基于k-l變換的人臉識(shí)別系統(tǒng)-全文預(yù)覽
【正文】 人臉的特征臉向量表示為： （式25） 對(duì)人臉進(jìn)行識(shí)別先選定一個(gè)距離閾值，如果待識(shí)別的人臉圖像投影到特征臉空間后與人臉集空間中點(diǎn)的最小距離仍然大于這個(gè)閾值，則說明待識(shí)別人臉包含的是未知人臉。再將的值從大到小排列，選取前Z個(gè)特征值，使其滿足： （式24）這里的表示樣本集的前Z個(gè)軸上的能量占整個(gè)能量的以上。歸一化人臉庫(kù)后，將庫(kù)中的每人選擇一定數(shù)量的圖像構(gòu)成訓(xùn)練集，其余構(gòu)成測(cè)試集。其中人臉部分表情和細(xì)節(jié)均有變化，例如笑與不笑、眼睛睜著或閉著，戴或不戴眼鏡等，人臉姿態(tài)也有變化，其深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá)20度，人臉尺寸也有最多10%的變化。由這些特征臉?biāo)鶑埑傻目臻g稱為特征臉子空間，需要注意對(duì)于正交基的選擇的不同考慮，對(duì)應(yīng)較大特征值的特征向量(正交基)也稱主分量，用于表示人臉的大體形狀，而對(duì)應(yīng)于較小特征值的特征向量則用于描述人臉的具體細(xì)節(jié)，或者從頻域來看，主 分 量表示了人臉的低頻部分，而此分量則描述了人臉的高頻部分。三．降維如果在原始空間表示一幅N*M 大小的圖片X，那么需要一個(gè)N＝N*M 維矢量，但是當(dāng)把它映射到特征空間后，只需要一個(gè)1維的向量就可。（2） 投影系數(shù)的非相關(guān)性由 SVD 可知, 其中 , mx 是平均人臉。ρXY = 1則X與Y 是相關(guān)的，ρXY = 0，則X 與Y 是不相關(guān)的?？梢詮膱D 1 看到。令和分別是的特征向量和對(duì)應(yīng)的特征值，將特征值按降序排列，那么，離散KL變換核矩陣的行是的特征向量，則變換核矩陣為： （式14）其中對(duì)應(yīng)第個(gè)特征向量的第個(gè)分量。 離散KL變換的基本原理PCA方法是由Turk和Pentlad提出的，它的基礎(chǔ)就是karhunenLoeve變換，也就是KL變換，是一種常用的正交變換。本次設(shè)計(jì)基于MATLAB環(huán)境進(jìn)行編程，使用ORL數(shù)據(jù)庫(kù)的人臉樣本集，利用特征臉方法進(jìn)行識(shí)別，最后對(duì)結(jié)果進(jìn)行分析，給出識(shí)別的準(zhǔn)確率。北方工業(yè)大學(xué) 數(shù)字圖像處理課程設(shè)計(jì)報(bào)告設(shè)計(jì)題目： 基于PCA算法的人臉識(shí)別系統(tǒng)學(xué)院： 信息工程學(xué)院 專業(yè)： 信息與通信工程 姓名： 曹希 班級(jí)： 信研12班 學(xué)號(hào)： 2012312100117 指導(dǎo)教師： 王一丁 2012年 11月 2號(hào)基于PCA算法的人臉識(shí)別系統(tǒng)摘要：計(jì)算機(jī)人臉識(shí)別技術(shù)是近20年才逐漸發(fā)展起來的，是模式識(shí)別中的一個(gè)前沿課題，近年來更是成為科研熱點(diǎn)。PCA方法的基本原理是，利用KL變換抽取人臉的主要成分，構(gòu)成特征連空間，識(shí)別時(shí)將測(cè)試圖像投影到此空間，得到一組投影系數(shù)，通過與各個(gè)人臉圖像比較進(jìn)行識(shí)別。對(duì)應(yīng)于其中較大特征值的基底具有與人臉相似的形狀,故稱其為特征臉。鑒于圖像序列是隨機(jī)變量，度量隨機(jī)變量可用協(xié)方差矩陣表示： （式12）其中表示求期望，表示轉(zhuǎn)置，且，因此，協(xié)方差矩陣可以表示為： （式13）其中，是維的向量，而是階的矩陣。如果w = 1，y就是把x方向?yàn)閣 的直線進(jìn)行投影的結(jié)果。令，稱為隨機(jī)變量X 與Y 的相關(guān)系數(shù)。（1） 基底的非相關(guān)性特征空間基是非相關(guān)的，即UUT = I 。所有原始數(shù)據(jù)在主分量ui上的投影值方差為λi 。 （圖2） 特征臉協(xié)方差矩陣的特征向量中的每一個(gè)單位向量都構(gòu)成一
高考資料相關(guān)推薦
鄂ICP備17016276號(hào)-1