【正文】 ： 基于ＰＣＡ的人臉識別算法研究 學院（系）： 信息科學與工程學院 年級專業(yè)： 12級通信工程 學生姓名： 指導教師： 完成日期： 2016年4月30日 一 任務書中本階段工作目標與任務要求。四、存在問題人臉識別算法以后要能克服姿勢、表情、年齡變化同時要有短暫的識別時間。到目前為止人臉識別工作已經(jīng)進行了多年,但是仍然面臨著種種困難,其中主要有人臉圖像中人臉角度變化遮擋引入,以及光照變化,圖像質(zhì)量間的差異等成識別率下降的問題。但這階段的人臉識別需要操作人員的某些先驗知識,仍擺脫不了人的干預。由于正面人臉包含了人臉更顯著的特征，所以對于正面人臉模式的研究最多，它的發(fā)展大致可以分為三個階段：第一階段是上世紀50到60年代第一階段主要研究人臉識別所需要的面部特征,以Bertillon和Parke為代表，Bertillon用一個簡單的語句將人臉與數(shù)據(jù)庫中某張人臉相聯(lián)系，Parke則用計算機產(chǎn)生了較高質(zhì)量的人臉灰度圖模型。1618周：撰寫論文，準備答辯。對比項目方案1方案2適用范圍模式識別，特征提取模式識別，特征提取，分類技術局限性算法基礎，應用范圍廣針對分類比PCA算法有改進功耗大小功耗低功耗低工藝要求低低技術難度難度較低技術難度較高對社會可持續(xù)發(fā)展的影響促進相關技術的發(fā)展促進相關技術的發(fā)展對健康的影響少量輻射少量輻射對安全的影響安全無公害安全無公害是否符合法律規(guī)定符合符合對文化的影響對文化發(fā)展有著長遠的意義對文化發(fā)展有著長遠的意義對環(huán)境的影響無影響無影響現(xiàn)有技術儲備較為熟悉不熟悉五、研究工作進度 研究工作進度安排如下：14周：收集資料，熟悉課題內(nèi)容，確定設計思路。人臉的代數(shù)特征就是將人臉看成一個數(shù)據(jù)矩陣，我們提取這個數(shù)據(jù)矩陣的一些特性進行人臉比對。而且如何能夠提取有效的特征是人臉識別的關鍵所在。第四步：輸出與待識別圖像最接近的人臉圖像。本文主要研究二維人臉靜態(tài)識別，主要通過提取人臉上的特征值進行人臉的比對。人臉識別系統(tǒng)一般由人臉檢測、人臉定位、圖像預處理、特征提取與選擇、圖像訓練、識別對比等步驟組成。這一過程的核心是選擇適當?shù)娜四槺硎痉绞脚c匹配策略以及適當?shù)钠ヅ溟}值。從廣義上講,其研究內(nèi)容主要包括以下五個方面:(1) 人臉檢測:即從各種不同的場景中檢測出所有人臉的存在并確定其具體位置和主要特征的位置,這一任務受光照、噪聲、頭部傾斜度以及各種遮擋的影響。人臉識別維數(shù)都很高，PCA方法不但很好表征人臉，而且通過去除相關性，減少冗余，解決了在人臉識別過程中維數(shù)過高的問題。因此,身份驗證將在人們的生產(chǎn)、生活中扮演越來越重要的角色。人臉識別是一個具有廣闊的應用前景和挑戰(zhàn)性的研究課題 ,與指紋、視網(wǎng)膜、虹膜、基因等其他人體生物特征識別系統(tǒng)相比,人臉識別系統(tǒng)以其直接、友好、方便等特點更容易被用戶所接受 ,成為近年來模式識別領域中的研究熱點。在我遇到困難的時候，你們總是耐心的開導我；在我迷茫的時候，你們總是不斷地鼓勵我。因為有你們的幫助，我克服了許許多多的困難。提出了系統(tǒng)的改進意見。著重介紹了人臉的特征提取算法，其次對本論文的重點PCA算法進行詳細的說明。是生物特征識別技術發(fā)展到一定時期下產(chǎn)生的新興技術，但由于人臉自身的復雜性，以及采集人臉圖片的不受控性，現(xiàn)有的各種技術在適應性的方面還存在很大的提升空間。 本章小結本章主要是基于PCA的特征提取法和基于FisherFace的特征提取法的理論比較，二者提取特征的側(cè)重點不同，前者提取最具表征能力的低維特征，后者提取具有最優(yōu)分類能力的低維特征。在本論文選取了基于PCA的特征提取法主要是因為其是人力啊識別算法的基礎，便捷實用，也由于選定的人臉數(shù)據(jù)庫為ORL人臉數(shù)據(jù)庫，該數(shù)據(jù)庫中的人臉表情變化幅度都較大，而且還會有一定的遮擋物，如是否佩戴了眼鏡，而LDA法對于這些類內(nèi)特征不夠敏感。即該方法下得到的人臉特征是能夠表征人臉的最佳分類特征。由于所以式(46)至多有個非零特征向量。人臉樣本的向量維數(shù)比訓練的人力啊樣本數(shù)要高的多，所以直接使用LDA法會使不可逆，即不存在。假設樣本集的維度為，樣本集中的任何一個樣本均屬于某個已知類別。該方法是對原始的訓練樣本數(shù)據(jù)進行兩次投影變換。特征臉法雖然對臉部不同區(qū)域的影響不同，但是對整個圖像區(qū)域采用了統(tǒng)一的高分辨率。但是它也有局限的地方。 本章小結本章是針對自己研究學習內(nèi)容的重點介紹，講了基于PCA的人臉識別算法，對本次研究的算法的四大步驟：人臉的表示，特征臉空間的構造，特征的提取，人臉識別等步驟進行了詳細的說明。訓練樣本的數(shù)量，當訓練人臉庫中的樣本數(shù)量小于一定數(shù)值時，構造好特征空間后，把樣本庫中的人臉圖像進行投影后，就會使得每一張待測人臉的距離數(shù)值將會占據(jù)樣本中所有人臉距離數(shù)值的百分比增大，對于此影響最好的解決辦法是增加測試者的人臉數(shù)量，降低百分比，從而增大識別的概率。本部分代碼主要是實現(xiàn)了計算距離，并把與待識別圖像距離最小的圖像輸出。end[Euc_dist_min , Recognized_index] = min(Euc_dist)。該函數(shù)的流程圖如下：結束計算投影后待識別人臉與預存人臉的距離將待識別人臉投影到特征臉空間將預存人臉投影到特征臉空間輸出距離最小的圖像圖39 Recognition函數(shù)流程圖該函數(shù)的主要代碼如下：Euc_dist = []。該函數(shù)輸出已經(jīng)識別了的圖像名稱，輸入為差值矩陣A，特征臉空間Eigenfaces，待識別的人臉圖像和平均臉m。 L_eig_vec = [L_eig_vec V(:,i)]。 上述代碼可求出特征向量及特征值下面代碼是實現(xiàn)特征值的選取，選取原則是按照特征值1來選取，并輸出選取的特征值占總特征值的百分比。 A = [A temp]。)。imwrite(Image_mean,39。通過A求出預存人臉數(shù)據(jù)庫中所有圖像樣本協(xié)方差矩陣的特征向量和特征值。 T = [T temp]。 img = imread(str)。,str,39。步驟二三的實現(xiàn)代碼如下所示T = []。主要實現(xiàn)的功能是將預存人臉數(shù)據(jù)庫中的圖像轉(zhuǎn)化為列向量來構成預存人臉向量庫T。,。人臉間的距離本文使用歐氏距離進行計算。 (322)人臉圖像訓練樣本集可用矩陣X來表示 (323) 上式中的p代表樣本訓練集中人臉圖片的數(shù)量。分別是構造特征臉空間，投影，比較識別。 距離的計算本論文運用的識別原則是，預存人臉庫中與待識別人臉圖像距離最小的作為輸出的識別結果。這表明一個問題，在不同類別或相同類別中，人臉圖像有可能有相同的奇異值向量。由上述可得以下結論，人臉圖像本身決定著其奇異值向量所在的基空間（矩陣）。那么一定存在兩個正交矩陣滿足下式 (311)可使得 (312) (313)是K的奇異值，令，和的特征向量分別為。原始的人臉空間總體散布矩陣的特征向量即為這組正交向量，它們可構成臉的形狀，所以得名為“特征臉”。四是主特征分量是以重建誤差最小的原則上構建的，這說明主特征有重構功能，即主特征具備圖像重建的能力。所以輸入就可以有更加寬松靈活的范圍。通常情況下，經(jīng)過KL變換后，會出現(xiàn)很多相當小的值。一維的KL變換就可定義為下式： (35)反變換定義為： (36)在對圖像信號進行變換時，為了得到圖像矢量，可將其按像素行行排列或者列列排列。由于霍特林在1993年最先提出將離散的信號變成一串不相關系數(shù)的方法。我們將所有的人臉投影在這個低維空間中，然后計算與待測圖像的人臉最近的人臉圖像，上述可分為以下四個階段[10](1)訓練人臉數(shù)據(jù)庫，根據(jù)待訓練的樣本圖片數(shù)據(jù)矩陣構造特征臉空間；(2)把訓練的樣本圖片映射到(1)中構造的特征臉空間上；(3)把待識別的人臉圖片也投影到特征臉空間中；(4)比較圖像在特征臉空間中的距離，輸出距離最小的作為識別結果。對人臉圖像的特征提取一般指的是將待識別人臉圖像投影到特征臉空間。本次論文擬采用代數(shù)特征提取法。這是一個高維度下的模式識別問題。目前又三種主要方式可用來求解：一是固定點算法；二是信息論法；三是聯(lián)合近似對角化特征矩陣的方法。ICA是通過線性變換在訓練的樣本當中尋找到含有高階統(tǒng)計信息的相互獨立的一組基。但是把LDA應用在人臉識別上，很多情況下沒有直接的辦法求解Fisher準則函數(shù)，都是因為訓練樣本的數(shù)量不能夠保證為滿秩。線性判決分析，LDA也稱為Fisher線性判別，1996年由Belhumenur引進模式識別和人工智能這一領域。特征值越大，所含信息量越大，就代表其優(yōu)先的級別越高。高維空間中的圖像在經(jīng)過主元分析方法后，就能夠得到一組全新的正交基，人臉的低維度空間就是由這些正交基構成的。 (21) (22)N代表樣本的總個數(shù)，是所有樣本的平均值，特征值需按降序的順序排列，一般情況下選擇對應的前m個(mn)非零的特征向量來作為主元。PCA法的目的是找到一組最優(yōu)的單位正交向量基即主元，這一過程是通過線性變換來完成的。子空間方法可以分為線性和非線性的子空間發(fā)，下面介紹一下線性子空間法。并取得了較大的影響。所以我們把人臉的代數(shù)特征討論作為重點。 幾何特征提取法人臉的幾何特征即人臉的器官形狀和幾何關系為基礎的特征矢量，它的分量通常包含人臉指定的兩點之間的歐氏距離，角度，曲率等。為了能區(qū)分不同類別的人臉圖像，可以把原始的人臉圖像轉(zhuǎn)換到另外一個空間中通過線性或者非線性的方法。本論文采用的是ORL人臉數(shù)據(jù)庫，庫中有二十位測試者的照片，像素為92112，格式為bmp格式。計算機視覺研究項目額度負責人Libor Speacek博士負責維護該庫。它里面的人臉圖像有著膚色和人臉角度的變化。每名試驗者都拍攝十張圖片，圖像均為灰度圖像，像素是11292。(2)基于人臉圖像的特征法：要想從人臉的3D結構中把姿態(tài)分離出來，就需要計算人臉的三維空間方向，并算出人臉整體的輪廓和尺寸。 三維人臉識別算法介紹二維人臉識別算法的識別率容易受到人臉角度變化、遮擋物、表情變化的因素影響。此方法不僅有能夠原始圖像非線性流形的優(yōu)點，又有能夠得到新樣本點低維度投影的優(yōu)勢。下面分別簡要介紹。第4章主要講了基于PCA的特征提取法和基于FisherFace的特征提取法的比較，簡要介紹了FisherFace法的理論基礎，并對兩種方法的優(yōu)缺點各自做了說明。最后對人臉識別中最重要的部分特征提取做了著重的介紹。第2章主要是人臉識別當中的相關技術綜述。 本文研究內(nèi)容與結構安排本論文以MATLAB為實現(xiàn)工具，來研究基于PCA的人臉識別算法，要實現(xiàn)將待識別的人臉圖片輸入系統(tǒng)后，能夠從預存人臉庫中匹配出本人的圖片并輸出。在實際的采集頭像環(huán)境中，人臉的角度都是不受控制的，當人臉的姿態(tài)有復雜的變化時，這也將會導致算法精確度的明顯降低。 人臉識別技術研究難點人臉識別技術因其獨有優(yōu)勢得到了不斷的發(fā)展，但在此過程中還是遇到很多難點[1]，如下所述：(1)時間變動：隨著時間的改變，人臉的特征會相應發(fā)生一些變化，這將對現(xiàn)有的人臉庫造成識別困難。(2)圖像的預處理：為了增強人臉的特征，此步驟就是在識別前對圖像進行各方面的處理。 人臉識別技術的研究內(nèi)容與技術難點 人臉識別技術研究內(nèi)容人臉識別的過程就是指從圖片中提取有效的特征值來表征該人臉，并以此作為區(qū)分。 國內(nèi)研究現(xiàn)狀 國內(nèi)的研究起步相對較晚，大概在二十世紀末才開始。除以上之外，Mohamed還提出了基于照明、面部表情等差別產(chǎn)生的人臉識別障礙的方法。到現(xiàn)在為止，神經(jīng)網(wǎng)絡的方法取得如下成果[3]：MIT的學者首先在檢測樣本是否為人臉時應用了聚類分析的方法，利用MLP網(wǎng)絡作為分類器，以測試樣本和人臉樣本子集的距離差為度量原則進行分類。人臉識別中同理，也需要產(chǎn)生某種規(guī)則，要求其可以接受人臉而排斥非人臉，在判別中，在訓練樣本的階段時要用到大量的且高緯度的數(shù)據(jù)，從而提高判別的精確率。變形模版與固定模版原理相通，只是變形模版還包括一部分變動的元素?，F(xiàn)在幾乎所有的辦公大樓，商場，娛樂場所等公共場合都設有24小時監(jiān)控視頻，在對這些視頻圖像后期集中分析與處理時，就要利用人臉的檢測和識別技術。目前比較常用的是保安人員再三核查證件。居民身份證，護照等證件都有照片，現(xiàn)在還多是人工驗證，如果利用人臉識別技術就能實現(xiàn)此類工作的自動化，智能化。均可將其歸為以下四大類。(3)快速便捷，具有實時的追蹤能力。所謂人臉識別指從用計算機從圖像或者圖像的序列中檢測到人的臉部，對其進行身份判別。信息的安全的重要性也日益凸顯，普通的身份識別已經(jīng)無法保證信息的安全性。自動化，智能化及科技化已是日常生活的常態(tài)。而人臉作為區(qū)分人與人差異的重要特征，得到了國內(nèi)外研究學者的青睞。(2)采集時非直接接觸人體，容易接受沒有侵犯性。正是這些優(yōu)勢給人臉識別技術帶來了廣泛的應用前景，在國家安全領域，各種各樣的門禁系統(tǒng)，視頻系統(tǒng)、監(jiān)控系統(tǒng)、公安布控、身份驗證等都是典型的應用；在經(jīng)濟和民生領域中，各類存值卡，銀行卡，信用卡等持有人