DIP---基于MATLAB的人脸识别算法课程设计报告精选.docx

数字图像处理实验报告院 系： 计算机科学学院 班 级： 计科11303 小组成员： 成员学号： 实验名称： 基于MATLAB的人脸识别算法 实验时间： 2015.10.01 - 2015.10.19 实验地点： 东4教2号机房 目 录一、绪论2二、实验设计2（一）实验题目2（二）实验目的2三、实验准备2（一）环境准备2（二）知识准备3四、算法设计3（一）问题描述31. 主成分的一般定义32. 主成分的性质43. 主成分的数目的选取4（二）PCA算法的功能实现51. 人脸空间的建立52. 特征向量的选取53. 人脸识别54. 识别流程6五、程序实现6（一）人脸识别程序61. 用户界面62. 选择图片63. 图片选择后64. 查找后6（二）测试及结果分析6六、实验总结7七、参考文献7一、绪论 随着科技的发展，人类社会的进步，传统身份识别由于容易遗失，容易被破解已不能起到身份识别作用。人们需要更加安全可靠的身份识别技术。而生物特征的独一无二，不易丢失和被复制的特性很好满足了身份识别的需要。同时随着计算机科学技术和生物医学的发展使得利用生物特征识别成为了可能。在生物特征识别领域，由于人脸识别的操作快速简单，结果直观，准确可靠，不需要人的配合等优点已成为人们关注的焦点。主成分分析（PCA）通过提取高维度的人脸图像的主元，使得图像在低维度空间中被处理来降低了图像处理的难度。由于其有效的解决了图像空间维数过高的问题，已经成为人脸识别领域非常重要的理论，本实验研究的是基于MATLAB人脸识别算法的实现。二、实验设计（一）实验题目机器人视觉——基于MATLAB的人脸识别算法（二）实验目的1. 初步了解人脸识别的特征法；2. 学会使用主成分分析算法（PCA）；3. 通过功能模块实现人脸识别系统；4. 完成数字图像处理课程的作业要求。三、实验准备（一）环境准备MATLAB 7.0（二）知识准备1. MATLAB的优势特点：（1) 高效的数值计算及符号计算功能，能使用户从繁杂的数学运算分析中解脱出来；（2) 具有完备的图形处理功能，实现计算结果和编程的可视化；（3) 友好的用户界面及接近数学表达式的自然化语言，使学者易于学习和掌握；（4) 功能丰富的应用工具箱，为用户提供了大量方便实用的处理工具。2. 主成分分析（Principal Component Analysis，PCA），将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。PCA是数字图像处理中经常用到的降维方法，在处理有关数字图像处理方面的问题时，比如经常用的图像的查询问题，在一个几万或者几百万甚至更大的数据库中查询一幅相近的图像。这时，我们通常的方法是对图像库中的图片提取响应的特征，如颜色，纹理，sift，surf，vlad等特征，然后将其保存，建立响应的数据索引，再对要查询的图像提取相应的特征，与数据库中的图像特征对比，找出与之最近的图片。如果为了提高查询的准确率，通常会提取一些较为复杂的特征，如sift，surf等，一幅图像有很多个这种特征点，每个特征点又有一个相应的描述该特征点的128维的向量，设想如果一幅图像有300个这种特征点，那么该幅图像就有300*vector（128维）个，如果我们数据库中有一百万张图片，这个存储量是相当大的，建立索引也很耗时，所以用PCA将其降维。四、算法设计（一）问题描述1. 主成分的一般定义设有随机变量X1，X2，…，Xp， 其样本均数记为 ， ，…， ，样本标准差记为S1，S2，…，Sp。首先作标准化变换，我们有如下的定义： (1) 若C1=a11x1+a12x2+ … +a1pxp，…，且使 Var(C1)最大，则称C1为第一主成分； (2) 若C2=a21x1+a22x2+…+a2pxp， …，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分； (3) 类似地，可有第三、四、五…主成分，至多有p个。2. 主成分的性质主成分C1，C2，…，Cp具有如下几个性质： （1) 主成分间互不相关，即对任意i和j，Ci 和Cj的相关系数 Corr(Ci，Cj)=0i(2) 组合系数(ai1，ai2，…，aip)构成的向量为单位向量，(3) 各主成分的方差是依次递减的， 即 Var(C1)≥Var(C2)≥…≥Var(Cp) (4) 总方差不增不减， 即 Var(C1)+Var(C2)+ … +Var(Cp) =Var(x1)+Var(x2)+ … +Var(xp) =p 这一性质说明，主成分是原变量的线性组合，是对原变量信息的一种改组，主成分不增加总信息量，也不减少总信息量。 (5) 主成分和原变量的相关系数 Corr(Ci，xj)=a