人脸检测论文.docVIP

目录 一 摘要 二 介绍 三 模型 四 基本理论和方法 五 方法 六 算法和算法分析 七 讨论 八 结论 九 致谢 十 参考文献 十一 附录 摘要 本文用PCA算法进行人脸的检测，PCA方法由于在降维和特征提取方面的有效性，被广泛应用于人脸识别领域。基于该方法，我设计了完整的人脸特征提取和检测的算法。 介绍 人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。 广义的人脸检测实际包括构建人脸识别系统的一些列相关技术，包括人脸图象采集、人脸定位、人脸识别预处理等。 人脸检测的研究具有重要的学术价值，人脸是一类具有相当复杂的细节变化的自然结构目标，对此类目标的挑战性在于：人脸由于外貌、表情、肤色等不同，具有模式的可变性；一般意义下的人脸上，可能存在眼镜、胡须等附属物；作为三维物体的人脸影像不可避免地受由光照产生的阴影的影响。因此，如果能够找到解决这些问题的方法，成功地构造出人脸检测系统，将为解决其他类似的复杂模式的检测问题提供重要的启示。 目前，人脸检测的方法有：基于特征脸（PCA）的人脸识别方法，但是它需要较多的训练样本；神经网络的人脸识别方法，同样是需要较多的样本进行训练；弹性图匹配的人脸识别方法，但是它空间复杂度高、实时性较差；线段Hausdorff距离（LHD）的人脸识别方法，但是LHD在大表情的情况下识别效果不好；支持向量机(SVM) 的人脸识别方法，它支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。 模型 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。 PCA方法的基本原理是:利用K-L变换抽取人脸的主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与各个人脸图像比较进行识别。 四、基本理论和方法 PCA 方法的基础就是Karhunen-Loeve 变换(简称KL变换)，是一种常用的正交变换。下面我们首先对K-L 变换作一个简单介绍。 K-L变换： 假设X 为n 维的随机变量，X 可以用n 个基向量的加权和来表示: X= iφi 式中：αi是加权系数，φi是基向量，此式可以用矩阵的形式表示： X =(φ1 ,φ2,φ3 ,……,φn)( α1, α2 ,…… αn)= Φα 系数向量为： α=ΦTX 综上所述，K-L展开式的系数可用下列步骤求出： 步骤一 求随机向量X的自相关矩阵R=E[XTX],由于没有类别信息的样本集的μ均值向量，常常没有意义，所以也可以把数据的协方差矩阵=E[(x-μ)(x-μ)T]作为K-L坐标系的产生矩阵，这里μ是总体均值向量。 步骤二 求出自相关矩阵或者协方差矩阵R的本征值λi和本征向量φi，Φ=(φ1 ,φ2,φ3 ,……,φn)。 步骤三 展开式系数即为α=ΦTX。 投影： 设d 维样本x1、x2、x3……xn以及一个d 维基w ，那么标量： Yi=wTxi 是相当于xi在基上的坐标值，如果||w||=1，yi向方向为w的直线景象投影的结果。可以从图1看到。 推广之，如果有一组基（m个）组成的空间w=[w1,w2……wm]，那么可以得到xi在空间w上的坐标为 Y=wTx。 奇异值分解： 设A为秩为r的m*n（mn）维矩阵，则存在两个正交矩阵和一个对角矩阵： A=[a1，a2……ar]=U∧VT 其中U=[u0，u1,……,ur-1]，V=[v0，v1,……,vr-1]，∧=diag(λ0，λ1,……,λr-1)。并且UUT=I，VVT=I，λi成降序排列。其中λi2为AAT的非零特征值，ui和vi分别是AAT和ATA对应于λi2 U=AV∧-1 可计算AAT的特征值及相应的正交