（毕业论文）基于PCA算法的人脸识别.docxVIP

目 录摘要1Abstract11 绪论21.1 人脸识别的研究意义21.2 人脸识别国内外概况21.3 人脸识别的主要研究内容31.4 本文研究内容与结构安排42 PCA算法原理42.1 PCA原理42.1.1 K-L变换原理52.1.2 K-L变换性质62.1.3 特征值选取72.2 PCA计算过程73 基于PCA算法的人脸识别83.1 构建特征脸空间83.2 特征提取83.3 人脸识别94 人脸识别实验104.1 图像的预处理104.1.1 几何归一化104.1.2 直方图均衡化114.1.3 灰度归一化114.2 人脸库介绍124.3 实验设计124.3.1 实验基本流程图134.3.2 实验设计过程134.4 实验结果与分析144.4.1 实验结果144.4.2 实验结果分析165 总结16致谢17参考文献18基于PCA算法的人脸识别摘要：本文探讨了基于主成分分析（PCA）的人脸识别方法。二十多年以来，PCA算法已广泛应用于人脸识别，成为最流行的人脸表示方法之一。它不仅降低了人脸图像特征的维数，缓解了维数灾难的问题，同时使得人脸表达更为紧凑。在本文的研究中，首先利用PCA对人脸降维，其次采用最邻近法对人脸图像进行分类，最后在AT＆T人脸数据库上对此方法进行评估。实验结果表明，该方法具有较好的识别性能。关键词：人脸识别；主成分分析法；最邻近法 Face Recognition Based on PCA MethodAbstract: In this paper, we study the principal component analysis (PCA) which is one of the most popular representation methods. Not only does the PCA method reduce the dimensionality of the face image, but it avoids the problem of the Curse of Dimensionality as well, thereby getting more compact face representation. So it has been extensively employed for face recognition in the past few decades. After performing the PCA method, the nearest neighbor rule is applied to classify the face image. Finally, the PCA algorithm is evaluated on the ATT face database, and the experimental results show that this algorithm achieves pretty good performance.Key words: face recognition; principal component analysis; nearest neighbor rule 1 绪论1.1 人脸识别的研究意义进入21世纪以来，人们的日常生活向着自动化和科技化方向发展，信息安全也日趋重要，普通的身份识别方式（如钥匙、磁卡、密码等）已经无法保证信息的安全。生物特征识别技术因具有高效、稳定、快速等特点，而迅速成为人们关注的研究领域。它是一项用能标识个人特定身份的生理特征或者行为、神态等进行身份认证的技术。虹膜识别、步态识别和人脸识别等均属于该项技术的研究方向，这些识别方法具有高效、便捷、难以被伪造等特点，避免了传统的身份认证易丢失、遗忘和被破解的弊端。人脸识别是借助计算机分析人脸图像，提取出可识别信息，进行身份认证的一种方法。与其它生物特征识别相比，人脸识别起步较晚，不过由于其个体的差异性和自身很强的稳定性，它具有友好、方便、直接等显著优势，迅速席卷业界，成为一项热门的生物特征识别技术[1-3]。人脸识别技术广泛应用在国家安全、保险、民政、金融等领域[4]。公安部门存有居民的户籍档案等，刑侦部门对犯罪人员的档案进行备份。利用现场抓拍或监控等方式可以获取可疑分子照片，再应用人脸识别技术检索犯罪嫌疑人数据库，从而快速锁定嫌疑人，提高破案效率。又如反恐工作中，人脸识别技术被用于加强银行等重要场所的监控和安检，以防恐怖袭击。人脸识别的研究还涉及到计算机视觉、人工智能、人脑认识和心理学等众多领域[5]。计算机视觉等相关理论知识指导人脸识别技术研究的不断深入，同时人脸识别也引领这些理论知识延伸发展和开拓前进，促进新理论和新方法的产生。因此，人脸识别技术作为一项