毕业设计-邱媛媛06059108.pptVIP

一种基于K-L变换的人脸识别方法 班级：姓名： 邱媛媛 学号：导师： 孔万增 人脸识别 随着科技的不断进步，生物识别技术的发展越来越受到人们的广泛关注 。 人脸识别是基于已知的人脸样本库，利用图像处理和模式识别技术从静态或动态场景中，识别或验证一个或多个人脸。 人脸识别系统的组成 人脸检测，人脸表征，人脸识别是通常意义上的建立人脸自动识别系统的三个方面。 一个完整的人脸识别系统如图所示 论文研究主要内容 K-L变换的特征提取 K-L变换的人脸识别 验证基于K-L变换的PCA人脸识别技术识别在不同的人脸库(ORL，Yale人脸库)中的识别情况 基于PCA特征提取 基于PCA特征提取：将K-L变换后特征值从大到小进行排列，其对应的特征向量，构成一个K-L变换特征空间的子空间，来进行特征提取。 奇异值特征提取 它将图像作为矩阵看待，进行各种代数和矩阵变换，抽取的代数特征用于模式识别 目的解决维数过高的问题。 基于PCA的人脸识别 两步：首先是训练集内人脸识别， 其次是测试集人脸识别 仿真对象：ORL人脸库，该标准人脸库由40人、每人10幅112×92图像组成 人脸训练阶段 (1) 将每个已知人脸 映射到由特征脸张成的子空间上，得到m维向量 ： (2) 求出训练样本集对应的奇异值特征向量 (3) 设定方差贡献率 (4) 求每个训练样本在特征空间上的投影点 人脸的识别阶段 1、将需要检测的图像r投影到特征子空间，得出第K个人的第i个特征子空间为： 2、测试样本进行分类：采用欧氏距离方法，即求出与每个人脸集的距离—欧几里得距离 实验 实验结构设计 实验环境 本实验编程环境：?MATLAB 6.5 选取人脸数据库: (1)：ORL数据库：40人，每人10张人脸图像，共400张人脸图像。 (2)：Yale人脸库中有15个人，每人11张人脸，总165张人脸图像 实验算法步骤 实验算法：PCA的人脸识别算法 实验步骤： (1) 人脸库训练，即随机读入人脸库中所有人脸 (2) 计算K-L变换的生成矩阵，进行K-L变换 (3) 计算生成矩阵特征值特征向量，构造子空间 (4) 把训练图像和测试图像投影到特征空间中 (5) 把投影到子空间中的所有测试图像和训练图像进行比较，确定待识样本所属的类别 (6) 进行类别的比较，计算识别率。 实验结果及分析 1、改变训练样本数，能量比不变 2、训练样本数固定，能量改变 3、不同人脸库识别率比较 改变训练样本数，能量比不变 训练样本数从3到8逐步增大时，PCA人脸识别的正确识别率也逐步增大。 说明在设计人脸识别系统时，训练样本数越大的系统，正确识别率就越好。 训练样本数固定，能量改变 能量比从0.80到0.95逐步增大时，PCA人脸识别的正确识别率不一定会随之增大，但能量比的逐步增大，实验中特征向量的个数会逐步增加。 训练的时间也会增长。综合考虑识别率和识别速度，选取 =0.92的能量比比较合适。 不同人脸库识别率比较 训练样本数相等和训练样本数不相等的情况下，PCA方法在ORL图像的人脸识别中都保持着较高的识别率。而在Yale人脸库中相对识别率并不高。 PCA算法的人脸识别提取图像总体特征，在人脸图像上的表现就是人脸的外形轮廓和灰度变化，以此作为人脸特征，却丢失了一些原有的重要信息。因而，PCA方法也有它的劣势所在。 一种基于K-L变换的人脸识别方法 谢谢观赏！ * * 图像采集 人脸检测 预处理 特征提取 特征匹配 目标图像特征库 识别结果 训练 测试 特征脸用于特征提取算法实现 训练部分 训练样本：每列是一个长度为N的原始脸部向量 - X 特征脸空间的K个主分量，每列长度为N 平均脸：长度为N的向量 均值样本：长度为N PCA 特征脸：每一列是一个长度为N的向量 识别部分 待识别样本：每列长度为N - 样本减去平均脸 X 特征脸空间的K个主分量，每列长度为N 返回 返回