基于matlab的人脸识别系统
人脸识别核心算法及MATLAB代码
人脸识别核心算法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。
参见ICCV2005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：人脸描述是人脸识别的核心问题之一，人脸识别的研究实践表明：在人脸三维形状信息难以准确获取的条件下，从图像数据中提取多方向、多尺度的Gabor特征是一种合适的选择。
使用Gabor特征进行人脸识别的典型方法包括弹性图匹配方法（EGM）和Gabor特征判别分类法（GFC）。
EGM在实用中需要解决关键特征点的定位问题，而且其速度也很难提高；而GFC则直接对下采样的Gabor特征用PCA降维并进行判别分析，尽管这避免了精确定位关键特征点的难题，但下采样的特征维数仍然偏高，而且简单的下采样策略很可能遗漏了非常多的有用特征。
多视图学习利器----CCA（典型相关分析）及MATLAB实现
Hello ，我是你们⼈见⼈爱花见花开的⼩花。
⼜和⼤家见⾯了，今天我们来聊⼀聊多视图学习利器------CCA 。
⼀ 典型相关分析的基本思想当我们研究两个变量x 和y 之间的相关关系的时候，相关系数（相关系数是⽤以反映变量之间相关关系密切程度的统计指标。
相关系数是按积差⽅法计算，同样以两变量与各⾃平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数）是最常⽤的变量：其中S xx 为标准差。
那我们如何研究两组变量之间的相关关系呢？⽐如（X 1，X 2，X 3）与（y 1,y 2）我们是不应该计算如下矩阵：，这样把每⼀个变量之间都求出来了。
但是我们这样计算的时候是不是有点繁琐，⽽且总是会忽略问题的本质。
现在我们如果能找出两组变量的各⾃的某个线性组合，讨论线性组合之间的相关关系，那是不是更为简洁？现在我们利⽤主成分分析的思想，可以把多个变量与多个变量之间的相关转化成两个变量之间的相关。
例如原来（X 1，X 2，X 3）与（y 1,y 2）可以分别组合成两个变量U,V.我们假设：另外。
我们找出有最⼤可能的相关系数（a 1,a 2,a 3）与（b 1,b 2）,这就是典型相关系数。
也就是使。
典型相关分析最朴素的思想：⾸先分别在每组变量中找出第⼀对典型变量，使其具有最⼤相关性，然后在每组变量中找出第⼆对典型变量，使其分别与本组内的第⼀对典型变量不相关，第⼆对本⾝具有次⼤的相关性。
如此下去，直到进⾏到R 步，两组变量的相关系被提取完为⽌，可以得到R 组变量。
⼆ 典型相关分析的数学表达2,1 思考现在考虑两组变量的向量，其协⽅差矩阵为其中是第⼀组变量的协⽅差矩阵，是第⼆组变量的协⽅差矩阵，为第⼀组和第⼆组共同的协⽅差矩阵。
2.2 典型相关系数和典型变量的求法我就偷个懒，从我以前看的资料上截图把计算过程给⼤家，哈哈。
当然有不懂的欢迎留⾔问我。
计算步骤如下：结论：既是M 1⼜是M 2的特征根，a 1和b 1是相应于M 1和M 2的特征向量。
使用Matlab进行光学图像处理和计算机视觉
使用Matlab进行光学图像处理和计算机视觉在当今数字化时代，光学图像处理和计算机视觉已成为科学研究和工程应用中不可或缺的重要领域。
随着现代科技的快速发展，计算机视觉在人们的日常生活中发挥着越来越重要的作用。
而Matlab作为一种强大的科学计算软件，具备优秀的图像处理和计算机视觉功能，被广泛应用于这一领域。
光学图像处理是指通过光学器件、传感器或电子设备等将外界的光信号转换为数字图像，并对该图像进行各种处理和分析。
首先，在图像处理的前期工作中，我们需要对图像进行预处理。
在Matlab中，可以利用图像增强、滤波和去噪等技术对图像的质量进行提升。
例如，可以通过对比度增强、直方图均衡化和锐化等方法提高图像的清晰度和视觉效果。
同时，利用滤波器对图像进行去噪处理，可以有效消除由于图像采集和传输过程中引入的噪声，提高图像的信噪比。
接下来，在图像处理的中期工作中，我们可以利用Matlab提供的函数和工具箱进行图像分割和特征提取。
图像分割是将图像分解为多个具有相似特征的区域的过程，常用的方法包括阈值分割、边缘检测和区域生长等。
通过图像分割，我们可以将图像中的目标物体从背景中提取出来，为后续的目标检测、跟踪和识别等任务提供支持。
而图像特征提取则是从图像中提取出具有区分度的特征信息，通常包括颜色、纹理、形状和边缘等。
利用这些特征，可以实现对图像中目标物体的识别和分类。
最后，在图像处理的后期工作中，我们可以利用Matlab提供的函数和工具箱进行图像重建和图像合成。
图像重建是指通过一系列的数学和物理模型，对已知图像进行恢复或重建的过程。
例如，通过利用MATLAB中提供的反卷积算法，可以对由于传感器或光学系统等原因引起的图像模糊进行修复。
同时，图像合成是将不同来源的图像进行融合和合成的过程。
例如，通过融合可见光图像和热红外图像，可以实现对夜间目标的检测和识别。
除了光学图像处理，计算机视觉也是一个快速发展的研究领域。
计算机视觉通过模仿人类的视觉系统，利用计算机对数字图像和视频进行分析和理解。
利用Matlab进行图像处理与图像识别的实例
利用Matlab进行图像处理与图像识别的实例引言：在现代科技的发展中，图像处理和图像识别成为了热门的研究领域。
利用计算机视觉技术对图像进行处理和分析，可以广泛应用于医学影像、安防监控、人脸识别等领域。
而Matlab作为一款功能强大的科学计算软件，提供了丰富的图像处理和识别工具箱，极大地便利了研究者在图像领域的工作。
本文将通过几个实例来介绍如何利用Matlab进行图像处理和图像识别。
一、Matlab中的图像处理工具箱Matlab提供了大量的图像处理函数和工具箱，方便用户进行图像的处理和分析。
其中，图像处理工具箱是最常用的一部分。
通过该工具箱，用户可以对图像进行滤波、增强、分割等操作。
例如，可以用imfilter函数进行均值滤波，用imadjust函数对图像进行直方图均衡化。
图像处理工具箱的使用非常简单，只需要调用相应的函数并传入参数即可。
二、实例1：图像滤波图像滤波是图像处理中常用的操作之一。
通过滤波可以去除图像中的噪声或者增强图像的细节。
在Matlab中，可以使用不同的滤波函数来实现不同的效果。
下面以均值滤波和中值滤波为例来介绍。
1. 均值滤波均值滤波是一种简单的线性滤波方法。
在Matlab中，可以使用imfilter函数来进行均值滤波。
例如，对一张灰度图像进行均值滤波的代码如下：```img = imread('image.jpg');h = fspecial('average', [3 3]);filtered_img = imfilter(img, h, 'replicate');```上述代码中，imread函数用于读取图像，fspecial函数用于创建一个3x3的均值滤波模板，imfilter函数用于对图像进行滤波操作。
'replicate'参数表示在边界处使用边界像素值进行补充。
2. 中值滤波中值滤波是一种非线性滤波方法，常用于去除椒盐噪声。
MATLAB中常见的图像识别算法介绍
MATLAB中常见的图像识别算法介绍图像识别是指利用计算机视觉技术对图像进行分析和处理，从中提取出有用的信息。
MATLAB作为一种强大的计算软件，提供了丰富的图像处理和分析工具，能够支持各种常见的图像识别算法。
在本文中，我们将介绍几种常用的图像识别算法，并探讨其原理和应用。
一、图像特征提取算法图像识别的第一步是提取图像特征，即从图像中提取出能够代表图像内容的信息。
常用的图像特征提取算法包括SIFT（Scale-Invariant Feature Transform）、SURF（Speeded-Up Robust Features）和HOG（Histogram of Oriented Gradients）等。
SIFT算法通过检测图像中的关键点，并计算这些关键点的描述子，从而表示图像的局部特征。
SURF算法是对SIFT算法的一种改进，它具有更快的运算速度和更好的鲁棒性。
HOG算法则通过统计图像中不同方向上的梯度信息来描述图像的纹理特征。
这些图像特征提取算法在图像识别任务中广泛应用，例如人脸识别、物体检测等。
它们的主要优势在于对图像的旋转、尺度和光照变化具有较好的不变性。
二、图像分类算法在提取了图像特征之后，接下来就是将提取到的特征应用于图像分类任务。
常用的图像分类算法有支持向量机（SVM）、K最近邻（KNN）和深度学习等。
支持向量机是一种经典的机器学习算法，在图像分类中有着广泛的应用。
它通过寻找一个最优的超平面来将不同类别的样本分开。
支持向量机具有较好的泛化能力，能够处理高维特征，对于非线性问题也能够通过核技巧进行处理。
K最近邻算法则是一种简单而有效的分类方法。
它基于样本的邻近性，将测试样本分类为最近邻居中的多数类别。
KNN算法的优势在于对于训练数据没有假设，但存在计算复杂度高和决策边界不平滑等问题。
深度学习是近年来兴起的一种机器学习方法，通过神经网络模型对图像进行表征学习和分类。
深度学习在图像识别领域取得了重大突破，其中卷积神经网络（CNN）是其重要的代表。
KL分解计算经验特征函数算法Matlab
KL分解计算经验特征函数算法Matlab
本文利用KL展开对已知大小的图片进行判断，确定其是否为人脸图像。
我使用牛津大学给出的200张标准人脸图片为训练样本，对给出的非人脸图像orangutang进行测试，结果表明人脸识别系统可以识别出图片是否为人脸。
介绍：
人脸识别是目前计算机图像中应用相当广泛的技术，近来受到广泛关注。
该问题的解决有助于身份辨识相关的信息安全、司法刑侦等多种领域。
人脸识别所采用的方法也是多种多样，主要有基于人脸特征点的识别、基于神经网络识别等等，由于问题的复杂性，人脸识别的准确度一直难以达到大规模推广应用的水平。
本文所采用的方法是基于KL变换的特征脸识别。
KL变换是一种在图像压缩领域广为人知的最优正交变换，也可以考虑用在人脸识别中，检测图片是否具有人脸图像的特性以判别该图像是否为人脸。
本文具体结构如下：
4（基本理论和方法）中介绍了一般KL展开的原理及其在人脸识别领域中应用的方法和具体实现；
5（方法）中介绍了我应用KL展开进行人脸识别时采用的独特的处理方法；
6（方法分析）中介绍了方法的适用范围和局限；
7（算法）中介绍了在我所应用的KL展开方法在matlab上的的具体实现，在附件中，有相应的matlab源代码可供验证；
8（算法分析）中说明了代码复杂度以及人脸识别的精度问题；
9（数学结果）中含有我应用“orangutang”和一些老师给出的人脸图像测试人脸识别性能的具体例子；
10（讨论）中阐述了一些进一步精化人脸识别的设想以及本次project的收获与感想。
KL变化特点：
因为原来KL特征空间中，较大特征值对应的特征向量体现原图像的总体趋势。
模式识别-人脸识别
基于BP神经网络和k-近邻综合决策法的人脸识别matlab实现高海南31100380111 人脸识别原理人脸识别是目前模式识别领域中被广泛研究的热门课题，它在安全领域以及经济领域都有极其广泛的应用前景。
人脸识别就是采集人脸图像进行分析和处理, 从人脸图像中获取有效的识别信息, 用来进行人脸及身份鉴别的一门技术。
本文在MATLAB环境下，取ORL人脸数据库的部分人脸样本集，基于PCA方法提取人脸特征，形成特征脸空间，然后将每个人脸样本投影到该空间得到一投影系数向量，该投影系数向量在一个低维空间表述了一个人脸样本，这样就得到了训练样本集。
同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。
然后基于BP 神经网络算法和k-近邻算法进行综合决策对待识别的人脸进行分类。
该方法的识别率比单独的BP神经网络算法和k-近邻法有一定的提高。
1.1 ORL人脸数据库简介实验时人脸图像取自英国剑桥大学的ORL人脸数据库，ORL数据库由40个人组成，每个人有10幅不同的图像，每幅图像是一个92×112像素、256级的灰度图，他们是在不同时间、光照略有变化、不同表情以及不同脸部细节下获取的。
如图1所示。
图1 ORL人脸数据库1.2 基于PCA 的人脸图像的特征提取PCA 法是模式识别中的一种行之有效的特征提取方法。
在人脸识别研究中, 可以将该方法用于人脸图像的特征提取。
一个m ×n 的二维脸部图片将其按列首位相连，可以看成是m ×n 的一个一维向量。
ORL 人脸数据库中每张人脸图片大小是92×112，它可以看成是一个10304维的向量，也可以看成是一个10304维空间中一点。
图片映射到这个巨大的空间后，由于人脸的构造相对来说比较接近，因此可以用一个相应的低维子空间来表示。
我们把这个子空间叫做“脸空间”。
PCA 的主要思想就是找到能够最好地说明图片在图片空间中的分布情况的那些向量，这些向量能够定义“脸空间”。
人脸识别的毕业论文
学号：3081818211题目类型：论文(设计、论文、报告)西安电子科技大学GUILIN UNIVERSITY OF TECHNOLOGY本科毕业设计(论文)题目：人脸检测技术研究及MATLAB实现学院：信息科学与工程学院专业(方向)：电子信息工程班级：电信08-2班学生：许文强指导教师：蒋中正2012 年 5 月 20 日摘要人脸检测是当今视觉领域里非常重要和实用的研究课题，它应用于现实生活中的各个领域，如公安、金融、网络安全、物业管理以及考勤等。
基于视频的人脸检测属于动态检测，方法是先提取视频文件的帧，然后再对帧（图像）进行人脸检测，利用肤色特征的检测算法先对图像（帧）进行处理，然后建模，运用适当的算法把人脸检测出来，运用该方法完成了视频之中的的人脸检测。
本文采用MATLAB软件进行仿真，包括实现提取视频文件的帧，对输入图像检测有人脸（如果存在）的位置，大小和位姿，程序运行结果基本实现了上述功能。
关键词:人脸检测；视频检测；肤色特征Research of Face Detection and Implementation of Matlab Student: xu wenqiang Teacher:jiang zhong zhengAbstract：Face detection is very important and practical research topic in the visual field，it is applied to many areas in our lives Such as public security, finance, network security, property management and attendance, Based on the video's face detection is dynamic detection ,The idea is to extract video file frame, then as the image face to detectionUse the skin color characteristics of the detection algorithm , first to do processing testing, Then e appropriate algorithm, the face detection out.By using this method the video to finish face detection. this paper, we also use Matlab software simulationIncluding realize The input image for face detection, Video file frame extraction then That is to make sure that there is an image input face (if present) of location, size and posture of the process.To run the program results basically achieved the functionKey Words：Face Detection；Video Detection；Skin color characteristics目次摘要 (I)Abstract (II)1 绪论 (1)1.1论文的研究历史背景及目的 (1)1.2国内外研究现状 (2)1.3论文的主要内容安排 (3)2 人脸检测及其算法简介 (5)2.1人脸检测介绍 (5)2.2人脸检测的常用方法 (5)2.2.1基于特征的人脸检测方法 (5)2.2.2模块匹配法的人脸检测 (6)2.2.3基于adaboost算法的人脸检测方法 (7)3 基于视频的人脸检测研究及其实现 (8)3.1 MATLAB图像处理工具箱中的视频操作 (8)3.2提取AVI视频文件的帧 (9)3.3对图像进行肤色特征的人脸检测 (11)3.3.1色彩空间及其内容介绍 (11)3.3.2对图像进行预处理 (11)3.3.3对人脸肤色进行建模 (13)3.3.4 检测人脸区域的选定 (14)3.4图像向AVI视频文件的转换 (16)4 人脸检测在MATLAB软件下仿真实现 (18)4.1设计条件 (18)4.2设计流程 (18)4.4.1基于视频的人脸检测的总设计模块图 (18)4.4.2对图像进行人脸检测具体框图 (19)4.3人脸检测的MATLAB实现 (19)4.3.1人脸检测运行结果 (19)4.3.2人脸检测结果分析 (21)5 结论 (22)致谢 (23)参考文献 (24)附录 (25)1 绪论当前，人脸检测越来越受到大家的关注，它作为生物特征识别中一个非常重要的一个分支，已成为计算机视觉与模式识别领域中非常活跃的一个研究领域。
基于Matlab的课堂点名系统的设计与实现
2021.31概述对于现代课堂教育尤其是高校课堂,上课点名是保证学生到课率的有效办法。
虽然现在已经有很多利用人脸识别技术开发的课堂点名系统,比如鲁磊纪等人利用opencv 开源项目开发的课堂点名系统[1-3],袁岚清等人设计了基于安卓平台的课堂点名系统[4],但是这些系统在设备准备阶段冗余比较大,学校采购这样一套设备预算庞大。
基于此,提出了一种经济并且高效便捷的基于Matlab 软件结合人脸识别技术开发的课堂点名系统。
2总体设计基于Matlab 的课堂点名系统的总体架构主要分为3大模块,分别为图像摄取模块、图像处理模块和身份管理模块。
图像采集模块主要分为两大部分,分别是样本图像的摄取和学生出勤图像的摄取。
图像处理模块主要涉及图像人脸检测、人脸图像预处理、提取人脸特征值以及特征值训练与匹配的工作。
身份管理模块主要负责通过将特征值匹配后的结果导出成Excel 格式的学生出勤名单。
3实现中的关键技术3.1基于Viola-Jones 人脸检测Viola-Jones 算法是在AdaBoost 算法的基础上,使用Haar-like 小波特征和积分图方法可以对人脸和其他刚性物体(如:汽车、自行车、人体等)做出检测识别。
Viola-Jones 算法的实现是通过类Haar 来对图像进行特征量化,此方法完成的工作是对矩形图像感兴趣区域做和或差来进行阈值化。
从而将图像的人脸特征量化,以区分图像中人脸与非人脸区域;然后利用Ad⁃aboost 算法进行训练,通过训练得到弱分类器,再将其按规则组合起来,形成强分类,再将其组成筛选式级联即多层分类器。
筛选式级联分类器可以大大提高检测的正确率,在对图像训练过程中只要有一个节点为false,就认为没有检测到目标物体。
只有多个节点的分类器为true,才会认为检测到目标物体,这样,整个筛选式级联分类器就具备了高检测率,低假阳性率。
系统中,图像采集模块和图像处理模块均使用到了Viola-Jones 算法。
基于Gabor变换和BP神经网络的人脸检测算法的Matlab实现
ｆ ｍ ｅ ＯＲ ｃ ａａ ａ ｅ ａ ｄ ｆ ａｌ ｏ ｔｅ ｆ ｃ ｅｅ ｔ ｎ ｆｒｔ ｅ ｔ ｓ ｓ ｍｐ ｅ ｕ ｉ ｇｔ ｍｐ ａｅ ｍａｃ ｉ ｇ ｒ ｔ Ｌ ｆ ｅ ｄ ｔｂ ｓ ｎ ｎ ｌ ｄ ｅ ｄ ｔ ｃｉ ｏ ｅ ｔ ａ ｌ ｓｎ ｏ ｈ ａ ｉ ｙ ｈ ａ ｏ ｈ ｅ ｌ ｔ ｔ ｈ ｎ ａ ｄ ｍｏ ｐ ｏｏ ｉａ ｒ ｓ ｎ ａ ｄ ｄ ｌｔ ｎ ｐ ｏ ｅ ｓｎ ． ｈ ｅ ｕ ｔ ｈ ｗ ｔ ａ ， ｅ ａｇ ｒ ｈ ｈ ｓｌｗ ｏ ｌｘ — ｎ ｒ ｈ ｌｇ ｃ ｅ ｏ ｉ ｎ ｉ ｉ ｒ ｃ ｓ ｉ ｇ Ｔ ｅ ｒ ｓ ｌ ｓ ｏ ｈ ｔ ｔ ｏｉ ｍ ａ ｏ ｃ ｍｐ ｅ ｉ ｌ ｏ ａｏ ｓ ｈ ｌ ｔ ｔ ｑ ｉｋ ｏ ｅ ａ ｉｎ ａ ｄ ｈ ｇ ｅ ａ ｉ ｎ ｄ ｔｃｉ ｇ ａ ｄ ｌｃ ｔ ｇ ｔ ｅ ｒ ｈ ｏ ｔ ｌ ａ ｅ ｙ， ｕｃ ｐ ｒ ｔ ｎ ｉ ｈ ｖ ｒ ｃ ｔ ｉ ｅ ｅ ｔ ｎ ｏ ａｉ ｈ ｇ ｔｆ ｎ ａ ｃ ． ｏ ｙ ｎ ｎ ｉ ｒ ｆ
Ｋｅ ｒ ｓ：ａ ｅ ｄ ｔ ｃｉｎ； ｂ ｒｗａ ｅｅ ； ｙ ｗｏ ｄ ｆｃ ｅｅ ｔｏ Ｇａ ｏ ｖ ｌ ｔ ＢＰ ｅ ｒ ｌｎ ｔ ｒ ｎ ｕ ａ ｅｗｏ ｋ
０ 引 言
近年来 ， 着 计 算 机 技 术 的迅 速 发 展 ， 脸 识 随 人 别技术 得到广 泛研 究 与 开发 ， 为 模 式识 别 和 图像 成
Ｆａ ｅ ｄ ｔ ｃｉ ｎ ｒ ａｉａ ｉｎ ｂｙ Ｍ ａ ｌ ｂ ｕ ｉ ｇ Ｇａ ｒ ｗａ ｅｅ ｎ ｃ ｅ ｅ ｔｏ ｅ ｌ ｔｏ ｚ ｔａ ｓｎ ｂｏ ｖ ｌｔａ ｄ ＢＰ
ＷＡ Ｇ Ｌ － ａ Ｎ ｉｕ ｎ ｊ
（ ｏｅｅｏ ｎｏ． ｎ ｏ Ｅ ｇ ， ｏ ｈ Ｃ ｌｇ ｆｒａｄ Ｃｍ． ｎ． Ｎ ａ ｌ ｆＩ ． Ｃ ｉ Ｔ ｉ ａ ３ ０ １ Ｃ ｉａ ｆ ｏ ｈｎ ａｙ ｎ００ ５ ， ｎ ） ａ， ｕ ｈ
- 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)。
山东工商学院
本科生毕业论文
（ 2012 届）
学生姓名 赵士超
院（部） 信息与电子工程学院
专 业 自动化082
指导教师
（签名）
教研室主任
（签名）
2011年 11月
基于matlab的人脸识别系统
摘要
人脸识别是模式识别和图像处理等学科的一个研究热点，它广泛应用在身份验证、刑侦
破案、视频监视、机器人智能化和医学等领域，具有广阔的应用价值和商用价值。人脸特征
作为一种生物特征，与其他生物特征相比，具有有好、直接、方便等特点，因此使用人脸特
征进行身份识别更易于被用户所接受。
人脸识别技术在过去的几十年得到了很大的发展，但由于人脸的非刚性、表情多变等因
素，使得人脸识别技术在实际应用中面临着巨大的困难。本文针对近年来国内外相关学术论
文及研究报告进行学习和分析的基础上，针对某些单位内的数据敏感性场所需要对进入人员
进行限制的问题设计并开发了一套身份验证识别系统，该系统采用PCA人脸识别方法，这
种实现简单且识别准确率高，但其缺点是计算量大，当要识别较多人员时，该方法难以胜任。
PCA人脸识别方法的基本原理是通过将人脸图像信息转换成矩阵，利用K—L变换和奇
异值分解原理将人脸图像进行降维，利用奖维后的信息对人脸图像进行识别。
关键词： 图像处理；PCA；身份认证；模式识别
ABSTRACT
Human face recognition focuses on pattern recognition ,image processing and other
subjects.It is widely used in authentication,investigation,video surveillance,intelligent
robots,medicine and other areas.Face recognition has wide application and business value.Facial
feature as a biological characteristic,compared with others is direct,friendly and convenient.Facial
feature employed in authentication are user-friendly.
The technology of face recognition in the past few years obtained the very big development, but due
to the face of non-rigid, expression and changeable factors, the face recognition technology in practical
application are facing great difficulties. This paper aimed at home and abroad in recent years the relevant
papers and research reports on study and on the basis of the analysis, some units within the data
sensitivity places need to enter personnel to carry out limitation design and develop a set of identity
verification identification system, the system uses PCA face recognition method, the realization is simple
and the accuracy rate of recognition is high, but its drawback is that a large amount of calculation, when
to identify more staff, this method is difficult to do.
PCA face recognition method is the basic principle of the facial image information into the matrix,
the use of K - L transform and singular value decomposition principle will face image dimension reduction,
the award after dimension information of face image recognition.
Key words: image processing; PCA; identity authentication; pattern recognition