基于K-L变换的人脸识别.docVIP

基于K-L变换的人脸识别 实验原理及基本要求 特征脸方法是基于K-L变换的人脸识别方法，K-L变换是图像压缩的一种最优正交变换。高维的图像空间经过K-L变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法用于人脸识别的基本思想。在人脸识别中，可以用离散K-L变换对人脸图像的原始空间进行转换，即构造人脸图像数据集的协方差矩阵，对之进行正交变换，求出协方差矩阵的特征向量，再依据特征值的大小对这些特征向量进行排序，每一个向量表示人脸图像中一个不同数量的变量，这些特征向量表示特征的一个集合，它们共同表示一个人脸图像。在人脸识别领域，人们常称这些特征向量为特征脸。每一个体人脸图像都可以确切地表示为一组特征脸的线性组合。这样我们首先通过有指导的训练（给定训练样本集已知分类）得到样本集在特征脸空间中的坐标。训练完成后，输入待辨识图像，求得在特征脸空间的坐标，采用欧式距离法，就可以实现人脸识别。 我们从网上下载人脸图像，构建人脸训练数据库和测试数据库，采用K-L变换进行特征脸提取，并实现人脸识别。通过K-L变换在人脸识别中的应用，加深对所学内容的理解和感性认识。 具体做法及流程图 ORL人脸库是由英国剑桥Olivetti实验室从1992年4月到1994年4月期间拍摄的一系列人脸图像组成，共有40个不同年龄、不同性别和不同种族的对象。每个对象10幅图像共计400幅灰度图像组成，图像尺寸是92×112，图像背景为黑色。其中人脸部分表情和细节均有变化，例如笑与不笑、眼睛睁着或闭着，戴或不戴眼镜等，人脸姿态也有变化，其深度旋转和平面旋转可达20度，人脸尺寸也有最多10%的变化。该库是目前使用最广泛的标准数据库，它含有大量的比较结果。 本次试验我们用的是ORL人脸库中的人脸样本集，每个人的人脸样本集中含有十个人脸样本。我们从其中挑出训练样本和测试样本。对训练样本集采用K-L变换进行特征脸提取，并对测试样本集进行人脸识别。 步骤： 1、读入训练人脸库。读入时，将每个人脸图像转化为一维的列向量。本次实验参与训练的人脸图像有N=40个，每个图像大小为92*112. 则训练图像可以表示为一个（92×112）×40的矩阵X。其中，第i个人脸可以表示为, 2、计算平均脸和相应的距离向量。平均脸就是所有人脸图像的平均值向量。计算公式如下： 则每张人脸与平均脸之间的距离向量可以表示为： 3、计算特征脸。 设矩阵,本次试验我们选择训练样本集的类间散布矩阵作为K-L变换的产生矩阵，即： 计算特征脸时要计算出协方差矩阵的前Z（ZN）个较大特征值的特征向量。但是由于上式是一个（92*112）×（92*112）的高维向量，计算这个矩阵的特征值和特征向量的计算量非常大，所以先计算的特征值与特征向量，设它们分别为和。再将 的值从大到小排列，选取前Z个特征值，使其满足： 这里的表示样本集的前Z个轴上的能量占整个能量的以上。本次实验我们取的为99%。然后，从，计算，则由Z个可以组成一个特征脸空间。 4、投影。 将每一幅人脸与平均脸的差值矢量投影到“特征脸”空间，得到第i 个人脸的特征脸向量表示为： 5、对待识别的人脸进行识别（ 利用欧氏距离分类） 。先选定一个距离阈值，如果待识别的人脸图像投影到特征脸空间后与人脸集空间中点的最小距离仍然大于这个阈值，则说明待识别人脸包含的是未知人脸。本次实验我们选取的阈值为 把待识别的人脸图像R投影到特征脸空间，得到： P与每个人脸的距离定义为： 人脸分类的规则如下： （1）、若则输入图像中包含的是未知人脸。 （2）、若则输入图像为库中第k个人的人脸。 流程图如下： 实验结果与分析 1、首先，我们从人脸库中的二十个人脸样本集每个人脸样本集中抽取两个样本组成一个包含四十个样本的训练样本集，并将这二十个人脸样本集中每个人脸样本集剩下的8个人脸样本作为测试样本集待测试。测试结果如下： 测试结果 样本集 错误个数 错误率 S1 4 50% S2 0 0 S3 1 12.5% S4 1 12.5% S5 0 0 S6 0 0 S7 0 0 S8 0 0 S9 0 0 S10 2 25% S11 2 25% S12 0 0 S13 2 25% S14 2 25% S15 0 0 S16 3 37.5% S17 8 100% S18 0 0 S19 2 25% S20 3 37.5% 2、下面是，从四十个人的人脸样本集中每个人脸样本集中选择一个样本构成一个样本数为四十的训练样本集，用第一次实验的测试