基于pca算法的人脸识别系统设计毕业论文(编辑修改稿)

基于pca算法的人脸识别系统设计毕业论文(编辑修改稿)内容摘要：

件夹，每个文件夹 5张训练图象。 如图。 5 图 样本图象的训练，利用 MATLAB 对训练程序运行，对人脸样本库的照片数据进行训练并储存。 生成的 文件，用于目标的检测。 第三章 基于 PCA 算法的人脸识别 PCA 的基本思想 PCA：就是我们通常说的主成分分析法，它可以把确定一个事物的特征提取出来，舍去没有特点的特征值，提取事物的本质因素，从而使复杂的问题简化。 PCA 算法的基本思路就是把一个高维的图象降低成一个低纬图象，多矩阵降为一列 的矩阵，从而使运算简单，主要过程就是算出投影矩阵与提取特征值。 PCA 算法基本数学原理 一个矩阵的维数很高，如何选择一个标准正交基，让投影矩阵的正交基上可 6                 ))(())(())(())(())(())(()()(())(())((221122222211221122111111kkkkkkkkkkkkuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEC以代表矩阵的最大程度。 这是 PAC 要解决的问题。 如果 A是一个 n 行 k列的矩阵，计算矩阵 A的协方差矩阵 C， C的表达方式如下： 上式中 u=E(x),都是每列向量的期望值，这里指每列向量的平均值。 协方差矩阵中的每个元素是表示的随机向量 X 的不同分量之间的协方差，如元素 Cij表示的就是随机变量 Xi, Xj 的协方差。 协方差反映变量间的相关性，如果协方差是 小，然后两个变量之间的相关系数很小。 尽管协方差矩阵的计算比较简单，但可以得出一个变换矩阵，完全相关的数据，那就是找到一组数据的最佳紧凑的方式来表达。 接着求出协方差矩阵 C 的特征值，我们选取前 q（ qk）个最大的特征值，然后求出这 q个特征值对应的特征向量。 由于特征值较大，表示矩阵在对应特征向量上的“信号”越强，或者说在特征向量方向上有更多的特征。 这 q 个特征向量组合成一个 q*k 的矩阵，就是我们要求的特征矩阵。 投影矩阵的特征矩阵可以通过一个新的 N。 我们使用这个 n*q的投影矩阵“代表”样本矩阵 A（ n*k），从而实现了降维。 人脸识别中 PCA算法的具体步骤 1．将 m n 的训练图象重新排列为 m*n 维的列向量，例如像矩阵为789456123 ， 7 则排列后的列向量为987654321。 计算均值向量，然后每个图象矩阵都减去均值向量。 得到一个新矩阵 2．对新矩阵进行协方差运算，得到一个 N*N 的方阵，然后求出方阵的特征值与特征向量，一般有 N个特征值和 N 个特征向量，对特征值 进行从大到小的排练。 3．选取第 2 步所得的 15 个最大特征值对应的特征向量组成投影矩阵 A，将每张样本库的图象向矩阵 A投影，得到 15 个新的矩阵。 4．选择合适的分类器，对测试图像进行分类。 在人脸识别中，将图像重排为列向量，维数较高。 例如若处理的图像数据为 119 92，变为列向量则为 119 92=10304 维。 所以我们一般需要先对图像进行处理，处理图像数据为 28 23，变为列向量就是 28 23=644 维，有助于计算。 PCA 算法在人脸识别中的应用 根据 PCA 的原理，每一张图像被看成是一个高维 的向量，所有的图像可以被视为这个高维空间中的一点， PCA 要做的就是找出另外一个能尽可能多的反应图像特征的低维空间。 如果样本是 n张大小为 p*q 的人脸图像，每个图像可以保存为一个列向量，向量维数是 p*q，样本可以被视为一个行数为 n，列数为 p*q 的矩阵，记为矩阵A。 对 A 矩阵进行求协方差，得到一个方阵，求出特征值与特征向量组成一个投影矩阵。 对于图像的识别，也被视为一个列向量，投影到子空间中获得一个投影矩阵，然后求出这个投影矩阵与样本图象投影矩阵之间的欧式距离，找出欧式距离最小的那张图象，这张图像就是与待识别图 像最相近的。 然而，不一定在人脸样本库 8 里面，所以判断是不是相同的人脸，还需要设置阈值来判断人脸识别。 PCA 人脸识别优缺点分析 主成分分析的人脸识别方法是基于提取特征值的方法，操作简单、提取快速、应用性强，它的主要优点有： (1)图象的初始灰度数据直接用来训练和识别。 无需做中间的处理； (2)不需要人脸的几何和反射知识； (3)由于对图像数据采用低维子空间来表示，数据可以被压缩，从而精简计算量，提高运转速度； (4)与其它人脸识别的方法相比较， PCA 人脸识别法简单且有效。 然而，由于主成分分析法要求待 辨认的图像与训练集图像类似，对图象训练集和待辨认图像的灰度相关性非常依。 因此该方法具有很大的局限性，主要表现在以下几个方面： (1)对于尺度变化比较敏感，因此需要在辨认前进行归一化处理。 (2)人脸图像处理只能是，侧面人脸的识别率低，另外当人的姿势、发型和环境等发生较大变化时，识别率将明显下降。 (3)在人脸样本图象库比较多的时候，训练过程就要进行很长时间。 因此，为了提高识别率，减少外部环境对辨别结果的影响，该系统的实际应用中，往往需要结合其他方法，如小波变换， Gabor 算法，神经网络算法等等，使用 PCA 方法单独开发的系统很难在实践中应用，但与其它方法结合可以达到很好的效果，现在的人脸识别系统的产品大多数都是采用几种方法相结合的方式。 第四章 人脸识别系统的实现及实验结果分析 人脸识别系统的设计 9 本次人脸识别的特征值的提取是基于 PCA算法，训练样本分类器使用的是临近分类器，样本图象与待识别图象的距离利用的是欧氏距离的计算方法，最终在 MALTAB软件中进行仿真。 系统功能介绍 主菜单界面 图 人脸识别的主菜单界面 在主菜单界面一共有四个按钮：训练样本， 载入照片，人脸识别，退出系统。 点击“训练样本”对现有人脸数据库里的图像全部进行计算统计，然后将结果生成一个 文件。 点击“载入照片”将会弹出加载图象的对话框，点击“开始识别”按钮则弹出识别界面的对话框。 点击“退出系统”则退出识别界面 训练图像 训练样本的过程没有出现界面，训练样本的过程就是计算人脸样本库里面图象的灰度值，然后根据 PCA 算法提取人脸样本的特征值跟特征向量。 然后将结果保存在一个叫 的文件。 这个文件用来进行人脸识别，只要在人脸样本库中 更新数据之后都需要重新训练一次。 在人脸样本众多的情况下，样本训练过程会比较慢，人脸识别过程也会相对复杂，所以本设计只针对少量样本 10 的人脸库。 载入照片 为了能够快速、准确的显示出识别效果，载入的识别图象需要经过 FACESAVE进行人脸定位处理过的图象。 FACESAVE 软件既可以处理出灰色的照片，也可以处理出彩色的照片。 载入之后，绿色对话框会显示出图象的来源位置，有助于操作人的寻找。 图 识别图象的载入 人脸识别的功能与说明 人脸识别过程与采集过程有同样的步骤，首先也是对 人脸图象进行归一化的处理，本设计图象像素统一处理为 28*23， ,然后读取图象，判断图象是否为灰度图象。 如果是，则继续，如果不是，则把彩色图象转化为灰度图象。 转变为灰度图象后，则图象增强，调整图片矩阵样式，全部转变为 1列的矩阵，最后得到的特征矩阵与训练的 “距离”，计算的特征矩阵的 MAT文件的“距离”，这里的距离是指上述欧氏距离。 从中寻找最小值，而后与设定的阈值相比较，如果比阈值小，就表明是图人脸样本库的人脸，反之，如果最小距离比阈值大，则表明不是人脸样本库中的 已知人脸，给出相应的提示。 图 人脸的识别 功能实现及主要函数说明 11 本设计主要有三个函数： 、 、。 其中 函数是欧式距离算法函数， 函数式人脸识别的主界面函数， 函数是人脸识别的算法主函数。 保存图像和训练图像 用电脑摄像头拍过照片，得到了人脸图象，但是这个人脸图象必须经过处理一下才能使用，需要将图象进行归一化。 所有图象需要像素统一，格式统一。 所以先使用 FACESAVE进行人脸定位处理 ，得到 92*112的图象。 然后将人脸样本存入人脸样本库。 本次设计一共用了 7个文件夹，每个文件夹代表一个人，一个文件夹有 5张样本图象。 训练图象时，还要经过两个图象的处理， 通过函数 goalsize = [28 23]将图片归一到 28*23，然后使用函数（ if color == 3 I = rgb2gray(I) I= imadjust(I,stretchlim(I))）对图象进行灰度处理。 接着利用 PCA算法，提取图象的特征值。 最终数据保存在。 人脸识别的过程 识别过程主要是图象的输入、图像的处理，距离与阈值的比较三部分，与样本训练过程相似。 是别的过程简单通俗的讲，就是把一个图象，用几个简单的数字来表示，图象之间相似度的比较，也就是数字之间差值的比较，差值越小，就越相似。 待识别的图像投影到特征脸空间中，然后得到一行特征向量，然后计算待识别人脸与图像库中的人脸的欧式距离，找出最小值，该过程对应于函数function distance = dist(feature1,feature2)，如果比阈值小，就表明是图人脸样本库的人脸，在数据库中的查询图像特征的基本信息，并将 结果输出到对话框中，相反，如果最小距离大于阈值，就表明此图不是人脸样本库里面的图象，继而主界面就会给出相应的提示。 如图。 12 图 未识别界面 关于阈值的范围确定，有许多方法。 本设计中，利用带识别图象与样本图象距离的多次比较，选取了一个最大可以识别的距离作为阈值，这个阈值能够很大程度排除不是人脸样本图象库中的人脸。 实验结果 设计中有 7个人的头像，每个人有 5张样本图象，一共有 35张样本图象。 6个人是用国外人脸识别测试脸型。 一人是用笔记本电脑拍摄照片，然后进行处理得到的。 在实验 时，当待识别图象的采光与样本图象采光相似时，识别能够完全正确，并且表情姿态的影响很小。 但是在两种图象采光不相同的情况下，识别率很低。