基于KL分解的人臉识别.docxVIP

基于KL展开的人脸识别系统 韩磊 2009011187 摘要： 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、低频分量；较小特征值对应特征向量体现原图像的细节变化、高频分量 大特征值、小特征值分开比较 预判是否为人脸图像，若很接近再执行上述操作 人脸图像的面部平滑滑如何反映出来？ 数学模型： 对二维图像进行数据处理。 X表示m*n维矩阵，代表着给出的图像像素点信息。每一个像素点上的值Xij都是一个随机变量。X是有m*n个随机变量的随机过程。而给出的200张人脸图片，则对应着Xi，i=1:200，构成了样本空间，近似相当于随机过程的一次遍历。既可以通过统计200张图片的性质来近似得到人脸图像这m*n个随机变量组成的随机过程的性质（均值、方差等统计特性）。 KL展开对噪声有很好的过滤性，所以暂时可以不考虑噪声对图像分析带来的影响。 基本理论和方法： KL展开方法介绍： KL展开是对随机过程能量的最佳展开，其特点是以随机过程的自相关矩阵的特征向量为基底对随机过程进行展开。在这种方式的展开下，不仅基底具有正交特性，系数也具有正交特性。这一特点使得可以通过对自相关矩阵的先验性理解，准确的得到每个基底的重要程度。 即KL展开得到了随机过程的一组“分工最明确”的基底。 以人脸图像为随机过程X，对X进行KL分解后，得到的基底ui可以看成是特征脸的标准，构成了人脸图像的KL空间。系数bi是标准人脸在基底下投影的大小。 而实验的目的是判别给定图像是否为人脸，可以看给定图像和标准人脸的差别而定。可以让待测样本在标准基底ui下作投影，得到的系数Bi与标准人脸的系数bi比较而得。Bi与bi的差别越大，说明该图像中含有人脸的概率越小。 方法： 对图像矩阵的处理： 普通的KL展开算法是把X等效成m*n个随机变量的1维矩阵过程，对其进行KL展开，由于运算量过大，很不实用。因此，我决定采用二维随机变量的方法，解释如下： （附注：在计算互相关矩阵时，为了凸显出忽略不同基底重要性的不同，求的是协方差矩阵，为了表述方便，下文中X表示已经减去均值的像素矩阵。） 直接对矩阵X进行X*XH操作，表示对二维随机过程求互相关，得到的是m*m维矩阵R，仍能够满足KL分解“抓主要矛盾”的特性。即基底和系数都具有正交特性,是在能量上 没有互相混叠。 证明如下： 即X = i=1mui*biH, ui为R的特征向量，bi = XH E（biH*bj） = E（ uiH*X*XH*uj ） = E （（ui*R* uj） = λi E （uiH*uj） =λi * Iij（Iij表示当i = j时为1，否则为0） 此时，不失KL变换在1维随机过程中起到的最优正交分解性质。（即X’ =i=1nui*biH,nm,E(X –X’) = i=m-n 而对二维随机过程矩阵的计算的算法复杂度将大大优于1维随机过程的计算，使得有效率的KL展开成为可能。 二维随机过程互相关R的计算： 对R的计算：给出的200张人脸已经足够大，可以认为1/200*i=1200 对系数的bi处理： bi = XH*ui , 对200张图片依次进行变换得到的bi相加就是人脸在ui基底上展开的系数的理想值。 对于待测