基于KL變换和PCA人脸识别方法.docVIP

目录 基于KL变换和PCA人脸识别方法 3 摘要 3 KL变换和PCA人脸识别方法 4 1 简介 4 2 KL变换和PCA分析 4 2.1 KL变换原理 5 2.2 主成分分析法 （PCA） 6 2.3 人脸识别中PCA算法步骤及流程 9 3 实验及结果分析 11 4 总结 12 5 展望 13 参考文献 14 基于KL变换和PCA人脸识别方法 作者： 摘要 生物特征识别技术使用了人体本身所固有的生物特征，与传统的身份识别方法完全不同，具有更高的安全性、可靠性、和有效性，越来越受到人们的重视。人脸识别技术作为生物特征识别技术的重要组成部分，在近三十年里得到了广泛的关注和研究，已经成为计算机视觉、模式识别领域的研究热点。人脸识别在公共安全、证件验证、门禁系统、视频监视等领域中都有着广泛的应用前景。 本文是在人脸数据库的基础上做人脸特征提取和识别研究，主要内容如下： （1） 介绍主成分分析法(PCA)、K-L变换，并利用特征脸方法实现了人脸识别。 （2）给出了基于matlab环境的编程及实验结果，并对结果进行分析。 关键词: 人脸识别，特征脸，K-L变换，主成分分析 1 简介 我们希望将图像原特征做某种正交变换，获得的数据都是原数据的线性组合，从新数据中选出少数几个，使其尽可能多地反映各类模式之间的差异，又尽可能相互独立，一个常用的方法就是主成分分析(PCA)。KL(Karhunen-LoevePrincipal Component Analysis，PCAKL变换和PCA去相关性和降维作用，Mathew A.Turk和P.Pentland首先将主成分分析运用到人脸识别中来。通过K_L变换得到高维人脸空间的投影矩阵，人脸图像都可以由这些矩阵的线性组合来表示，正是因为这些矩阵呈现人脸的形状，所以将这种人脸识别称为特征脸(Eigenface)方法[5]。 2 KL变换和PCA分析 对给定的信号x(n)，如果它的各个分量之间完全不相关，那么表示该数据中没有冗余;若x(n)中有相关成分，通过去除其相关性则可达到数据压缩的目的。主成分分析方法(PCA)基本思想是提取出空间原始数据中的主要特征(主元)，减少数据冗余，使得数据在一个低维的特征空间被处理，同时保持原始数据的绝大部分的有用信息，从而解决数据空间维数过高的瓶颈问题。 一个宽平稳的实随机向量x(n)=[[x(0)，x(1)，…，x(N-1)]TCx=E{(x-μx) (x-μx)T}= 式中E{·}代表求均值运算，μ=E{x}是信号x的均值向量，CxCx（i，j）=E{x(i)-μx)( x(j)-μx)}=Cx(j,i) N阶多项式|λI-Cx|=0,求矩阵Cx的特征值λ0，λ1，…λN-1A0，A1，…AN-1A0，A1，…AN-1Ai,Aj=1，i=0,1，2…，N-1。由归一化的向量成A0，A1，…AN- 吉林大学（论文） 4