基于PCA的人脸识别算法实现论文.docVIP

基于PCA的人脸识别算法实现毕业论文 目 录 前 言 1 第一章 人脸识别系统概述 2 第一节 人脸识别的研究概况 2 第二节 人脸识别的发展趋势 3 一、多数据融合与方法综合 4 二、动态跟踪人脸识别系统 4 三、基于小波神经网络的人脸识别 4 四、三维人脸识别 4 五、适应各种复杂背景的人脸分割技术 4 六、全自动人脸识别技术 4 第三节 人脸识别技术的主要难点 4 一、复杂条件下人脸的检测和关键点定位 5 二、光照问题 5 三、资态问题 5 四、表情问题 5 五、遮挡问题 5 第四节 人脸识别流程 5 一、人脸图像采集 6 二、预处理 6 三、特征提取 6 第五节 本章小结 7 第二章 人脸图像的获取 9 第一节 人脸图像获取 9 第二节 人脸分割 9 第三节 人脸数据库 10 第四节 本章小结 11 第三章 人脸图像的预处理 12 第一节 人脸图像格式 12 一、JPEG格式 12 二、JPEG2000格式 12 三、BMP格式 13 四、GIF格式 13 五、PNG格式 13 第二节 人脸图像常用预处理方法 14 一、灰度变化 14 二、二值化 15 三、直方图均衡 15 四、图像滤波 15 五、图像锐化 17 六、图像归一化 18 第三节 本章小结 19 第四章 人脸识别 20 第一节 主成分分析基本理论 20 一、什么是主成分分析？ 20 二、例子 20 三、基变换 21 四、方差 23 五、PCA求解：特征根分解 27 六、PCA的假设 28 七、总结： 28 八、在计算机视觉领域的应用 30 第二节 基于PCA人脸识别算法的实现 31 一、创建数据库 32 二、计算特征脸 32 三、人脸识别 34 第三节 本章小结 36 结 论 37 致 谢 38 参考文献 39 附 录 40 一、英文原文 40 二、英文翻译 53 三、源程序 64  前 言 本文主要介绍基于PCA的人脸识别算法的实现，除第一章外，其余内容按照人脸识别的流程可分为人脸图像获取，人脸图像预处理，人脸特征提取和特征匹配四个部分。具体安排如下: 第一章主要介绍人脸识别的研究现状，人脸识别技术的主要难点及人脸识别流程。 第二章主要介绍常用的人脸图像获取方法和人脸图像数据库。 第三章主要介绍常用的人脸图像预处理方法。 第四章主要介绍PCA算法，SVD定理，如何通过PCA和SVD提取人脸特征及如何使用最近邻法分类器欧几里得距离来进行判别分类。  第一章 概述 第一节 人脸识别的研究起源比较早，Galton 在1888年和1910年就已在Nature杂志发表两篇关于如何使用人脸进行身份识别的论文。在他的文章，他使用一组数字表示相异的人脸侧面特征，同时还对人类本身的人脸识别能进行了研究分析。自动人脸的研究历史相对比较短，到现在不过五十多年的时间。不过1990年以来，才得到了长足的进步。现在，已变成计算机视觉领域的一个焦点，很多著名的大学和IT公司都有研究组在从事这发面的研究。 对于人脸识别的研究历史可分为三个阶段： 第一阶段（1964-1990）这个阶段主要采取的技术是基于人脸几何结构的。研究的重点主要在剪影上。研究人员做了大量关于如何提取面部剪影曲线的结构特征的研究。这个阶段属于人脸识别的初级阶段，突出的研究成果不多，也没有获得的实际应用。 第二阶段（1991-1997）这个阶段虽然时间相对较短，但是硕果累累，出现了若干具有代表性的算法和几个商业化的人脸识别系统，如Identix（原为Visionics）公司的FaceIt系统。 这个时期最具盛名的人脸识别方法是MIT媒体实验室的Turk和Pentland提出的的“特征脸”方法。后来很多人脸识别技术都与特征脸有关，现在特征脸已与归一化的协相关量方法一起成为了人脸识别性能测试的基准算法。 这个时期的主要成果有： 1992年左右，Brunelli和Poggio做了一个基于结构特征的方法和基于模板匹配的方法性能对比的实验，并得出了模块匹配的方法优于基于特征的方法的结论。这个结论和特征脸的共同作用，基本上停止了纯粹基于结构特征人脸识别的研究，并且很大的促进了基于表观的线性子空间建模和基于统计模式识别技术的发展，使其逐渐成为主流技术。 Belhumeur等人的Fisherface方法也是此阶段一个重要的成果。该方法目前依然是主流人脸识别方法中的一种，产生了很多变种，比如子空间判别模型等。其先使用PCA即特征脸对人脸图像表现特征进行降维，并使用线性判别分析方法对降维后的主成分进行变换以获得“尽量大的类间散度和尽量小的类内散度”。 弹性匹配技术[1]为另一个重要方法。它用一个属性图来描述人脸：属性的顶点代表面部关键特征点，它的属性为相应特征点处的多分辨率，多方向局