二维人脸识别实验解析.docVIP

实 验 报 告 课程名称 人工智能 实验名称 二维人脸识别 班 级 学 号 姓 名 成 绩 指导教师 实验日期 实验目的 通过本次人脸识别实验，进一步加深图像处理和基本算法的掌握，能利用已有的算法和程序去找出和识别人脸。 通过本次人脸识别实验，进一步掌握和熟悉所学到的人工智能知识，能将所学知识和实际的生活联系起来，去解决一些比较复杂的问题。 熟悉并且掌握人脸识别过程中各种算法的实现过程，能熟练的利用各种软件（VC++6.0，MATLAB等）去实现算法的编写。 熟悉人脸识别的过程和原理，进一步巩固PCA+LDA算法，掌握其本质，并能将其运用于其他类似模型中，去解决一些问题。 通过实验进一步提高编程能力和解决问题的能力，能独立的思考和类比所学到的知识，进一步了解它们的本质，巩固实际用处。 实验原理 基于PCA人脸识别算法的实现原理 主成分分析为一种统计学中特征提取方法，在实际中应用的非常广泛。PCA是通过提取原始数据的主元来减少数据的冗余，使数据在低维度的空间中被处理，同时它还能很好保持了原始数据的绝大部分信息，有效的解决了由于空间维数过高而导致的一系列问题。如下将详细介绍如何使用PCA算法进行人脸识别。第一个环节：提取图像数据并处理 读入人脸，并将图像变化为相应的灰度图像。 将变换后的二维人脸灰度图像变换为一维人脸向量矩阵 一个大小为M*N的二维人脸图像可以看成长度为MN的人脸图像列向量。为了将二维人脸图像变为以为列向量，我们采取的措施为：首先计算出人脸图像的大小，然后将人脸图像经行转置，最后按列依次取出取出所有灰度值形成大小为MN的一维向量，其实整个阶段的效果相当于将图像的灰度值按行取出依次连接成一维图像向量。 本环节完成后将会产生由一维图像向量组成的矩阵T。 第二个环节：计算特征脸 1.对图像矩阵T进行规范化 首先计算出图像矩阵中一维列向量的平均值m，然后对图像矩阵的每一列都减去平均值形成规范化的图像矩阵A。 计算特征脸 人脸训练图像的协方差矩阵为，其中人脸训练样本为，维度为，则协方差矩阵C的维度为。这就出现问题，C的维度过高，在实际中直接计算它的特征值和特征向量非常困难。因此，本文使用奇异值分解定理来解决这个问题。 奇异值分解定理： 假设B为维秩为p的矩阵，则存在两个正交矩阵和一个对角矩阵： 正交矩阵为 （4.23） （4.24） 其中 （4.25） （4.26） 对角矩阵为 则可以得到，而且和有共同的非零特征值，和分别为和对应特征值的正交特征向量。 由上述定理可以得到 （4.27） 则可以由协方差矩阵，构造出矩阵，从而容易求出L的特征值和特征向量，再根据上述（4-27）式可以求得协方差C的特征值和特征向量。 实际上我们并不需要协方差所有的特征值和特征向量， m个（mM，M为特征值的数目）个特征值足够用于人脸识别。所以，实际操作中，只取L的前m个最大特征值对应的特征向量用于计算特征脸。 在本环节，本文通过直接构造，来计算出L的特征值，再挑选L特征值大于100的作为C的特征值，最后通过C的特征值计算出它的特征向量，从而形成特征脸。 第三个环节：人脸识别 人脸识别过程分为训练和测试两个阶段。在训练阶段，主要是提取数据库人脸图像的特征，并形成特征库。在测试阶段，主要是提取待识别图像的特征和计算提取的特征和特征库中特征之间的距离测度，并输出最小距离测度对应的人脸图像作为结果。 具体步骤如下： 训练阶段 将规范化的图像矩阵A中的每一列向量投影到特征子空间，形成特征库。 测试阶段 假设测试人脸图像为Y，在人脸识别前，先对其进行标准化，即。 把标准化后的人脸图像向特征子空间进行投影得到向量。 本文使用最近领法分类器欧几里德距离[14,15]进行判决分类。测试图像与每个人脸图像间的距离为 (k=1,2,…,P)，并将最小距离对应的训练图像作为测试图像的匹配图像。 实验要求 （1）了解人脸识别的基本过程，熟练掌握人脸识别的基本算法和原理。 （2）熟悉人脸特征的提取，以及图像数据的处理，PCA和LDA算法。 （3）能运用已有软件和程序设计语言编写程序（实现算法），并能