基于PCA+SVM人脸识别系统的设计与实现代码大全.pdf

基于PCA+SVM人脸识别系统的设计与实现

1.1题目的主要研究内容

（1）工作的主要描述

本文主要研究了利用主成分分析算法并结合支持向量机分类器实现对人脸

图像的识别，具体研究内容如下:

1.图像预处理。由于受到光照条件、拍摄角度、图像像素大小不同等因素的

影响，摄取到的人脸图像往往无法直接进行识别，为达到系统识别要求，提高识

别率，需要对获取的人脸图像进行预处理。图像预处理的过程包括图像的灰度变

换、图像直方图均衡化、图像的平滑处理、图像的几何归一化等。

2.特征提取。特征提取是人脸识别系统中最关键的技术之一,本文利用SVD

定理算法对人脸进行特征提取和特征选择，进而建立一个降维后的特征人脸子空

间，降维后的人脸图像大大节省了系统的数据计算量，从而大大缩短了识别时间，

为系统的实时性提供了可行性。

3.特征识别。人脸图像的分类识别是人脸识别系统中的一个环节，即将待测

人脸图像的提取特征送给分类器和数据库中已提取的人脸特征相似度进行比较，

通过相似性和根据特定标准确定待测人脸的属性的过程来进行分类。传统的基于

PCA的人脸识别算法利用距离函数实现人脸的分类，但该方法准确率较低，本

文引入SVM分类器，通过SVM分类器对人脸进行分类识别，并设计了基于

PCA+SVM的人脸识别系统，通过仿真实验对改进后系统与传统的基于PCA的

人脸识别算法在识别率和识别速度进行了测试和比较，证明了改进后的基于

PCA+SVM的人脸识别系统在识别率上要明显优于改进前的系统。

4.系统实现。本文对基于PCA+SVM的人脸识别系统进行了总体设计，并利

用ORL人脸数据库在AIStudio软件上运行python程序，对人脸识别系统的实

现进行仿真,最终实现人脸识别功能。

（2）系统流程图

1．2题目研究的工作基础或实验条件

（1）windows10

（2）AIStudio进行python演示

1．3数据集描述

首先建立预存、待识别人脸数据库，然后对预存人脸数据库进行训练，得到

预存人脸库的特征脸空间，随后读取一张待识别人脸图像，降低维数和进行标准

化，通过SVM分类器对待识别图像进行分类识别，最后显示识别人脸图像具体

运行步骤如下:

1、建立预存人脸库和待识别人脸库。

2、然后将建立好的人脸图像进行预处理。

3、识别过程是先选择预存人脸库，对预存人脸库进行训练，得到特征脸空

间。

4、选择待识别人脸，利用本系统所选用的主成分分析算法和SVM分类器，

找出与测试样本数据匹配的人脸库图像，计算待识别人脸库的识别率。

5、最后将匹配结果通过用户界面呈现出来。

a)建立预存人脸数据库、待识别人脸数据库。为了便于实现系统仿真，此次

系统实验基于英国ORL人脸数据库，该人脸数据库共40名测试人员，每名测试

人员有10张表情不一的人脸图像，为了验证系统的实用性，实验过程中将自己

拍摄的10张照片进行预处理，实现归一化后替换ORL人脸数据库的第40个人

的10张图像，组成新的人脸数据库。

实验选取ORL人脸数据库40名测试人员每名测试者的前5张图像，共200

张作为预存人脸数据库，选取每名测试者的后5张图像共200张作为待识别人脸

数据库，人脸表情、角度都有一定幅度的变化，每张图像的大小都是112x92，图

像的格式为pgm。我们基于以上原则建立预存人脸和待识别人脸数据库。

部分ORL人脸数据库图像如图所示：

b)人脸图像预处理。

本次实验采用的是英国ORL人脸数据库及少量自建人脸库，我们需要对少

量自建人脸图像进行归一化处理。

对于图像的预处理，利用Python软件对自建图像的进行了图像的灰度变换、

图像的直方图均衡化、图像的平滑处理、图像的几何归一化处理等，得到了较好

的处理效果。

c)训练预存人脸数据库。

（1）基于PCA+SVM的人脸识别算法训练阶段的流程，具体步骤是:(1)计

算预存人脸数据库中人脸的平均脸。

(2)计算每张图像与平均脸的差值矩阵，形成偏差矩阵，通过K-L变换和SVD

定理得到预存人脸数据库中所有图像样本的协方差矩阵的特征向量和特征值。

(