基于PCA的人脸特征提取和识别.doc

工程设计报告 设计题目：基于PCA的人脸特征抽取及识别 学 院： 电子工程学院 专 业： 智能科学与技术 姓名： 钟佩 学号： 时 间： 2011年11月 指导教师： 缑水平 目录 摘要 3 1．PCA进行特征抽取和识别的方法及理论基础 3 1.1 K-L 变换 3 1.2 利用 PCA 进行人脸识别 4 1.3 PCA 的理论基础 4 1.3.1 投影 4 1.3.2 PCA 的作用及其统计特性 5 1.3.3 特征脸 6 1.3.4 图片重建 7 1.3.5 奇异值分解（SVD） 7 1.3.6 利用小矩阵计算大矩阵特征向量 8 1.3.7 图片归一化 8 2．结果 9 1.识别率 9 2.特征脸 9 3.人脸重构 10 3．参考文献 10 4 附录—matlab 源码 11 4.1 人脸识别 11 4.2 特征人脸 12 4.3 人脸重建 14 摘要 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一 幅N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的 一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图 像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想 都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像 的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。在本文中，我们将讨论PVA算法来对人脸进行特征抽取和识别。 1．PCA进行特征抽取和识别的方法及理论基础 1.1 K-L 变换 PCA 方法是由Turk 和Pentlad 提出来的，它的基础就是Karhunen-Loeve 变换(简称KL 变换)，是一种常用的正交变换。下面我们首先对K-L 变换作一个简单介绍: 假设X 为n 维的随机变量，X 可以用n 个基向量的加权和来表示: 式中: αi 是加权系数，φi 是基向量，此式还可以用矩阵的形式表示: 取基向量为正交向量，即 则系数向量为： α = ΦT X 综上所述，K-L 展开式的系数可用下列步骤求出: 步骤一求随即向量X 的自相关矩阵，由于没有类别信息的样本集的μ 均值向量，常常没有意义，所以也可以把数据的协方差矩阵作为 K-L 坐标系的产生矩阵，这里μ 是总体均值向量。 步骤二 求出自相关矩阵或协方差矩阵R 的本征值 和本征向量， 步骤三 展开式系数即为α = ΦT X K_L 变换的实质是建立了一个新的坐标系，将一个物体主轴沿特征矢量对齐的旋转 变换，这个变换解除了原有数据向量的各个分量之间相关性，从而有可能去掉那些带 有较少信息的坐标系以达到降低特征空间维数的目的。 1.2 利用 PCA 进行人脸识别 完整的PCA 人脸识别的应用包括几个步骤：人脸图像预处理；读入人脸库，训练形成 特征子空间；把训练图像和测试图像投影到上一步骤中得到的子空间上；选择一定 的距离函数进行识别。下面详细描述整个过程（源码见’faceRec.m’）。 1. 读入人脸库 归一化人脸库后，将库中的每人选择一定数量的图像构成训练集，其余构成测试集。设 归一化后的图像是n*m,按列相连就构成N=n*m 维矢量，可视为N 维空间中的一个点，可 以通过K-L 变换用一个低维子空间描述这个图像。 2. 计算 K- L 变换的生成矩阵 所有训练样本的协方差矩阵为（以下三个等价）： 是平均人脸, M 训练人脸数，协方差矩阵 CA 是 一个N*N的矩阵, N 是xi的维数。 为了方便计算特征值和特征向量，一般选用第2个公式。根据K - L 变换原理，我们所求 的新坐标系即由矩阵A·AT 的非零特征值所对应的特征向量组成。直接求N*N大小矩阵CA 的 特征值和正交归一特征向量是很困难的, 根据奇异值分解原理（见段落1.2.5和1.2.6），可以 通过求解AT·A的特征值和特征向量来获得AT·A的特征值和特征向量。 在计算得到 CA 的所有非零特征值（从大到小排序，1 ≤ r M ）及其对应的单位正交特征向量 后，可以得到特征空间，从而可以 计算一张图片X在特征空间上的投影系数（也可以理解为X在空间U中的坐标）： 3. 识别 利用公式（2），首先把所有训练图片进行投影，然后对于测试图片也进行同样的投影， 采用判别函数对投影系数进行识别。 1.3 PCA 的理论基础 1.3.1 投影 设d 维样本x1， x 2，… , xn ，以及一个d 维基w ，那么标量： yi =w