【正文】 = 6。 % The information on the training and testing datasets are specified as below: %================ %YALE %================ = 39。 要想針對性的解決這些不確定因素帶來的識別算法的性能退化，唯一的辦法就是設計一種更加有效的特征提取方法。 FLDA 是一種迭代的線性判別分析方法，在低維模式識別中 FLDA 早已被證明比Fisher LDA 更加有效， FLDA 尤其適用于待識別類數(shù)很多的情況。 同時，人臉識別是模式識別領域中極具挑戰(zhàn)性的研究課題。 （ 5）將全部圖像向最優(yōu)投影矩陣 optV 上投影，得到識別特征，然后利用最近鄰準則判別分析完成人臉識別過程。T 人臉庫，由英國 劍橋大學 ATamp。 Yale 人臉庫 Yale 人臉庫包含 15 位志愿者共 165 張人臉圖像，每人 11 張灰度圖像，包含各種表情、光照下的圖像，并且包含眼鏡等遮擋正面人臉圖像。 2) 應用模糊線性判別分析（ FLDA）方法在特征臉空間中線性分類，計算出最優(yōu)投影 矩陣。,2,1 ?? ?? 表示第 j 幅圖像屬于第 i個人的隸屬度。如果 i? 最小，說明測試圖像 x 和訓練圖像 ix 最相近，可認為圖像 x和 ix 同屬一人。按照式 ()計算新圖像 ? 和訓練集中圖像的距離： 2nn ????? () 其中 1,2, ,nM? 。 構造矩陣 TB AA? ，矩陣 B 的維數(shù)為 MM? 。 在人臉識別領域中 PCA 方法又被成為特征臉方法。所以很難用一個統(tǒng)一的標準對這些算法進行分類。如最近鄰方法、貝葉斯決策、人工神經(jīng)網(wǎng)絡和支持向量機等。顯然，為了使 J 最大，應使兩類均值差越大越好 (各類樣本分布盡量分離開 )，而各類類內(nèi)離散度越小越好 (各類樣本內(nèi)布盡量密集 )。但一般情況下，總可以找到某個方向，使得在這個方向的直線上，樣本的投影能分得最開。 LDA 采用 Fisher 線性判別函數(shù)而得以實現(xiàn)，最初被用于解決兩類的分類問題。如果第一主成分 還 不足以代表原來 P 個指標的信息，再考慮選取 F2 即選第二個 線性組合 ，為了有效反映 原始 信息，F(xiàn)1 中 已有的信息就不再出現(xiàn)在 F2 中， 即 F1 和 F2 的協(xié)方差為零， 稱 F2 為第二主成分， 以此類推 可以構造出第三、第四， …… ，第 P 個主成分。人臉識別系統(tǒng)的第一步工作就是特征提取，也是關鍵性的一步，特征提取的好壞將直接影響測試結果。 特征提取 特征提取是計算機視覺和圖像處理中的一個概念。T 人臉庫，是人臉識別領域最流行的測試數(shù)據(jù)庫之一。按照目前人臉識別技術的水平來看，一個可以應用在任何環(huán)境、在任何可能出現(xiàn)的非正常情況下都能準確無誤進行識別的人臉識別系統(tǒng)是不可能存在的，由此，所有的人臉數(shù)據(jù)庫都會附加一些 約束條件，比如光照強度、光照方向、表情變化、姿態(tài)變化、臉部飾品、人臉尺寸等都受到一定的限制，這些人臉數(shù)據(jù)庫復雜度的高低又影響了對算法性能的評估結果。 第四章，人臉識別算法設計及仿真。先使用特征臉方法（ PCA）將人臉圖像的原始數(shù)據(jù)投影到特征臉空間進行降維，接下來使用 Fisher 臉方法（ LDA），從特征空間里提取最具判別 能力的低維特征，達到進一步降維的作用，最后引入模糊技術改進原始的線性判別分析方法，能更有效的提取判別能力高的、對識別過程有正面效果的信息，盡量消除因訓練圖像中由于光照、姿勢等變化引起的識別性能退化。 視頻監(jiān)視：在視頻監(jiān)視系統(tǒng)中，人臉識別系統(tǒng)的任務目標是在人群中篩選出特定目標并實行跟蹤監(jiān)控，這是一個典型的動態(tài)匹配過 程。 國際上很多公司和研究機構如德國 Cognitec S ystem GmbH、美國 Identix Inc、Viisage 及 Neven Vision、韓國三星、日本東芝、麻省理工學院、密西根州立大學、卡耐基梅隆大學、耶魯大學、新澤西理工學院、休斯敦大學等正在對人臉自動識別技術做更加深入的研究。 Baron將人臉圖像灰度歸一化，再用四個掩模表示人臉，然后分別計算這四個掩模與數(shù)據(jù)庫中每幅標準圖像相互掩模之間的相互關系數(shù)，以此作為判別依據(jù)。 1893 年， Bertillon 用一個簡單的語句與數(shù)據(jù)庫中的某張人臉相連接，同時結合指紋分析，提供了一個完整的身份識別系統(tǒng)。由此可見，人臉識別技術已經(jīng)逐漸成為最有發(fā)展?jié)摿Φ纳锾卣髯R別技術，是當前的熱門研究課題之一。目前，基于這些人類特征，已有相對應的生物識別技術，比如指紋識別、人臉識別、語音識別、虹膜識別、簽名識別、步態(tài)識別等。人臉識別技術就是通過圖像采集設備捕捉人類的臉部區(qū)域，然后把捕捉到的人臉圖像和人臉數(shù)據(jù)庫中的圖像進行匹配分析，進而完成身份識別的任務。人類有著與生俱來的自動識別人臉的能力，能在劇烈變化不確定因素影響下快速且準確的識別人臉，同時進行身份匹配和表情判斷。經(jīng)過 FLDA 降維后的子空間中，同一類別的樣本盡可能靠近，不同類別的樣本盡可能分散（即降維后同一個人的人臉圖像盡可能的靠近，不同人的人臉圖像盡可能的分散開）。在過去的幾十年里，研究者嘗試利用計算機來模仿人類識別人臉的能力，并提出了很多人臉識別的有效算法，利用不同技術提高了人臉 識別算法的平均識別率。 Principal Component Analysis。與傳統(tǒng)的身份驗證方法相比，生物特征識別技術的優(yōu)勢在于生物特征是人類固有的特性，可以從根本上杜絕偽造和竊取的現(xiàn)象，從而滿足了人類對于驗證方式可靠性和安全性方面的需求。 人臉識別的研究背景和意義 人臉識別（ Face Recognition）是一種很重要的生物特征識別技術。（ 3）圖像采集數(shù)據(jù)存儲，成本低廉。 人臉識別的發(fā)展史和應用 發(fā)展歷史及發(fā)展現(xiàn)狀 人們從事人臉識別技術的研究歷史比較悠久。 1972 年， Goldstion， Harmon 等嘗試利用幾何特征表示人臉圖像，他們用 21 維特征向量表征人臉的面部特征，并設計出基于這種表征方法的識別系統(tǒng)。在這之后，美國 LAU 公司研制出一個人臉圖像自動識別系統(tǒng)，這個系統(tǒng)是一個以正常人眼辨別其他人臉的原理，基于生物測量學、人像復原技術而開發(fā)的裝置，利用人臉的1242 個特征點，對人群中待尋找的人進行定量定性的識別，并已應用在機場、車站等公共場所和重點控制地區(qū)。具體來說大多應用在機場、海關或一些保密部門及出入口控制等場所用以替代或輔助證件驗證來甄別出入人員的身份、證件等的真實性。如果防盜門采用人臉識別系統(tǒng)來驗證戶主身份，人們將告別鑰匙；簽證、身份證等如果采用電子證件，人臉識別將會是必不可少的應用之一 ；我國每年僅高考考生就近千萬，如果考生驗證系統(tǒng)采用人臉識別而不是傳統(tǒng)的紙張驗證，無論從安全、快捷、環(huán)保等任何一個角度來看都是一個極大的進步，屆時這個巨大的市場也將大大促進人臉識別技術的發(fā)展。然后介紹了人臉圖像的特征提取方法的基礎知識以及分類器的設計理念和選用的分類方法。 沈陽航空 航天大學 畢業(yè)設計（論文） 7 2 人臉識別基礎 人臉庫 在人臉識別技術的研究中，必不可少的資源之一是人臉數(shù)據(jù)庫。 Yale 人臉庫的主要特點就是光照變化很明顯，且有面部眼鏡遮掩，主要用來測試當前光照和表情變化時，識別算法的性能。該庫是目前使用最廣泛的標準數(shù)據(jù)庫。主要針對高維數(shù)據(jù)的降維處理，通過提取出一部分特征值較高，最具代表性的優(yōu)秀特征，刪除不相關特征以達到降維的目的，最終目的是減少需要處理的數(shù)據(jù)量，簡化分類器計算，提高算法的識別準確率。 通常數(shù)學上的處理 方法 就是將原來 P 個指標作 線性組合 ，作為新的 綜合指標 。這樣可以利用矩陣的奇異值分解 (Singular Value Deposition, SVD)求出 S 的特征值和 特征向量。本文主要研究 Fisher 線性判別函數(shù)如何確定。事實上，為使投影數(shù)據(jù)獲得較好的分離，只要求這兩個均值差比 每類的標準差較大即可，即： ?,2,1,221 ??? iSmm i () 其中，對于屬于一類的投影樣本的類內(nèi)離散度： ? ? ?,2,1,12 ????? imyS ijNji i () 把 22121 SSN???????作為所有樣本的方差估計。 分類器設計 分類器的設計是人臉識別系統(tǒng)設計過程中的一個重要環(huán)節(jié)。 本文在歐氏距離分類的基礎上，應用最近鄰分類器對人臉特征矢量進行分類識別，即定義待測樣本與距離其最近的訓練樣本是屬于同一類別的。 基于 PCA 的特征臉算法 主成份分析（ PCA）方法是模式識別領域里一種占有非常重要地位的特征提取方法。 設 M 幅圖像構成訓練集，記為 12, , , M? ? ? ，則訓練數(shù)據(jù)的協(xié)方差矩陣為： ? ?? ?1M TjjjC ???? ? ? ? ?? () 其中 ? 為均值向量： 11 M iiM? ???? () 令： ? ???? ??????? MA ?, 21 () 則： TAAC? () 顯然， C 的維數(shù)為 ? ? ? ?W H W H? ? ? 。通過 ()式即可將訓練集中的圖像投影到特征空間中： ? ? MkMnuqe nTknk ?????? ,2,1。記訓練集合 ? ? ? ?1 2 1 2, , , , , ,cNG X X X x x x??包含了 c 個人臉 N 張臉部圖像， 則其類間散度矩陣 BS 和類內(nèi)散度矩陣 WS 如下： ? ?? ?1c TB i i iiS N m m m m?? ? ?? () ? ?? ?1 kic TW k ki x XS x m x m??? ? ??? () 式中 , iN 為第 i類訓練樣本總個數(shù)， im 是第 i類均值， m 是所有樣本均值。訓練樣本的隸屬度信息描述了樣本的分布信息，較好的反應訓練圖像中由于光照、姿態(tài)等不確定因素引起的變化。 4 基于 PCA 和 FLDA 的人臉 識別 基于 PCA+FLDA 的人臉識別算法 綜合第三章提到的三種人臉識別算法，不難發(fā)現(xiàn)， FLDA 算法具有最好的分類效果，但 FLDA 算法存在兩個不可避免的問題：第一是由于人臉圖像的高維數(shù)產(chǎn)生的計算復雜問題；第二是 WS 奇異。 整體算法結構圖如下圖所示： 沈陽航空 航天大學 畢業(yè)設計（論文） 21 圖 PCA+FLDA 算法結構圖 實驗仿真 由于圖像的本質(zhì)就是由若干像素點排列成點陣，因此圖像處理可以等同于矩陣計算。隨機抽取測試集待測人 臉圖像如下圖所示： 圖 測試集第 7 張人臉圖像 程序運行結果顯示訓練集中與圖 最相似人臉圖像如下圖： 沈陽航空 航天大學 畢業(yè)設計（論文） 23 圖 訓練集中與圖 最相似人臉圖像 （ 6）相同條件下重復實驗 50 次，求出 PCA+FLDA 算法下的平均識別率和方差，繪制識別率曲線圖。 （ 2）從全部人臉圖像中隨機抽取每人 6 張，共計 240 張圖像作為訓練集。唯一缺點是運算時間稍長，高識別率的獲得付出的代價就是比其它算法都要長的運算時間。 本文的工作重心就在于人臉圖像的特征提取上，大部分工作都是圍繞這一主題來進行的。這些人臉庫中的人臉圖像基本都有一些固定的約束條件存在，比如光照、表情、姿態(tài)、臉部飾物、人臉尺寸等。 最后，感謝大學四年一起生活和學習的同學、老師和朋友，是你們陪伴著我走過了最美好的這四年大學生活，青春在漸行漸遠，但在這輕舞飛揚般的青春里，有你們留給我的最美好的回憶，謝謝你們。 = 231。% * 。 = 15。 T Laboratories Cambridge. The ORL Database of Faces[EB/OL]. 20xx [14] 趙宏偉 . 基于 PCA 針對表情變化的人臉識別技術研究 . 西安電子科技大學 , 20xx [15] 程云鵬 . 矩陣論 [M]. 西安 : 西北工業(yè)大學出版社 , 1989 [16] 李俊山，李旭輝 . 數(shù)字圖象處理 [M]. 北京 : 清華大學出版社 , 20xx 沈陽航空 航天大學 畢業(yè)設計（論文） 31 [17] 徐立中 . 數(shù)字圖像的智能信息處理 (第二版 )[M]. 北京 : 國防工業(yè)出版社 , 20xx [18] 雷英杰 . MATLAB 遺傳算法工具箱及其應用 [M]. 西安 : 西安電子科技大學出版社 , 20xx [19] Allen A L. Personal Descriptions[M]. London: Butterworeh, 1950 [20] T Kanad. Picture processing system by puter and recognition of human face. Kyoto: Kyoto University, 1973 [21] 王昆翔，李衍達，周杰 . 關于人臉圖像自動識別研究中的幾個問題 [J]. 公安大學學報 , 20xx