人脸识别设计报告.doc

. .. 数字信号处理设计报告 设 计 题 目： 人脸检测 学 院、系： 信工学院电信系 年 级、班： 11级电信2班 设计单位(组)： 第四组 2014. 5. 7 摘要 人脸识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。 本文介绍了多种人脸识别方法，基于对人脸识别方法优缺点的分析比较, 提出了一种基于主元分析(PCA )的人脸识别方法。通过PCA 算法对人脸图像进行特征提取, 再利用最邻近距离分类法对特征向量进行分类识别。利用剑桥ORL的人脸数据库的数据进行实验仿真，仿真结果验证了本算法是有效的。 关键词：人脸识别， 主元分析，最近邻距离分类法，人脸库 绪论 　人脸识别是模式识别研究的一个热点, 它在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变性. 主元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设计具有良好分类能力和鲁棒性的分类器. 支持向量机(SVM ) 模式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。 一、人脸识别方法 虽然人脸识别方法的分类标准可能有所不同，但是目前的研究主要有两个方向，一类是从人脸图像整体(Holistic Approaches)出发，基于图像的总体信息进行分类识别，他重点考虑了模式的整体属性，其中较为著名的方法有:人工神经网络的方法、统计模式的方法等。另一类是基于提取人脸图像的几何特征参数(Feature-Based Approaches)，例如眼、嘴和鼻子的特征，再按照某种距离准则进行分类识别。这种方法非常有效，因为人脸不是刚体，有着复杂的表情，对其严格进行特征匹配会出现困难。而分别介绍一些常用的方法，前两种方法属于从图像的整体方面进行研究，后三种方法主要从提取图像的局部特征讲行研究。 基于特征脸的方法 特征脸方法(eigenface)是从主元分析方法PCA C Principal ComponentAnalysis导出的一种人脸分析识别方法，它根据一组人脸图像构造主元子空间，由于主元具有人脸的形状也称作特征脸。识别时将测试图像投影到主元子空间上得到了一组投影系数，然后和各个己知人的人脸图像进行比较识别，取得了很好的识别效果。在此基础上出现了很多特征脸的改进算法。 特征脸方法原理简单、易于实现，它把人脸作为一个整体来处理，大大降低了识别复杂度。但是特征脸方法忽视了人脸的个性差异，存在着一定的理论缺陷。研究表明:特征脸方法随光线角度及人脸尺寸的影响，识别率会有所下降。 二、仿真实验 训练样本测试模块分类结果测试样本PCA变换矩阵流程图 训练样本 测试模块 分类结果 测试样本 PCA变换矩阵 图1 整体流程图 先确定训练样本和测试样本，之后经过PCA变换矩阵达到降维的目的，投影到降维子空间中形成相应的坐标，最后用最邻近距离分类法进行识别。 训练样本总体散度矩阵去均值奇异值分解PCA变换矩阵 训练样本 总体散度矩阵 去均值 奇异值分解 PCA变换矩阵 图2 训练部分流程图 确定训练样本，之后去均值，计算总体散度矩阵，利用奇异值分解后经过PCA变换矩阵达到降维的目的。 仿真结果 图3人脸识别仿真结果 提取面部特征，将人脸图像看成高维向量，将其组成一个向量矩阵，对每一幅图像进行变换（即在特征空间中进行投影）计算其协方差矩阵，故经过PCA 变换去除了数据间的相关性，减小了冗余。达到了降维的目的。选取大的特征值，即将特征值按从大到小排序，选取前k个特征值对应的特征向量，主成分矩阵为样本在该特征空间上的投影，从而计算出特征向量和特征值，对于要测试的人脸，将其在该子空间上投影，得到其坐标，和样本空间上各个人脸的坐标相比较，距离最近的即为该人脸的识别结果。 有图可知:上面四幅图为样本在降维子空间上的投影，下面四幅图为要检测的人脸在降维子空间上的投影，用最邻近距离分类法，阴影部分距离最近的即为识别结果。 三、MATLAB人脸识别系统 人脸识