【正文】 點，而且對濾除脈沖干擾是最有效的。圖像模糊是圖像遭受了平均或積分運算造成，可以通過對圖像進行逆運算來使圖像變得清晰?；叶葰w一化是為了使不同灰度值的圖像具有統一灰度。常用校正法有直接幾何校正法和間接結合校正法。39。 主成分分析 可 以有效 的找出數據中最“主要 ”的元素和結構，去除噪聲和冗余，將原有的復雜數據降維 處理 ， 揭示 出 隱 藏在 復 雜數據 背 后的 簡 單結構 。 二 、 例子 在實驗科學中 常 常遇到的情況是， 使用大量的變量代表可能變化的因素，例如光譜、電壓、速度等等。 圖 對于一個具有先驗知識的實驗者來說，這個實驗是非常容易的。 怎樣從這些數據中得到球是沿著某個 x 軸運動的規(guī)律呢？怎樣將實驗數據中的冗余變量剔除，化歸到這個潛在的 x軸上呢？ 在 真實的實驗場景 中 ，數據的噪音是必須面對的因素。而新的基要能盡量揭示原有的數據間的關系。最普通的一組正交基是標準正交基，實驗采樣的結果通常可以看作是在標準正交基下表示的。 這是一個非常 好 的假設 ， 它使問題得到了很大程度的簡化 ，具體表現為 數據被限制在一個向量空間中，能被一組基表示 ，并且還 隱含的假設了數據間的連續(xù)性關系。 yi表示 Y的列向量。問題轉化為如下的形式： 怎樣才能最好的表示原數據 X？ P的基怎樣選擇才是最好的 ? 解決問題的關鍵是如何體現數據的特征 。 它表示了采樣點在平均值兩側的分布，對應于圖表 (a)就是采樣點云的 “ 胖瘦 ” 。那么，最大限度的揭示原數據的結構和關系，找出潛在的最優(yōu) 的 x 軸，事實上等價尋找一對空間內的垂直直線（ 圖中黑線表示，也對應于此空間的一組基 ）， 使得信噪比盡可能大的方向。 r1和 r2分別表示兩個不同的觀測變量。這也就是 PCA 中“ 降維 ” 思想的本源 。一般來說，這種情況發(fā)生可能是因為攝像機 A和攝像機 B放置的位置太近或是數據被重復記錄了，也可能是由于實驗設計的不合理所造成的。這樣可能會是 兩種情況： 1）該變量對結果沒有影響； 2）該變量可以用其它變量表示，從而造成數據冗余。 假設攝像機 A 拍攝到的數據如表 (a)所示，圓圈代表采樣點，因為運動理論上是只存在于一條直線上，所以偏離直線的分布都屬于噪音。事實上，這個假設等價于一個低通的濾波器，是一種標準的除 噪準則。它對原數據 X 進行重新表示。它們間的轉換關系為 PXY? （ ） 有如下定義： pi表示 P的行向量。 在線形代數中， 這組基表示為行列向量線形無關的單位矩陣。 抽象一點來說，每一個采樣點數據 X 都是在 m 維向量空間（此例 m=6）內的一個向量，這里的 m 是 涉及到的 變量個數。下文將結合以上的例子提出解決 方法 ，逐步敘述 PCA畢業(yè)設計（論文） XXVII 方法的思想和求解過程 。事實上，在真實世界中也并沒有所謂的 x,y,z 軸，每個攝像機記錄下的都是一幅二維的圖像，有其自己的空間坐標系，球的空間位置是由一組二維坐標記錄的： [(xA,yA)(xB,yB)(xC,yC)]。如圖表 所示 ， 這是一個理想彈簧運動規(guī)律的測定實驗。隨后將揭示 PCA 與SVD(Singular Value Deposition)之間的聯系以及如何將之應用于真實世界。 畢業(yè)設計（論文） XXV 第 四 章 人臉 識別 第一節(jié) 主成分分析基本理論 一 、 什么是 主成分分析 ？ 主成分分析為 Principle ponent analysis[10,11,12]的中文翻譯，其英文簡寫為PCA。變換式為 39。旋轉是為了 使兩眼保持在水平位置。若 k 過小會導致銳化效果不明顯?；谙袼丶訖噙\算的濾波器屬于線性濾波器，均值濾波器和高斯濾波器都屬于線性濾波器，而中值濾波器為非線性濾波器。中值濾波器在處理連續(xù)圖像窗函數時與線性濾 波器的工作方式類似，但濾波過程不再是加權運算。通過調節(jié) ? ，可在圖像特征過分模糊（過平滑）與平滑圖像中過多突變量（欠平滑）間取得折中。二維零均值離散高斯函數為： 222()2[ , ] ijg i j e ???? （ ） 一般而言，一幅圖像的邊緣方向是事先無法知道的，因此，在濾波前是無法確定一個方向是否比另一個方向需要更多的平滑。 1. 均值濾波器 均值濾波是對信號進行局部平均，以平均值來代表該像素點 來代表該像素點的灰度值，即每個像素值用其局部鄰域內所有值的均值置換： ( , )1h [i,j] = [ , ]k l N f k lM ?? （ ） 其中， M 是鄰域內像素點總數。其主要在于根據圖像灰度分布和實際的需求選擇合適的映射函數。常用的圖像二值化選擇方法如下： 整體閥值法：在二值化時候只使用一個全局閥值 t。( , ) ( ( , ) )bag i j a f i j aba?? ? ?? （ ） 分段線性變換：假設圖像為 (, )f i j 灰度變化范圍為 [0, ]fM，變 換后的圖像為(, )gi j ，目標的 灰度變化范圍為 [ , ]ab ，想使灰度變化到 [ , ]cd ，則 對應關系為 ( / ) ( , ) 0 ( , )( , ) [ ( ) / ( ) ] [ ( , ) ] + c ( , )[ ( ) / [ ] ] ( , )g f fc a f x y f x y ag x y d c b a f x y a a f x y bM d M b d b f x y M? ???? ? ? ? ? ??? ? ? ? ? ?? （ ） 非線性 變換：使用非線性函數作為映射函數如對數函數，進行灰度變換。利用彩色圖像進行人臉識別存在較多缺陷，而灰度圖像為一種最簡單有效的對比增強方法。 PNG 同樣支持透明圖像的制作。 五 、 PNG 格式 PNG，圖像文件存儲格式，其 目的是替代 GIF 和 TIFF 文件格式，同時增加一些GIF 文件格式所不具備的特性。 PNG（ Portable Network Graphics，便攜網絡圖形）標準就在這個背景下應運 而生了。目前幾乎所有相關軟件都支持它，公共領域有大量的軟件在使用 GIF 圖像文件。 Windows 以后的 BMP 圖象文件與顯 示 設 備 無 關 ， 因 此 把 這 種 BMP 圖 象 文 件 格 式 稱 為 設 備 無 關 位 圖DIB(deviceindependent bitmap） 格式 。 JPEG2021 格式有一個極其重要的特征在于它能實現漸進傳輸，即先傳輸圖像的輪廓，然后逐步傳輸數據，不斷提高圖像質量，讓圖像由朦朧到清晰顯示。 JPEG 使用有損壓縮方法去除冗余圖像和彩色數據，獲得了較高的壓縮率，同時還可以給人豐富生動的視覺感受，即可以使用最小的磁盤存儲較好的圖像質量。在人臉圖像獲取和人臉分畢業(yè)設計（論文） XV 割兩個小節(jié)中主要介紹常用的人臉獲取方法及獲取人臉原始圖像后如何分割出我們需要部分的方法 ，也為后面人臉圖像數據庫打下了基礎。有輕微的姿態(tài)變換，無光照變換 。這樣 做的目的是為了增加難度 。T 實驗室建立 由 40 位志愿者的 400 幅圖像組成，其中部分志愿者 的圖像還有姿態(tài)，表情和光照的變化。設計一個在所有變化情況下都能正確識別的系統是非常困難的，而且也沒有必要。該方法當前研究的區(qū)別在于區(qū)域性質差異上。此方法只考慮了圖像的灰度信息，拋棄了圖像的其他信息。采集到圖畢業(yè)設計（論文） XIII 像中人臉區(qū)域顏色和紋理變化較大，因此如果要實現精確分割，只利用圖像的數據信息是不夠的，所以實際中基于模型的方法使用的比較多。 第二 節(jié) 人臉分割 人臉識別是通過對人臉進行精確定位，并從圖像中提取人臉區(qū)域。 但同時也帶了問題，動態(tài)人臉圖像序列里的某一幅圖像可能會產生瞬間模糊，這將會影響其識別率。常用的 采集設備有數碼相機，數碼攝影機等。 四 、 特征匹配 特征匹配 是計算兩個人臉圖像特征樣本的特征模塊間的 相似 度 即將采集到的人臉圖像的特征模版與系統中已存儲的特征模版進行比對， 并輸出最佳匹配對象。映射 后的特征稱為二次特征，它們是原始特征的某種組合，通常是線性組合。在樣本數不是很多的情況下，可以利用這些特征進行分類器的設計，但是在大多數情況下，由于測量空間的維數很高，不能直接進 行分類器的設計。他們一般以人臉圖像在圖像結構和人臉信號分布的先驗知識為依據。本文的實驗是在人臉圖像正面姿態(tài)，光照正常，表情正常，部分面部圖像有小范圍 遮擋的情況下進行的。 面部表情的變化為面部特征點的運動。 復雜條件下的人臉檢測與關鍵點定位是目前人臉識別急需解決的問題之一。在復雜背景下快速有效檢測和分割人臉技術還需進一步的研畢業(yè)設計（論文） VIII 究。它被認為是傅里葉 分析的突破性的發(fā)展。 畢業(yè)設計（論文） VII 第二節(jié) 人臉識別 的發(fā)展 趨勢 人臉識別至今雖然取得了豐碩的研究成果， 但是還有很多問題需要解決。 Shashua 等人基于上圖像的人臉圖像識別與繪制技術 [6,7]。 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 數據庫 上達到了非常 好的性能。 局部特征分析 由 Atick 等提出。 Belhumeur 等人的 Fisherface 方法也是此階段一個重要的成果。 研究的重點主要在剪影 上。 第三章 主要 介紹 常用 的 人臉圖像預處理 方法 。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。 本文為了更好的分析基于 PCA 人臉識別系統的性 能選用了 Essex 人臉數據庫。 而 生物特征的 獨一無二 ， 不易 丟失和 被 復制 的特性 很好滿足了 身份識別 的需要 。 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。接著 使用 PCA提取人臉特征 ， 使用 奇異值分解定理 計算 協方差 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 人臉識別 領域 ，很多先進的識別算法都是在其基礎上的改進。 在 他 的文章，他 使 用一組數字表示相異的人臉側面特征 ， 同時還對 人類本身的人臉識別能進行了研究分析。 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，如 Identix（原為 Visionics）公司的 FaceIt 系統。 彈性匹配技術 [1]為另一個重要方法。局部 特征分析技術 已 商業(yè)化為 著名 FaceIt 系統。有大量的研究人員從事這方面的研究。 從整個人臉識別的研究歷史來看，基于 PCA 的特征臉 [8,9]識別方法占據了非常重要的地位，也對后來的人臉識別技術產生甚遠的影響。但是各種技術和方法都有自己不同的適應環(huán)境和各自的 特 點 。 如果能結合兩者的優(yōu)勢，將會取得人臉識別不錯的效果。 如何有效的表達人臉特征將是其研究的重點。 三 、 資 態(tài)問題 對于姿態(tài)的研究相對不多，現在人臉識別算法主要以正面 或準正面姿態(tài)。并且同一個人的 不同表情之間也沒有明確的界限。這是人臉識別的第一步。 本文講解如何使用 PCA 算法提取人臉特征，進而實現人臉識別。 1. 特征形成 特征形成是根據被識別對象產生出一組基本特征的過程，當被識別的對象是波形或數字圖像時，這些特征可以通過計算得來；當被識別對象是實物或某種過程時，這些特征可以用儀表或傳感器測量來得到。從而使得特征選擇和特征提取的任務復雜化。在 人臉識別的研究概況 小節(jié)主要 講解人臉識別的研究 概況 及基于 PCA 人臉識別算法實現的研究意義。另外，人臉圖像采集的形式不同也會影響識別率。同時建立人臉圖像間的相關性是有必要的，可以有效的提高識別率。 人臉 分割 比較經典的方法有數據驅動和模型驅動。但是這個方法也存在問題，實際中由于噪聲的圖像的影響，常常會檢測到假的邊緣，從而導致錯誤的分割。首先把圖像分割成較小的區(qū)域，有可能非常小，甚至可能是一個像素。模型方法具有豐富的先驗知識，在實際中具有很好的適應性和魯棒性。 常用人臉數據庫如下： 畢業(yè)設計（論文） XIV 國外 人臉 數據庫 的有 FERET 人臉數據庫， MIT 人臉數據庫， YALE 人臉數據 庫，PIE 人臉數據庫， ORL 人臉數據庫 ， AR 人臉數據庫 和 Essex 人臉數據 庫 。采集是在嚴格控制攝像機參數，光照變化，攝像機距離等條件下進行的。 英國 埃塞克斯大學 計算機視覺研究項目 鼓勵研究者公布使用這個數據庫取得人臉識別結果 。該數據庫根據不同的變化因素又分為 7 種 模式子庫。 畢業(yè)設計（論文） XVI 第 三 章 人臉圖像的預處理 第一節(jié) 人臉圖像格式 在計算機 中 任何信息都是以文件的形式存儲，圖像信息也不例外，它經過采樣，