《随机过程第一次大作业(THU)》.docVIP

随机过程第一次project PAGE \* MERGEFORMAT13 基于主成分分析的人脸识别 2015年秋季学期 基于主成分分析的人脸识别 目录 TOC \o 1-3 \h \z \u HYPERLINK \l _Toc432332888 基于主成分分析的人脸识别 PAGEREF _Toc432332888 \h 1 HYPERLINK \l _Toc432332889 1 引言 PAGEREF _Toc432332889 \h 2 HYPERLINK \l _Toc432332890 1.1 PCA简介 PAGEREF _Toc432332890 \h 2 HYPERLINK \l _Toc432332891 一、主成分的一般定义 PAGEREF _Toc432332891 \h 3 HYPERLINK \l _Toc432332892 二、 主成分的性质 PAGEREF _Toc432332892 \h 3 HYPERLINK \l _Toc432332893 三、 主成分的数目的选取 PAGEREF _Toc432332893 \h 4 HYPERLINK \l _Toc432332894 1.2 人脸识别概述 PAGEREF _Toc432332894 \h 4 HYPERLINK \l _Toc432332895 2 基本理论及方法 PAGEREF _Toc432332895 \h 5 HYPERLINK \l _Toc432332896 3 人脸识别的具体实现 PAGEREF _Toc432332896 \h 6 HYPERLINK \l _Toc432332897 3.1 读入图像数据库 PAGEREF _Toc432332897 \h 6 HYPERLINK \l _Toc432332898 3.2 计算特征空间 PAGEREF _Toc432332898 \h 7 HYPERLINK \l _Toc432332899 3.3 人脸识别 PAGEREF _Toc432332899 \h 9 HYPERLINK \l _Toc432332900 4 对实验算法的综合评价 PAGEREF _Toc432332900 \h 11 HYPERLINK \l _Toc432332901 5 结论 PAGEREF _Toc432332901 \h 11 HYPERLINK \l _Toc432332902 6、参考文献 PAGEREF _Toc432332902 \h 11 HYPERLINK \l _Toc432332903 7、附录 PAGEREF _Toc432332903 \h 12 HYPERLINK \l _Toc432332904 1、代码说明： PAGEREF _Toc432332904 \h 12 HYPERLINK \l _Toc432332905 2、实验感想 PAGEREF _Toc432332905 \h 12 摘要：本文利用基于主成分分析(Principal Component Analysis，PCA)进行人脸识别。该过程主要分为三个阶段，第一个阶段利用训练样本集构建特征脸空间；第二个阶段是训练阶段，主要是将训练图像投影到特征脸子空间上；第三个阶段是识别阶段，将测试样本集投影到特征脸子空间，然后与投影后的训练图像相比较，距离最小的为识别结果。本方法具有简单、快速和易行等特点,能从整体上反映人脸图像的灰度相关性具有一定的实用价值。 关键词：人脸识别；PCA；识别方式 1 引言 PCA是一种对数据进行分析的技术，最重要的应用是对原有数据进行简化。正如它的名字：主元分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。它的优点是简单，而且无参数限制，可以方便的应用与各个场合，根据矩阵的行数与列数的区别于差异，PCA又可以划分为D—PCA（Distributed PCA[1]和C—PCA（Collective PCA）[2]。 1.1 PCA简介 PCA方法，也被叫做特征脸方法(eigenfaces)，是一种基于整幅人脸图像的识别算法，被广泛用于降维，在人脸识别领域也表现突出。一个N×N的二维脸部图片可以看成是N的一个一维向量，一张112×92的图片可以看成是一个10，304维的向量，同时也可以看成是一个10，304维空间中一点。图片映射到这个巨大的空间后，由于人脸的构造