【正文】 畢業(yè)設(shè)計（論文） I 畢業(yè)設(shè)計（論文） 設(shè)計（論文）題目： 基于 PCA 的人臉識別 算法實現(xiàn) 畢業(yè)設(shè)計（論文） II 摘 要 隨著科技的發(fā)展，人類社會的進步 ， 傳統(tǒng)身份識別由于容易遺失，容易被破解已不能起到身份識別作用。 人 們 需要更加安全可靠的身份識別技術(shù)。 而 生物特征的 獨一無二 ， 不易 丟失和 被 復(fù)制 的特性 很好滿足了 身份識別 的需要 。 同時隨著 計算機科學技術(shù) 和生物醫(yī)學 的發(fā)展使得利用生物特征 識別成為了可能。 在生物特征識別 領(lǐng)域 ， 由于人臉識別 的 操作快速簡單，結(jié)果直觀， 準確可靠， 不需要人的配合 等優(yōu)點已成為人們關(guān)注的焦點 。 主成分分析（ PCA） 通過提取 高維度的 人臉圖像 的主元 ， 使得圖像在低維度 空間中被處理 來 降低了圖像處理的難度。 由于 其 有效的解決了圖像空間維數(shù)過高的問題 ， 已經(jīng)成為人臉識別領(lǐng)域非常重要的理論。 本文 研究的就是基于 PCA 的人臉識別算法的實現(xiàn) 。 本文按照完整人臉識別流程來分析基于 PCA 的人臉識別算法實現(xiàn)的性能。首先使用 常用 的 人臉圖像的獲取方法 獲取 人臉 圖像 。 本文為了更好的分析基于 PCA 人臉識別系統(tǒng)的性 能選用了 Essex 人臉數(shù)據(jù)庫。 接下來是人臉圖像預(yù)處理方法。由于 Essex人臉圖像質(zhì)量較好，而且已經(jīng)做過相應(yīng)的預(yù)處理，所以本文試驗中只使用灰度處理。接著 使用 PCA提取人臉特征 ， 使用 奇異值分解定理 計算 協(xié)方差 矩陣 的特征值和特征向量 以及 使用 最近鄰法分類器 歐幾里得 距離來進行人臉判別分類 。 在實驗中我們發(fā)現(xiàn)基于 PCA 的人臉識別系統(tǒng)的識別率很高，而且具有一定魯棒性， 所以 基于 PCA 的人臉識別算法的實現(xiàn) 的研究還是有意義。 【關(guān)鍵詞】 人臉識別 PCA 算法 奇異值分解定理 歐幾里得距離 畢業(yè)設(shè)計（論文） III ABSTRACT With the development of science and technology, the progress of human society, the traditional identification is easy to lose, easy to be cracked and it has not play an identifiable role. People need a more secure and reliable identification technology. Biometric is unique, easy to lose and replication characteristics of good meet the needs of the identification. With the development of puter science and technology and biomedical makes use of biometric identification has bee possible. In the field of biometric identification, face recognition with the advantages of operation is fast and simple, the results are intuitive, accurate and reliable,do not need coordination, has bee the focus of attention. The principal ponent analysis (PCA) to extract high dimensional face image of the main element, making the images are processed in lowdimensional space and it reduces the difficulty of image processing. PCA solves effectively the problem of high dimension image space and it has bee a very important theory in face recognition field. This paper is in this context of writing from. In accordance with the full recognition process to analyze the performance of PCAbased face recognition algorithm. The first to use the method of access to monly used face images for face images. In order to better analysis is based on the performance of the PCA face recognition system selected Essex face database. Next is the face image preprocessing methods. Essex face image quality is better, and have done the appropriate pretreatment, using only grayscale processing of this trial. Then use the PCA for face feature extraction using singular value deposition theorem to calculate the covariance matrix of the eigenvalues and eigenvectors, and use the Euclidean distance of the nearest neighbor classifier to the classification of human face discrimination. In the experiment, we found that a high recognition rate of the PCAbased face recognition system, but with a certain robustness, the PCAbased face recognition algorithm to achieve meaningful. 【 Key words】 face recognition PCA algorithm SVD Euclidean distance 畢業(yè)設(shè)計（論文） IV 前 言 隨著社會和科技的發(fā)展，社會步伐的加快，人們 對 高效可靠的身份識別 需求 日益強烈。各種技術(shù)在科研和實際中都受到了很大的重視和發(fā)展。由于生物特征內(nèi)在的穩(wěn)定性和唯一性使其成為了作為身份識別的理想依據(jù)。人臉特征作為典型的生物特征外，還有 隱蔽性好，易于被用戶接受，不需要人的配合等優(yōu)點。現(xiàn)已成為了身份識別領(lǐng)域研究的熱點。 PCA 算法 通過降低維度，提取主元素，減少了數(shù)據(jù)冗余，解決了圖像緯度太高無法處理或處理很慢的特點 ， 同時 保持了原始圖像的絕大部分信息。 在 人臉識別 領(lǐng)域 ，很多先進的識別算法都是在其基礎(chǔ)上的改進。 所以研究基于 PCA 的人臉識別算法實現(xiàn)具有重要的理論和使用價值。 本文主要介紹基于 PCA的人臉識別 算法的實現(xiàn)， 除第一章外，其余 內(nèi)容按照人臉識別的流程可分為 人臉圖像獲取，人臉圖像預(yù)處理，人臉特征提取和 特征匹配 四個部分。具體安排如下 : 第一章 主要介紹人臉識別的研究 現(xiàn)狀 ，人臉識別技術(shù)的主要難點及人臉識別流程 。 第二章 主要 介紹常用 的 人 臉圖像獲取方法 和人臉圖像數(shù)據(jù)庫 。 第三章 主要 介紹 常用 的 人臉圖像預(yù)處理 方法 。 第四章 主要介紹 PCA 算法， SVD 定理 ， 如何通過 PCA 和 SVD 提取人臉特征 及如何使用 最近鄰法分類器 歐幾里得距離來 進行 判別分類 。 畢業(yè)設(shè)計（論文） V 第一章 人臉識別系統(tǒng) 概述 第一節(jié) 人臉識別的研究 概況 人臉識別的研究 起源 比較早， Galton 在 1888 年和 1910 年 就已 在 Nature 雜志發(fā)表 兩篇關(guān)于如何使用人臉進行身份識別的論文。 在 他 的文章，他 使 用一組數(shù)字表示相異的人臉側(cè)面特征 ， 同時還對 人類本身的人臉識別能進行了研究分析。 自動人臉的研究歷史相 對比較短，到現(xiàn)在不過五十多年的時間。 不過 1990 年以來，才得到了長足的進步?，F(xiàn)在，已變成計算機視覺領(lǐng)域的一個焦點，很多著名的大學和 IT 公司都有研究組在從事這發(fā)面的研究。 對于人臉識別 的研究歷史 可 分為三個階段： 第一 階段 （ 19641990）這個階段主要采取的技術(shù)是基于人臉幾何結(jié)構(gòu)的。 研究的重點主要在剪影 上。研究人員做了大量關(guān)于如何提取面部剪影曲線的結(jié)構(gòu)特征的研究。 這個階段屬于人臉識別的初級階段，突出的研究成果不多，也沒有獲得 的實際應(yīng)用。 第二 階段 （ 19911997）這個階段 雖然時間相對較短，但是碩果累累， 出現(xiàn)了若干具有代表性的算法和 幾個商業(yè) 化 的人臉識別系統(tǒng)，如 Identix（原為 Visionics）公司的 FaceIt 系統(tǒng)。 這個時期最具盛名的人臉識別方法是 MIT媒體實驗室 的 Turk和 Pentland提出的的“特征臉”方法。 后來很多人臉識別技術(shù)都與特征臉有 關(guān) ，現(xiàn)在特征臉已與歸一化的協(xié)相關(guān)量方法一起成為了人臉識別性能測試的基準算法。 這個時期的 主要成果有： 1992 年 左右， Brunelli 和 Poggio 做了一個 基于結(jié)構(gòu)特征的方法和基于模板匹配的方法性能 對比 的實驗，并得出了模塊匹配的方法優(yōu)于基于特征的方法的結(jié)論。 這個結(jié)論和特征臉的共同作用，基本上停止了純粹基于結(jié)構(gòu)特征人臉識別的研究，并且很大的促進了 基于表觀的線性子空間建模和基于統(tǒng)計模式識別技術(shù)的發(fā)展，使其逐漸成為主流技術(shù) 。 Belhumeur 等人的 Fisherface 方法也是此階段一個重要的成果。該方法目前依然是 主流 人臉識別方法 中的一種 ，產(chǎn)生了很多變種 ，比如子空間判別模型等。 其先使用 PCA 即特征臉對人臉圖像表現(xiàn)特征進行降維，并使用線性判別分析方法對降維后的主成分進行變換以獲得“盡量大的類間散度和盡量小的類內(nèi)散度”。 彈性匹配技術(shù) [1]為另一個重要方法。它用一個屬性 圖 來描述人臉：屬性的頂點代表面部關(guān)鍵特征點，它的屬性為相應(yīng)特征點處 的多分辨率，多方向局部特征 — Gabor畢業(yè)設(shè)計（論文） VI 變換 [2]，稱 為 Jet； 邊的屬性為不同特征點間的幾何關(guān)系。對于輸入的圖像，其通過一種優(yōu)化搜索策略來定位預(yù)先定位的若干面部關(guān)鍵特征點，同時提取它們的 Jet 特征，得到輸入人臉圖像的屬性圖。最后通過計算其與已知人臉屬性圖的相似度來完成識別過程。彈性匹配方法的優(yōu)點是既保留了面部的全局結(jié)構(gòu)特征，也對人臉關(guān)鍵局部特征進行了建模。 局部特征分析 由 Atick 等提出。其在本質(zhì)上是基于統(tǒng)計的低維 對象描述方法，與PCA相比，局 部特征分析在全局主成分分析的基礎(chǔ)上提取的是局部特征。 它既保留了全局拓撲信息，有提取了局部特征，使其具有了更好的描述和 識別 能力。局部 特征分析技術(shù) 已 商業(yè)化為 著名 FaceIt 系統(tǒng)。 柔性模型， 包括主動形狀模型和主動外觀模型。它是人臉建模方面的一個新的進步。其主要將人臉描述為 2D 形狀和紋理兩個分離的部分，分別用 PCA 建模，然后再通過 PCA[3,4,5]將兩者合成來對人臉建模。柔性模型具有良好的人臉合成能力 ，可以使用基于合成的圖像分析技術(shù)對人臉圖像進行特征提取和建模。 這個階段所提出的算法在理想圖像采集條件，人員配合 ，中小規(guī)模正面 人臉 數(shù)據(jù)庫 上達到了非常 好的性能。 ，也誕生幾個著名的人臉識別系統(tǒng)。 第三階段（ 1998 年 — 現(xiàn)在）這個時期關(guān)于人臉識別的研究非常 熱門。有大量的研究人員從事這方面的研究。 主要針對的是主流的人臉識別技術(shù)在采集條件不理想和用戶不配合下 魯棒性差的問題。 光照和姿態(tài)問題成為了研究焦點。 這個時期主要成果有： Gehiades 等人基于光照錘模型的多姿態(tài)，多光照條件人臉識別方法。 Blanz和 Vetter 等人基于 3D變形模型的多姿態(tài)，多光照的人臉識別方法。 Shashua 等人基于上圖像的人臉圖像識別與繪制技術(shù) [6,7]。 總體而言，目前非理想成像條件下（尤其是光照和姿態(tài)），對象不配合，大規(guī)模人臉數(shù)據(jù)庫上的人臉識別已逐漸成為研究的重點。而非線性建模方法，統(tǒng)計學習理論，基于 Boosting 的學習技術(shù)，基于 3D模型的人臉建模與識別方法等逐漸成為備受重視的技術(shù)發(fā)展趨勢。 從整個人臉