利用OpenCV实现基于PCA算法的人脸识别教程解析.pptVIP

利用OpenCV实现基于PCA算法的人脸识别 OpenCV基本介绍 人脸识别概要 PCA原理介绍 用PCA算法人脸识别的优缺点 OpenCV（Open Source Computer Vision Library）是一个基于（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 OpenCV 对非商业应用和商业应用都是免费的，源代码公开，具备强大的图像和矩阵运算能力，具有丰富的函数处理函数，减少开发者的工作量，有效提高开发效率和程序运行的可靠性。 应用：人机互动?、物体识别 、图象分割 、人脸识别 、 动作识别、运动跟踪 、机器人 OpenCV基本介绍 人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。 人脸识别基本介绍 PCA方法由于其在降维和特征提取方面的有效性，在人脸识别领域得到了广泛的应用。 PCA方法的基本原理是:利用K-L变换抽取人脸的主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与各个人脸图像比较进行识别。 主要包括两个阶段：训练阶段+识别阶段 PCA算法基本介绍 训练阶段 第一步：假设训练集有10个样本，由灰度图组成，每个样本大小为M*N（ORL人脸库：分辨率92*112=10304） 写出训练样本矩阵： 其中向量xi为由第i个图像的每一列向量堆叠成一列的MN维列向量,即把矩阵向量化,如下图所示： 如：第i个图像矩阵为 则xi为 训练阶段 第二步：计算平均脸 计算训练图片的平均脸： 训练阶段 第三步：计算差值脸 计算每一张人脸与平均脸的差值 训练阶段 第四步：构建协方差矩阵 训练阶段 第五步：求协方差矩阵的特征值和特征向量，构造特征脸空间 若协方差矩阵的维数为MN*MN，当其维数较大，计算量比较大，所以采用奇异值分解(SingularValue Decomposition ,SVD)定理，通过求解 的特征值和特征向量来获得 的特征值和特征向量。 训练阶段 求出C的特征值 及其正交归一化特征向量 根据特征值的贡献率选取前p个最大特征向量及其对应的特征向量 贡献率是指选取的特征值的和与占所有特征值的和比，即： 训练阶段 一般取 即使训练样本在前p个特征向量集上的投影有99%的能量 求出原协方差矩阵的特征向量 则“特征脸”空间为： 训练阶段 第六步 将每一幅人脸与平均脸的差值脸矢量投影到“特征脸”空间，即 训练阶段 第一步：将待识别的人脸图像 与平均脸的差值脸投影到特征空间，得到其特征向量表示： 识别阶段 第二步：定义阈值 第三步：采用欧式距离来计算 与每个人脸的距离 系统优缺点分析 系统存在的问题： 1. 抗干扰能力较差。环境光照，遮挡物，人的表情和位置都对识别结果造成较强的干扰。 2. 训练的时间较长，执行效率不够高。只能对小样本的图像进行识别，如果图像库太大，则运行效率会比较低。 系统的优点： 1. 不需要对图像进行过多的预处理，PCA本身就能实现降噪的功能； 2. 能有效地识别人脸，且过程相对简单，主要是图像数据的处理和 矩阵的运算； 3. 由于是通过低维子空间表示的，可以对图像的数据进行一定地压 缩，从而减少了计算量，提高运行速度； 开发者可以对源代码进行修改，将自己设计的新类添加到库中，只要设计符合规范，自己的代码也可以被别人广泛使用。 * * 开发者可以对源代码进行修改，将自己设计的新类添加到库中，只要设计符合规范，自己的代码也可以被别人广泛使用。 * *