基于pca的人脸识别算法实现毕业论文(编辑修改稿)

基于pca的人脸识别算法实现毕业论文(编辑修改稿)内容摘要：

入，与小波，混沌，模糊集 等非线性理论相结合已成为一个非常重要的发展方向。 小波变换具有时频特性和变焦特性，神经网络具有自学习，自适应，鲁棒性，容错性和推广能力。 如果能结合两者的优势，将会取得人脸识别不错的效果。 四 、 三维人脸识别 目前许多人脸识别成果是建立在二维人脸基础上的，而实际的人脸是三维的。 三维人脸相比较于二维图像提供了更加完整的人脸信息。 随着现在三维人脸采集技术的逐步发展，如何利用三维人脸进行人脸识别已成为一个新的研究热点。 五 、 适应各种复杂背景的人脸分割技术 现在在复杂背景下的人脸分割已经取得了一定的成果，如弹性匹配 ，但检测速度和效果还无法令人满意。 在复杂背景下快速有效检测和分割人脸技术还需进一步的研究。 六 、 全自动人脸识别技术 全自动人脸识别技术目前还处于初级研究阶段，识别效果和速度离实际的要求还相差甚远。 具体原因是人脸是非刚体，无法得到准确完整的描述人脸特征。 如何有效的表达人脸特征将是其研究的重点。 毕业设计（论文） 5 第 三 节 人脸识别技术的主要难点 目前的人脸识别技术在人员配合，较理想采集条件下可以取得比较满意的结果。 但在人员不配合，采集条件不理想下，系统的性能陡然下降。 目前的主要的难点为： 一 、 复杂条件下人脸的检测和关键 点定位 人脸检测和关键点定位为实际人脸识别系统的前端处理模块，此模块直接影响着人脸识别系统的性能。 目前大多数特征定位算法的精度都会随着光照，姿态等变化而快速下降。 复杂条件下的人脸检测与关键点定位是目前人脸识别急需解决的问题之一。 二 、 光照问题 关照问题是计算机视觉存在已久的问题，尤其在人脸识别中表现得更加明显。 但目前为止光照处理技术远未达到实用的程度，还需要深入的研究。 三 、 资 态问题 对于姿态的研究相对不多，现在人脸识别算法主要以正面或准正面姿态。 当人脸姿态俯仰或左右比较大时，人脸识别的识别率骤降。 如何 提高人脸识别系统对姿态的鲁棒性是人脸识别中一个具有挑战性的任务。 四 、 表情问题 表情识别是生物特征识别的中的一种，是人机交互不可或缺的部分。 表情是复杂的面部肌肉运动，每个表情都是几十块面部肌肉共同运动的结果，很难用精确的数学模型来表示这些肌肉的运动。 面部表情的变化为面部特征点的运动。 由于 目前的计算机技术的限制，计算机还不能准确的定位这些面部特征点，也无法辨别面部肌肉的运动。 而且，同一种表情在不同的人上也会有不同的表现形式。 并且同一个人的不同表情之间也没有明确的界限。 以上这些决定计算机很难用统一的标准来识别 人的面部表情。 五 、 遮挡问题 对于非配合情况下，采集到的人脸图像一般都不是完整的，这会影响人脸特征提取与识别，可能还会导致人脸检测算法的 失效。 如何有效地排除遮挡物的影响有着非常重要的意义，如在监控环境下。 以上列举 了 部分 主要的技术难点 ，其他难点 由于本文的讨论不会涉及，所以 不会再一一列毕业设计（论文） 6 举。 本文的实验是在人脸图像正面姿态，光照正常，表情正常，部分面部图像有小范围 遮挡的情况下进行的。 这样做的目的 只 是让我们的工作重心集中在 分析 PCA 人脸识别算法 性能上。 第 四 节 人脸识别流程 人 脸 图 像获 取特 征 提 取系 统 数 据库输 出 结 果人 脸 图 像获 取特 征 提 取特 征 匹 配预 处 理 预 处 理 图 人脸识别 系统 处理流程 一 、 人脸图像采集 采集人脸图像是通过传感器采集人脸图像，并将其转换为计算机可以处理的数字信号。 这是人脸识别的第一步。 在采集人脸图像时，要注意用户人脸姿态，脸部有无遮挡 ， 周围光照是否满足要求 及设备采集图像的质量是否能满足要求。 二 、 预处理 预处理 是为了除去噪声 和对测量仪器或其他因素对人脸图像造成退化现象进行复原。 从传感器采集到图像除了包含人脸特征信息，还包含背景信息，所以必须从原始人脸图像分割出我们要处理的部分。 如何分割就需要定位和分割算法。 他们 一般以人脸图像在图像结构和人脸信号分布的先验知识为依据。 常用的人脸预处理有人脸图像灰度化，人脸图像二值化，人脸图像归一化，直方图修正，图像滤波和图像锐化。 三 、 特征提取 毕业设计（论文） 7 特征提取 就是计算机通过提取人脸图像中能够 凸显个性化差异的的本质特征 ，进而来实现身份识别。 本文讲解如何使用 PCA 算法提取人脸特征，进而实现人脸识别。 特征主要包括三种类型：物理特征，结构特征和数学特征。 由于物理特征和结构特征容易被察觉，触觉以及其他感觉器官所感知，所以人类常常是利用这些特征来对对象进行识别。 对于计算机而言，模拟人类的感觉器官是 很难实现的，但计算机在处理数学特征的能力上要比人类强得多，因此我们通过诸如协方差矩阵，统计平均值和相关系数等数学特征来构建人脸识别系统。 特征提取和选择的根本任务就是从许多特征中找出那些最有效的特征。 在样本数不是很多的情况下，可以利用这些特征进行分类器的设计，但是在大多数情况下，由于测量空间的维数很高，不能直接进行分类器的设计。 因此，如何把高维测量空间压缩到低维 特征空间，以便有效的设计分类器，便成为了一个值得思考的问题。 为了获得有效的特征，一般需要经过特征形成，特征提取和特征选择等步骤。 1. 特征形成 特征形成 是根据被识别对象产生出一组基本特征的过程，当被识别的对象是波形或数字图像时，这些特征可以通过计算得来；当被识别对象是实物或某种过程时，这些特征可以用仪表或传感器测量来得到。 通过上面方法获得特征被称为原始特征。 2. 特征 提取 原始数据组成的空间 被称为 测量空间。 由于测量空间的维数一般都很高，不易设计分类器，所以在分类器设计之前，需要从测量空间变换到维数很少的特征空间，由特征向量表示。 通过映射或变换方法用低纬空间来表示样本的过程被称为特征提取。 映射后的特征称为二次特征，它们是原始特征的某种组合，通常是线性组合。 3. 特征 选择 从一组特征中挑出一些最有效的特征从而达到降低特征空间维数目的的过程称为特征选择。 由于在许多实际问题中常常不容易找到那些最重要的特征，或者由于条件限制而不能对这些重要特征进行测量。 从而使得特征选择和特征提取的任务复杂化。 特征提取和特征选择在有些情况下并不是截然分开的，因为从一定意义上来讲，二者都是要达到对 数据 进行降维的目的，只是实现的途径不同。 特征提取是通过某种变换的方法组合原有的高维特征，从而得到一组低维的特征。 而特征选择是根据专家的检验知识或评价准则来挑选对分类最有影响的特征。 比如可以先将原始特征 空间映射到维数较低的空间，在这个空间中在进一步选择特征来进一步降低维度；也可以先去除那些明显不含有分类信息的特征，而后再进行映射以降低维度。 四 、 特征匹配 毕业设计（论文） 8 特征匹配 是计算两个人脸图像特征样本的特征模块间的 相似 度 即将采集到的人脸图像的特征模版与系统中已存储的特征模版进行比对， 并输出最佳匹配对象。 在本文主要讲解 使用 最近邻法分类器 欧几里得距离 来 判别人脸图像 ，在实际广泛使用的还有基于 SVM即支持向量机，基于神经网络和图匹配的方法。 第 五 节 本章小结 本章 由 人脸识别的研究背景，人脸识别技术的主要难点 ，人脸识 别的发展趋势 和人脸识别流程 四 个小节构成。 在 人脸识别的研究概况 小节主要 讲解人脸识别的研究 概况 及基于 PCA 人脸识别算法实现的研究意义。 在人脸识别的发展趋势 小节 主要讲解人脸识别技术未来的走向。 在人脸识别技术的主要难点小节主 要讲解人脸识别的主要技术难点及本文是在什么样的条件进行试验的。 人脸识别小节讲解本文人脸识别的流程。 毕业设计（论文） 9 第二章 人脸图像的获取 第一节 人脸图像获取 随着计算机科技和微电子的发展，现在人脸图像采集设备也越来越多。 常用的采集设备有数码相机，数码摄影机等。 但是采集设备成像原理各异，有些设备对 某类人脸图像的采集效果比较好，进而人脸识别率高，对不同类的人脸图像采集效果差，进而人脸识别率低。 不过随着现在科技的发展，这个问题已基本上被解决。 另外，人脸图像采集的形式不同也会影响识别率。 人脸图像的采集形式主要有两种：一为静态人脸图像，二位动态人脸图像。 静态人脸图像的采集相对比较简单，用数码相机即可获取。 动态人脸图像相比静态人脸图像获取难度较大，但其更加贴近实际需求，应用场合更加广阔。 动态人脸图像相比于静态人脸图提供了更加客观的信息量。 但同时也带了问题，动态人脸图像序列里的某一幅图像可能会产生瞬间模糊，这 将会影响其识别率。 上述问题是由 人脸 的多变性产生的。 对于动态人脸图像要考虑如何在序列中提取清晰的图像又不丢失局部信息。 同时建立人脸图像间的相关性是有必要的，可以有效的提高识别率。 在实际中，要采用何种人脸采集形式要取决于应用的需求和场合。 一般而言，动态人脸图像采集应用于特殊场合，如犯罪识别过程，而静态人脸图像采集应用于普通的安全场合。 对于静态人脸图像采集要注意要确保人脸表情正常，姿态无倾斜，光线尽量均匀，并且要对周围的光源做必要的处理，避免受到周围强光和不均匀异色光的干扰。 采集完成后要对每个对象的图像做必要的 审核，剔除掉不符合要求的人脸图像。 第二 节 人脸分割 人脸识别是通过对人脸进行精确定位，并从图像中提取人脸区域。 人脸分割属于图像分割，是人脸识别系统中不可缺少的一环。 要对人脸进行识别一般需要将人脸区域从采集到的图像中分离出来。 人脸 分割 比较经典的方法有数据驱动和模型驱动。 数据驱动方法直接对图像进行处理，不依赖于先验知识。 其包含有基于边缘检测的方法，基于阀值的方法和基于区域增长的方法。 基于模型的方法需要先验知识。 其包含有活动轮廓模型等。 采集到图像中人脸区域颜色和纹理变化较大，因此如果要实现精确分割，只 利用图像的数据信息是不够的，所以实际中基于模型的方法使用的比较多。 毕业设计（论文） 10 基于边缘的分割方法需要两个步骤，分别为边缘检测和边缘连接。 该方法先提取边缘后再进行边界连接，得到分割轮廓。 但是这个方法也存在问题，实际中由于噪声的图像的影响，常常会检测到假的边缘，从而导致错误的分割。 基于阀值的方法是使用采集到图像的灰度直方图计算出分割阀值，又可以分为全局阀值方法和局部阀值方法。 全局阀值方法是使用整个图像的灰度信息，来得到用于分割的阀值。 局部阀值方法是图像不同区域得到对应不同区域的阀值即一个阀值对应图像的一个子区域。 在实际中，由于噪声等因素的影响，直方图经常不能有明显的峰值出现，这是选择阀值并不合理，它是由阀值分割的特点决定的。 此方法只考虑了图像的灰度信息，抛弃了图像的其他信息。 对于灰度差不明显的图像，得不到令人满意的结果。 基于区域增长的方法是将含有相似性质的像素集合起来形成一个新的区域。 首先把图像分割成较小的区域，有可能非常小，甚至可能是一个像素。 在每个子区域中，对经过适当定义能反映一个物体内成员隶属度的性质进行计算，每个子区域会用一组参数来表示该区域。 然后对相邻区域所有边界进行分析，若便捷信息强，则边界不变，若边界信息 弱 ，则消除个边界并合并相应的邻 域。 它是一个迭代过程，每一步重新计算边界信息，若没有区域合并，迭代完成，图像分割完成。 该方法开销较大，但可以使用图像的相关性质进行边界定位。 该方法当前研究的区别在于区域性质差异上。 基于模型的方法，都是通过引入统计信息来得到高鲁棒性。 其中活动轮廓模型是使用在图像上的一条动态曲线，在内力曲线本身新的表现和外力图像信息的表现共同作用下趋于对象的轮廓。 模型方法具有丰富的先验知识，在实际中具有很好的适应性和鲁棒性。 目标分割与识别通过将目标集合和统计信息表示为模型，是其成为目标的搜索匹配 或监督分类。 第 三 节 人脸数据库 人脸数据库是人脸识别研究，开发和评测不可缺少的。 每个人脸识别系统 都需要 一个 人脸数据库。 人脸图像数据库的设计对人脸识别系统的识别率有着非常大影响。 设计一个在所有变化情况下都能正确识别的系统是非常困难的，而且也没有必要。 所有人脸识别系统都是在一定的约束条件进行的。 所以有必要建立满足不同需要的人脸数据库。 常用人脸数据库如下： 国外 人脸 数据库 的有 FERET 人脸数据库， MIT 人脸数据库， YALE 人脸数据库， PIE 人脸数据库， ORL 人脸数据库 ， AR 人脸数据库 和 Essex 人脸 数据 库。 FERET 人脸数据库是人脸识别中最常用的数据库，包含多姿态和多光照的人脸灰度图像，但其多为西方人脸图像，每个人的人脸图像变化较少。 MIT 人脸数据库有麻省理工大学媒体实验室建立，由 16 位志愿者的2592 副多姿态，多光照和不同大小的图像组成。 PIE 人脸数据库有卡内基梅隆大学建立，由毕业设计（论文） 11 68 位志愿者的 41368 副不同姿态，多光照和不同表情的图像组成。 ORL 人脸数据库由剑桥大学 ATamp。 T 实验室建立 由 40 位志愿者的 400 幅图像组成，其中部分志愿者 的图像还有姿态，表情和光照的变化。 由于其人脸变化模式较少，现已很少使用。 AR 人脸数据库为西班牙巴塞罗那计算机视觉中心建立，由 116 人的 3228。