【正文】 實(shí)現(xiàn)。任意一幅人臉圖像都可以向其投影，得到一組坐標(biāo)系數(shù)，這組系數(shù)表明了該幅人臉圖像在低維子空間中的位置。二、識別過程，步驟如下: (1)對測試圖像進(jìn)行預(yù)處理工作；(2)將測試圖像投影到人臉特征子空間中，得到相應(yīng)的人臉特征向量；（3)選擇距離函數(shù)，進(jìn)行分類判別。假設(shè)每一幅經(jīng)過預(yù)處理的人臉圖像的大小為的二維數(shù)組，將二維數(shù)組轉(zhuǎn)化為大小為D=一維向量則有。為了計(jì)算矩陣S的特征值與正交歸一的特征向量，我們可以構(gòu)造低維矩陣，采用SVD定理來求解，通過求ZTZ的特征值來求Z的特征值，這樣可以解決維數(shù)過高的問題。 (3)計(jì)算訓(xùn)練集的人臉特征向量 人臉特征向量即將人臉圖像向特征空間投影之后得到的系數(shù)向量，即: (330) 將訓(xùn)練集中所有己知人臉圖像的圖像向量、特征向量,和其對應(yīng)的個人身份信息保存起來，就構(gòu)成了己知人臉圖像的訓(xùn)練數(shù)據(jù)庫。那么本章所選擇相似性度量工具是歐氏距離，然后選擇最近鄰分類器進(jìn)行圖像的分類。該數(shù)據(jù)庫是由40個人，每人10幅，共400幅92X112大小的正面人臉圖像組成，其中包括不同時期同一背景的人臉面部表情和細(xì)節(jié)的變化圖像。系統(tǒng)界面截圖所示:第一步：，出現(xiàn)瀏覽文件夾對話框，點(diǎn)擊“確定”。下面是輸入照片編號“3”和“5”，系統(tǒng)界面截圖：※ ※ ※ ※致 謝 大學(xué)時光，轉(zhuǎn)瞬及逝。她淵博的學(xué)識、嚴(yán)謹(jǐn)?shù)淖黠L(fēng)、寬廣的胸懷和淡泊明志的精神境界都給我以潛移默化的影響，將使我終生受益。感謝實(shí)驗(yàn)室諸多同學(xué)的關(guān)心、幫助，經(jīng)常的交流、探討讓我受益匪淺。F:\Applications\work39。TestDatabasePath = uigetdir(39。)。dlg_title = 39。139。\39。im = imread(TestImage)。 SelectedImage = strcat(TrainDatabasePath,39。 imshow(im)title(39。title(39。Matched image is : 39。 for i = 1:size(TrainFiles,1) if not(strcmp(TrainFiles(i).name,39。)|strcmp(TrainFiles(i).name,39。for i = 1 : Train_Number str = int2str(i)。.jpg39。 img = rgb2gray(img)。 T = [T temp]。 for i = 1 : Train_Number temp = double(T(:,i)) m。[V D] = eig(L)。 %函數(shù)Recognition：function OutputName = Recognition(TestImage, m, A, Eigenfaces)ProjectedImages = []。 ProjectedImages = [ProjectedImages temp]。InImage = reshape(temp39。*Difference。 Euc_dist = [Euc_dist temp]。)。OutputName = strcat(int2str(Recognized_index),39。for i = 1 : Train_Number q = ProjectedImages(:,i)。Difference = double(InImage)m。temp = InputImage(:,:,1)。for i = 1 : Train_Number temp = Eigenfaces39。for i = 1 : size(V,2) if( D(i,i)1 ) L_eig_vec = [L_eig_vec V(:,i)]。end L = A39。 % Train_Number = size(T,2)。 temp = reshape(img39。 str = strcat(TrainDatabasePath,str)。\39。)) Train_Number = Train_Number + 1。)|strcmp(TrainFiles(i).name,39。disp(str)%函數(shù)CreateDatabase:function T = CreateDatabase(TrainDatabasePath)%%%%%%%%%%%%%%%%%%%%%%%% File managementTrainFiles = dir(TrainDatabasePath)。)。)。,OutputName)。[m, A, Eigenfaces] = EigenfaceCore(T)。.jpg39。 TestImage = inputdlg(prompt,dlg_title,num_lines,def)。num_lines= 1。Enter test image name (a number between 1 to 10):39。, 39。Select training database path39。特別要感謝我的父母和家人，他們?nèi)找共賱?，辛勤工作，為我解除了學(xué)習(xí)的后顧之憂。對導(dǎo)師的感激之情非言語所能表達(dá)，導(dǎo)師無私的關(guān)懷和殷切的厚望惟以不斷的努力來報(bào)答。 本課題的開展與研究是在我的導(dǎo)師李曉媛教授悉心指導(dǎo)下完成的，從課題的選題到論文的完成，導(dǎo)師都傾注了大量的時間和精力。第二步：在出現(xiàn)的輸入對話框中，輸入要測試的照片編號，點(diǎn)擊“ok”，顯示出兩張照片，一個是測試的圖片本身，一個是訓(xùn)練集中對應(yīng)的照片。 ，編寫了一個簡單的人臉識別程序，實(shí)現(xiàn)了隨即的單個樣本的人臉識別。對于給定的一個人臉測試圖像，其對應(yīng)的特征向量為，如果，并且有，那么分類結(jié)果即為。(2)計(jì)算測試集的人臉特征向量假設(shè)向量表示一幅測試圖像，將向特征子空間投影，即可得到該測試圖相對應(yīng)的人臉特征向量: (331) (3)選擇距離函數(shù)進(jìn)行分類判別 將人臉圖像投影到特征子空間，得到相應(yīng)的人臉特征向量之后，余下的任務(wù)就是如何判別測試圖像所屬的類別。 然后。 （2)通過訓(xùn)練形成特征空間訓(xùn)練樣本中m幅人臉圖像的均值向量為: (321)每幅人臉圖像與平均人臉的差值向量為: (i=1,2,…,m) (322)則訓(xùn)練樣本的協(xié)方差矩陣為: (323)令,則，維數(shù)為DD。選取庫中每人一定數(shù)量的圖像構(gòu)成訓(xùn)練集，其余構(gòu)成測試集。比較常用的是基于歐氏(Euclidean )距離的最近鄰分類器。將這些特征向量按圖像陣列進(jìn)行重構(gòu)，可以看出這些特征向量呈現(xiàn)出人臉的形狀。 在各種PCA人臉識別算法中，特征臉(Eigenface)方法是一個經(jīng)典的人臉識別算法，于1991年由Turk和Pentland提出，是基于主成份分析的線性子空間方法。常見的度量方式有: (1)歐氏距離 歐式((Euclidean)距離也稱歐幾里德距離，向量X與Y之間的歐氏距離定義為: （317） 向量X和Y服從于同一分布且協(xié)方差矩陣為C,則X和Y之間的馬氏距離為: （318） 馬氏距離引入特征值，給特征值小的特征向量更大的權(quán)值，使每個基坐標(biāo)的重要性平等，從而排除了不同特征之間相關(guān)性的影響。 (3)通過計(jì)算閾值來確定特征空間的維數(shù) 該方法通過計(jì)算所保留的特征向量所對應(yīng)的特征值之和與總的特征值之和的比值，保證它大于一定的閉值F。 (1)標(biāo)準(zhǔn)的特征空間投影 所有L個對應(yīng)的特征值非零的特征向量均被用來創(chuàng)建特征臉子空間。 (2)求出自相關(guān)矩陣或協(xié)方差矩陣S的特征值和特征向量(j=1,2,...,n)，同時，由特征向量組成的矩陣為 (3) KL展開式的系數(shù)即為。假設(shè)X為n維的隨機(jī)變量，X可以用n個基向量的加權(quán)和來表示: X = (31)其中: 是加權(quán)系數(shù)，是基向量，該公式用矩陣的形式可以表示為: X= (32)其中，= = (33)我們?nèi)』蛄繛檎幌蛄浚? (34)由正交向量構(gòu)成，所以是正交矩陣，即 (35)將公式((32)兩邊乘，并考慮到為正交矩陣，得 (36)即： (37)如果我們希望向量的各個分量互不相關(guān)，那就取決于我們選取怎樣的正交向量集。離散KL變換是一種基于目標(biāo)統(tǒng)計(jì)特征的最優(yōu)正交變換，它具有很多優(yōu)良的特性:KL變換后產(chǎn)生的新的分量都是正交的或不相關(guān)的。如果原始特征的數(shù)量很大，或者樣本處于高維空間中，那我就可以用映射的方法把樣本投影到低維空間去，用低維空間來表示樣本，這個過程就叫做特征提取。(4)選取距離函數(shù)進(jìn)行識別。其具體做法是由高維圖像空間經(jīng)KL變換后得到一組新的正交基，對這些正交基作一定的取舍，保留其中的一部分生成低維的人臉空間，也即人臉的特征子空間。第三章 基于PCA的人臉識別方法 主成份分析(Principal Component Analysis，簡稱PCA)是統(tǒng)計(jì)學(xué)中分析數(shù)據(jù)的一種有效方法。直方圖均衡化變換函數(shù)為: (22)式中k=1,2,... , L，且是輸出(處理后的)圖像中的亮度值，它對應(yīng)于輸入圖像中的亮度值。直方圖的概念:一幅圖像在范圍[0,G]內(nèi)總共有L個灰度級，則其直方圖定義為離散函數(shù): ，其中，是區(qū)間[[0,G]內(nèi)的第k級亮度，n是灰度級為y的圖像中的像素?cái)?shù)。三次插值法精度高但是運(yùn)算量大。這樣通過縮放處理，就固定了人眼坐標(biāo)，保證了兩眼間距離是一致的，從而其他部位如鼻子、嘴巴等位置都保持的相對標(biāo)準(zhǔn)。 一般的幾何歸一化主要包括圖像的旋轉(zhuǎn)、剪切和縮放。 其他的還有AR人臉庫，CVL人臉數(shù)據(jù)庫，CMU RIE人臉數(shù)據(jù)庫，XM2VTSDB人臉數(shù)據(jù)庫，CASPEAL人臉庫等等，本論文的人臉識別實(shí)驗(yàn)主要是基于ORL人臉庫。該數(shù)據(jù)庫中不包括戴眼鏡的照片，拍攝條件也有一定的限制，人臉大小約束在規(guī)定的范圍內(nèi)。這些圖像是在不同時間、不同光照、面部表情和面部遮掩物變化的情況下獲得的，如笑或不笑、眼睛或睜或閉、戴或不戴眼鏡。 目前使用最廣泛的人臉庫是英國ORL人臉數(shù)據(jù)庫。主要的預(yù)處理工作包括:圖像的幾何歸一化，圖像的灰度歸一化，直方圖均衡化幾個部分。輸入圖像從實(shí)物轉(zhuǎn)換成數(shù)字圖像時，由于設(shè)備條件的差異，往往存在噪聲、對比度太低等缺陷。除此之外，人臉識別還有低質(zhì)量照片問題，大規(guī)模人臉識別問題，海量數(shù)據(jù)的學(xué)習(xí)問題等等。這類算法往往要求訓(xùn)練集合中的樣本能夠覆蓋所有情形下的人臉樣本，以便從中學(xué)習(xí)相關(guān)知識或規(guī)則，但這在實(shí)際中是無法滿足的，因?yàn)槟軌颢@得的訓(xùn)練樣本往往是有限的，因而便造成目前的識別算法普適性較差，即在由訓(xùn)練集中樣本擴(kuò)展到非訓(xùn)練集中樣本時，識別性能會明顯下降。這些因素所導(dǎo)致的直接結(jié)果就是人臉區(qū)域部分的數(shù)據(jù)不完整，進(jìn)而影響后續(xù)處理的效果，甚至直接導(dǎo)致處于人臉識別系統(tǒng)第一階段的人臉檢測失效。盡管采用3D人臉模型可以解決人臉識別問題中的姿態(tài)變化問題，但是由于3D人臉數(shù)據(jù)獲取有很多的局限性，所以當(dāng)前仍需依賴對姿態(tài)變化魯棒的 2D人臉識別算法。光照:光照的方向及強(qiáng)度變化會嚴(yán)重影響人臉圖像的灰度分布，因而影響大多數(shù)基于圖像灰度統(tǒng)計(jì)特性的識別方法的效果。人臉具有相對穩(wěn)定的特征和結(jié)構(gòu)，這為人臉識別技術(shù)帶來了實(shí)現(xiàn)的可能。這些應(yīng)用在圖像的質(zhì)量、背景，還有是否存在定義好的匹配策略等等方面都存在著很大的不同。另外偵察員在破案時也要用攝像機(jī)對人進(jìn)行跟蹤。人員頻繁出入時，保安人員再三檢查證件是比較麻煩的，而且安全系數(shù)也不高。當(dāng)前普遍使用的驗(yàn)證方法有符號或條形碼標(biāo)記，比如信用卡、自動提款機(jī)等此類驗(yàn)證的安全性比較低。任何一種技術(shù)的發(fā)展都是由于受到了實(shí)際應(yīng)用需要的激勵，人臉識別技術(shù)也不例外，它最初就是公安部門要把它用于罪犯照片的存檔管理和刑偵破案?；谛〔ò拿娌孔R別方法首先對一幅人臉圖像進(jìn)行小波包分解。在這個低維子空間中，如果特征和投影方向選擇合適的話，人臉特征可以做到對光照方向和表情變化不敏感。接著是訓(xùn)練該隱馬爾夫模型，由以下幾個步驟組成：(1)建立一個隱馬爾可夫模型；(2)用訓(xùn)練數(shù)據(jù)迭代計(jì)算初始參數(shù)值；(3)用Baum—Welch方法重新估計(jì)參數(shù)值。隱馬爾可夫模型為一個觀測序列提供了一個統(tǒng)