浅谈基于PCA算法的人脸识别的图片搜索引擎.docVIP

浅谈基于PCA算法的人脸识别的图片搜索引擎 　　1概述 　　搜索引擎完成的主要功能是关键词的匹配及网络上节点的遍历查找，而本文针对人脸识别的图片搜索引擎同样利用特征匹配实现以人脸找相似人脸的搜索引擎。本文对人脸识别算法的分析主要从主成分分析法(PCA)入手，对其中的缺陷进行改进并应用于人脸图片搜索引擎的实现中。在主成分分析法中利用降维的思想提取主要特征，经过线性变换及奇异值分解得到特征向量从而得到特征脸。在搜索引擎的实现中主要利用的是在网络上节点的遍历以找到匹配信息并显示的技术。 　　2人脸识别算法的分析 　　人脸识别算法的重点在于对于图片的特征提取和分析，一张图片的分辨率决定了图片划分的精度，为了提取有效特征，比如眼、口、鼻，可以将整张图像利用横纵轴划分，利用多幅图片，提取特征形成特征向量，表征标准人脸的组成。本次使用ORL人脸数据库作为样本进行PCA算法的验证及分析。 　　2.1基于PCA人脸识别算法的分析 　　PCA(主成分分析)和LDA(线性鉴别分析)是两种降维方法，经过基本的测试和分析，PCA算法对于图片识别的正确性很高，对于人脸表情和轻微颤抖也有很好的健壮性(本文的测试实验建立在ORL人脸库上)。 　　P C A 方法由T u r k 和P e n t l a d 提出， 它是基于Karhunen-Loeve变换(即K-L变换)，主要用于建模方法中常用的数据降维，由于一幅图像由像素组成，基于像素在行列方向上的划分形成矩阵或看成一个矢量，构成原始的图像空间，因此PCA算法同样也应用于人脸识别的领域--PCA算法在处理人脸等图像识别问题时，遵循如下过程：将图像矩阵转化为图像向量，对原始图像向量进行线性分析标准化后得到标准化矩阵根据方差确定影响最大的向量即为第一主成分类似前面过程得到第二主成分以此类推。完整的人脸识别的过程包括：读入人脸库;形成特征脸(即特征向量)子空间，对图像进行降维获取特征值，把两组图像投影到由K-L变换得到的子空间上，利用对图像的这种投影间的某种度量来确定图像间的相似度;选择一定的距离函数进行识别。提取主要的特征向量进行图像重建，根据图像重建结果得出相似程度与提取原始图像向量的关系。 　　2.2对于不同条件对特征提取的影响 　　2.2.1依据图像重建，得出利用特征向量的多少及原始图片的成像清晰度(包括角度、光线、倾斜程度)都对重建结果有很大影响。这是人脸识别的关键性问题，本文通过图片预处理来解决一部分问题，比原先未处理的图片重建效果好了很多，拟合性也高了很多。 　　2.2.2对于PCA算法，要求训练集必须大于测试集。即要搜索的人脸图片必须在数据库中存在至少一张图片才能得到好的重建效果，否则不能实现。PCA算法可以对训练样本内的图片重建效果很好。表示使用特征向量进行人脸重建得出的一组人脸图像。 　　第一、二组表示训练样本中的重建结果，第三组表示训练样本外的重建结果，从中可以看出，训练样本内的效果在特征向量大于等于100时基本得到了很好的重建效果，基本还原原始图片，而训练样本外重建的效果只能得到关键部位例如五官的大致位置和形状，重建效果不是特别好。 　　2.3基于影响因素对PCA算法的改进 　　通过增加训练，集中不同人脸图片的数量，增加关键部位例如五官的丰富性，使获得的平均脸更具有广泛性和代表性，对于不同图片的外在差异性通过图片预处理(例如：灰度处理)从而产生颜色、纹理差异性较小的图片，再使用PCA算法进行降维得到的特征向量来重建的人脸图片具有更好的拟合性，如此得到的特征向量相比没有做预处理图片有较好的重建效果。 　　3Ubuntu下搜索引擎的搭建 　　3.1准备工作 　　为了提高安全性，由于Ubuntu系统下可选择用户权限使得人脸库的可靠性更高，本文选择在Ubuntu下完成人脸搜索引擎的实现。在Ubuntu系统下通过命令行下载安装CMake、OpenCV，同时利用CMake对OpenCV进行编译;配置php的imagick-3.2.扩展和imagemagick扩展为图片处理做准备，再配置好face_detect即php使用OpenCV的扩展函数;由于使用PHP作为开发环境，下载安装LAMP(Linux、Apache、Mysql和PHP)，将搭建搜索引擎的环境配置好。 　　3.2前台设计 　　搜索引擎主要以网页的形式与用户交互，是与用户交互的接口的主要界面，主要有以下功能：实现人脸图片的检索和匹配功能(button、input元素)，同时可以从本地上传图片(可预览)至网页客户端(input元素)，使得本地图片与系统中相似图片得以匹配并显示给用户。设计框架搭建前台