脸检测(Face Detection)此过程包括人脸检测(Detection)、人脸定位(Location)和人脸跟踪(Tracking)。

所谓人脸检测，就是给定任意图像，确定其中是否存在人脸，如果有，给出人脸的位置、大小等状态信息。

人脸跟踪指在一纽连续静态图像所构成的动态视频中实时地检测人脸。

人脸检测主要受到光照、噪声、姿念以及遮挡等因素的影响，人脸检测的结果直接关系到后面两个过程的准确性。

近年来，人脸检测和跟踪开始成为独立的研究课题受到关注。

1.1.2人脸表征(Face Representation)人脸表征就是提取人脸的特征，是将现实空间的图像映射到机器空间的过程。

人脸的表示具有多样性和唯一性，这其实就是人脸共性和特性之间的关系问题：只有保持这种多样性和唯一性，才能保证人脸图像的准确描述和识别。

人脸图像信息数据量巨大，为提高检测和识别的运算速度以及提高图像传输和匹配检索速度，必须对图像进行数据压缩，降低向量维数，即用尽可能少的数据表示尽可能多的信息。

人脸的表征在提取人脸特征的同时，也实现了对原始图像数据的降维。

1.2几种典型的人脸识别方法对人脸识别方法的研究主要有两大方向：一是基于人脸图像局部特征的识别方法；二是基于人脸图像整体特征的识别方法。

基于人脸图像局部特征的识别通常抽取人脸器官如眼睛、眉毛、鼻子和嘴等器官的位置，尺度以及彼此间的比率作为特征。

进一步地可以用几何形状拟合人脸器官，从而以几何参数作为描述人脸的特征。

由于此类方法通常要精确地抽取出位置、尺度、比率或几何参数作为描述人脸的特征，因此对人脸图像的表情变化比较敏感。

同时，人脸器官分割的精确度也对人脸特征的提取有一定的影响。

另外，该类方法并没有充分利用到人脸图像本身具有的获度信息，该方向已经不是人脸识别技术发展的主流方向。

基于人脸图像整体特征的人脸识别方法由于不需要精确提取人脸图像中部件的具体信息，而且可以充分利用到人脸图像本身具有的灰度信息，因此可获得更好的识别性能。

目前，绝大部分关于人脸识别方法的文章都是基于人脸图像整体特征的，主要有特征脸法、最佳鉴别向量集法，贝叶斯法，基予傅立叶不变特征法，弹性图匹配法，其他相关方法有线性子空间法，可变形模型法和神经网络法。

这些方法中有的侧重于表述人脸图像的特征提取，如弹性图匹配法和傅立叶不变特征法；有的则侧重于分类，如最佳鉴别向量集法、贝叶斯法和神经网络法；而有的则侧重于人脸图像重构，如特征脸法和线性子空间法。

所有这些基于人脸图像整体特征的人脸识别方法均取得了一定的识别性能。

1.2.1基于几何特征的人脸识别方法基于几何特征的人脸识别方法主要源于人脸识别的初期研究阶段。

这种方法是以人脸各个器官和几何关系为基础进行算法设计。

对于不同人来说，脸上的各个器官，如眼睛、鼻子、嘴巴以及整个脸部的轮廓具有不同的形状、大小、相对位置和分布情况。

在基于几何特征的人脸识别方法中，可以用一个矢量来表示提取出来的几何参数。

如果要获得一个准确、稳定和可靠的识别结果，就要求这些被选出的几何特征参数包含足够丰富的辨识人脸的信息，且能反映不同人脸之间的差别。

也就是说对这些矢量要求具有较高的模式分类能力，同时还要有一定的稳健性，能够消除由于时间变迁、光照变化等其他干扰因素所带来的影响。

具体来沈，这些几何参数一般包括人脸上两个指定特征点之间的欧式距离、边缘曲率、角度等等。

在实际应用过程中，基于几何特征的人脸识别方法存在着两个方面的问题：(1)如何快速、准确地检测出入脸的重要标志点依然是一个没有很好解决的问题。

脸上的重要标志点，如瞳孔、嘴巴和鼻子，它们在脸上的位置是进行脸部几何参数计算和测量的基准。

(2)脸部几何特征在人脸辨识中的有效性问题，即脸部几何特征能够提供多少可供识别的信息量。

虽然各人脸的器官在形状、大小及分布上各不相同，但是这种器官上的差异性更多是体现在某些细微的感觉意义上。

例如眼睛显得比较小、鼻子显得比较宽，以及皮肤的纹理、颜色上的差异等等。

显然，这些特征中的一部分是难以精确测量出来或者是不能用几何参数准确描述的。

所以仅靠增加脸上几何参数的数目来提高人脸识别率是不太现实的。

由于进一步改善测量精度是十分困难的，因而通过增加脸部几何参数的数量来改善识别率结果，其影响是极小的。

因此，基于少量人脸几何特征进行大规模人脸辨识的可靠性是不容乐观的。

1.2.2基于K-L变换的特征脸方法K-L变换是图像压缩的一种最优正交变换，人们将它应用于特征提取，形成了子空间法模式识别的基础。

将K-L变换用于人脸识别，需要假设人脸处于低维的线性空间，不同人脸具有可分性。

高维的图像空间经过K-L变换后得到一组新的正交基，保留其中重要的正交基从而形成了低维的人脸空间。

若将所有子空间的正交基排列成图像阵列，则正交基呈现人脸的形状，因此这些正交基也被称为特征脸。

选择那些正交基形成的子空间则有不同的考虑，与较大特征值对应的一些正交基(也称主分量)能够表达人脸的大体形状，而具体细节需要那些小特征值对应的特征向量(也称次分量)来加以补充描述，因此低频成分用主分量表示，高频分量用次分量表示。

采用主分量作为新的正交空间的正交基的方法称为主分量(Principal Component Analysis，简称PCA)方法。

K-L变换在90年代初受到了很大的重视，实际用于人脸识别取得了很好的效果，一般库德大小为100幅左右，识别率在70％-100％之间不等，这主要取决于人脸库图像的质量。

从压缩能量的角度来看，K-L变换是最优的，变换后的低维空间对于人脸有很好的表达能力，然而这并不等同于对不同人脸具有较好的判别能力。

选择训练样本的散布矩阵作为K-L变换的生成矩阵，其最大特征向量反映了该样本集合的最大分布的方向，但这是图像统计方法，而不是人脸统计方法。

它查找的是图像之间所有的差异，并根据这些差异来确定不同人脸间的距离，而不管这些差异是由于光线、发型或背景的改变引起的，还是属于人脸本身的内在差异，因此特征脸的方法用于人脸识别存在理论的缺陷。

研究表明，特征连的方法随着光线、角度以及人脸的尺寸的引入而识别率急剧下降。

主分量的方法使得变换后的表达能力最佳，次分量的方法考虑了高频的人脸区分能力，但是由于外在因素带来图像差异和人脸本身带来的差异对K-L变换而言是不加任何区分的，因此，如何选择正交基并不根本解决问题。