【正文】 了 c 個(gè)人的 N幅臉部圖像。對(duì)矩陣B 使用 PCA 算法，求出 M 個(gè)單位正交特征向量 ? 和對(duì)應(yīng)的特征值 ? ，并將特征向量按照其對(duì)應(yīng)特征值大小降序排列。 給訓(xùn)練集設(shè)定一個(gè)閾值 ? ，若存在 1 iM?? 使得 i??? 成立，則可以繼續(xù)判斷圖像 ? 隸屬于訓(xùn)練集中哪個(gè)人，若所有的 i? 都大于 ? ，則判定圖像 ? 不屬于人臉庫(kù)中任何一人。尤其人臉圖 像由于受到環(huán)境條件的影響較大，其表觀都會(huì)發(fā)生不同程度的變化。不難驗(yàn)證，如此計(jì)算得到的 iju 滿足式 ()中兩個(gè)約束條件。 本文在 PCA 降維處理后的特征臉空間中選取 FLDA 作為分類算法而不是 LDA，其主要原因是 FLDA 方法引入了模糊技術(shù)，利用樣本隸屬度信息對(duì)類中心重新計(jì)算，能得到較 LDA 方法更好的類中心估計(jì)，反映在圖像上就是能更好的描述訓(xùn)練圖像由于光照等不確定因素引起的變化，提高了整體算法的識(shí)別率。測(cè)試過程如下： （ 1）按人臉庫(kù)路徑讀取全部人臉圖像，并用矩陣形式存儲(chǔ)在數(shù)據(jù)庫(kù)中 ； （ 2）從全部人臉圖像中隨機(jī)抽取每人 6 張，共計(jì) 90 張圖像作為訓(xùn)練集。每個(gè)人有 10 幅臉部圖像共計(jì) 400 幅灰度圖像，圖像背景為黑色。 平均識(shí)別率： mean(precisionFLDA) =% 方差： std(precisionFLDA) = 識(shí)別曲線如圖 所示： 沈陽(yáng)航空 航天大學(xué) 畢業(yè)設(shè)計(jì)（論文） 27 圖 ORL 上識(shí)別率曲線圖 圖 中，橫坐標(biāo)表示實(shí)驗(yàn)次數(shù)，縱坐標(biāo)表示識(shí)別率百分比。但是計(jì)算機(jī)自動(dòng)人臉識(shí)別卻是一個(gè)高難度的課題，如何利用計(jì)算機(jī)進(jìn)行快速、準(zhǔn)確的人臉識(shí)別是圖像處理和模式識(shí) 別領(lǐng)域的研究熱點(diǎn)與難點(diǎn)。針對(duì)這一問題，本文中采用的解決辦法是在應(yīng)用 FLDA 進(jìn)行特征提取之前先用 PCA 進(jìn)行特征提取， PCA 即主成分分析方法的特點(diǎn)是能在保證均方誤差最小的情況下提取出對(duì)識(shí)別有用的特征信息，去除冗余、 與識(shí)別過程不相關(guān)的無用信息，起到對(duì)原始圖像空間降維的作用，簡(jiǎn)沈陽(yáng)航空 航天大學(xué) 畢業(yè)設(shè)計(jì)（論文） 29 化了計(jì)算的復(fù)雜度，同時(shí)又保證了重建之后的特征臉空間的可分性。 參考文獻(xiàn) [1] 薛明亮 . 人臉識(shí)別的加權(quán)模糊方法 [D]. 大連 : 大連理工大學(xué)控制理論與控制工程 , 20xx [2] 周德龍，高文，趙德斌 . 基于 LDA 和 PCA 的人臉識(shí)別技術(shù)的研究 [J]. 西安工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院學(xué)報(bào) , 20xx [3] 李剛，高政 . 人臉識(shí) 別理論研究進(jìn)展 [J]. 計(jì)算機(jī)與現(xiàn)代化 , 20xx, (5): 16 [4] 張翠平，蘇光大 . 人臉識(shí)別技術(shù)綜述 [J]. 中國(guó)圖象圖形學(xué)報(bào) , 20xx, 5(11): 885894 [5] 邊肇淇，張學(xué)工 . 模式識(shí)別 (第二版 )[M]. 北京 : 清華大學(xué)出版社 , 20xx [6] 梁路宏 . 人臉檢測(cè)與跟蹤研究 [D]. 北京 : 清華大學(xué) , 20xx [7] 余冰，金連甫，陳平 . 利用標(biāo)準(zhǔn)化 LDA 進(jìn)行人臉識(shí)別 [J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào) , 20xx, 15(3): 302306 [8] 唐勇 . 人臉識(shí)別技術(shù)綜述 [J]. 硅谷 . 20xx, 10(9): 2930 [9] 丁晟，蔣曉瑜，汪熙 . 基于 LabVIEW 的圖像處理技術(shù)研究 [J]. 微計(jì)算機(jī)信息 . 20xx, 5(29): 204205 [10] 王敏，段黎明，朱國(guó)濤，李文輝 . 基于 的人臉識(shí)別仿真系統(tǒng)研究 [J]. 科學(xué)技術(shù)與工程 . 20xx, 6(20): 62246226 [11] 謝永林 . LDA 算法及其在人臉識(shí)別中的應(yīng)用 [J]. 計(jì)算機(jī)工程及應(yīng)用 . 20xx, 46(19): 189192 [12] M H Yang， D J Kriegman， N Ahuja. Detecting Faces in Images: A Survey[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence. 20xx, 24(1): 3458 [13] AT amp。 = 165。 = 40。 = 195。 沈陽(yáng)航空 航天大學(xué) 畢業(yè)設(shè)計(jì)（論文） 33 附錄 Ⅰ 源 程序清單 在 Yale人臉庫(kù)中： clear all。但是在實(shí)際應(yīng)用中，外部環(huán)境的不確定性是固有的，所有的這些約束條件在外部環(huán)境中都將成為不確定因素，這將會(huì)很大程度上影響識(shí)別算法的精確度。具體來說本文所完成的工作主要有： 介紹與人臉識(shí)別相關(guān)的一些基礎(chǔ)知識(shí)，包括人臉識(shí)別技術(shù)的課題背景、發(fā)展歷史、現(xiàn)階段研究成果、常用人臉數(shù)據(jù)庫(kù)基礎(chǔ)知識(shí)、人臉識(shí)別系統(tǒng)基本結(jié)構(gòu)、特征提取算法、分類方法及相關(guān)算法原理和思想基礎(chǔ)等。 結(jié) 論 人臉識(shí) 別在所有生物識(shí)別技術(shù)中是最友好的身份識(shí)別技術(shù)，以其隱蔽性，低侵犯性特點(diǎn)，容易被大多數(shù)人所接受；具有方便，成本低，交互性強(qiáng)等優(yōu)點(diǎn)。剩下的每人 4 張，共計(jì) 160 張圖像為測(cè)試樣本。 平均識(shí)別率： mean(precisionFLDA) =% 方差： std(precisionFLDA) = 識(shí)別曲線如圖 所示： 圖 Yale 上識(shí)別率曲線圖 圖 中，橫坐標(biāo)表示實(shí)驗(yàn)次數(shù)，縱坐標(biāo)表示識(shí)別率百分 比。而 matlab 眾所周知擁有強(qiáng)大的矩陣計(jì)算能力，所以本設(shè)計(jì)實(shí)驗(yàn)平臺(tái)選用了 matlab，人臉數(shù)據(jù)庫(kù)則選用 Yale 和 ORL 兩個(gè)常用人臉庫(kù)。針對(duì)這兩個(gè)問題，本文采用先使用 PCA 方法對(duì)人臉空間進(jìn)行降維的方法來解決。記訓(xùn)練集 ? ? ? ?cN XXXxxxX , 2121 ?? ?? ，共包含 c個(gè)人的 N 幅臉部圖像。如果 WS 是非奇異的，那么 LDA 算法準(zhǔn)則函數(shù)為： 12a r g m a xT Bo p t pTW Ww S wW w w ww S w ???? ?? () 其中 ? ?1, 2, ,iw i p? 是與 BS 和 WS 的前 p 個(gè)最大廣義特征值 i? 對(duì)應(yīng)的廣義特征向量，即有： piwSwS iwiiB ,2,1, ??? ? () 廣義特征值個(gè)數(shù)最多 c1 個(gè)，其中 c 是訓(xùn)練集中類別數(shù)。,2,1, ?? () 一幅圖像投影完，可形成一個(gè)向量 12,T n n nnMe e e??????，其中 1,2,nM? ，這個(gè)向量就是原始圖像在特征空間中的表示，每個(gè)分量都代表對(duì)應(yīng)的特征臉在表征這幅圖像中的重要度。如果直接計(jì)算 C 的特征值和特征向量，那么計(jì)算代價(jià)非常高。該方法通過 KL 變換展開式來提取樣本的主要特征。 沈陽(yáng)航空 航天大學(xué) 畢業(yè)設(shè)計(jì)（論文） 15 3 基于子空間分析的人臉識(shí)別方法 人臉識(shí)別 技術(shù) 經(jīng)過多年的發(fā)展，取得了很大的 進(jìn)步 ，涌現(xiàn)出大量的識(shí)別算法。將待測(cè)圖像的特征提取出來之后，接下來就需要利用已經(jīng)提取出來的特征向量來計(jì)算辨析圖像間的相似程度，確定圖像中人臉的身份歸屬。 2212SS? 稱為投影樣本總的類內(nèi)離散度。 為了把兩個(gè)類分開，我們可以嘗試把 d 維空間的樣本直接投影到一條直線上，形成一維空間，即把維數(shù)壓縮到一維。 線性辨別分析 關(guān)于線性鑒別分析 （ LDA） 的研究 可 追溯到 Fisher 在 1936 年發(fā)表的經(jīng)典論文（ Fisher R A. The use of multiple measurements in taxonomic problems），其基本思想是選擇使得 Fisher 準(zhǔn)則函數(shù)達(dá)到極值的向量作為最佳投影方向，從而使樣本在該方向上投影后，達(dá)到最大類間離散度和最小類內(nèi)離散度。最經(jīng)典的做法是用 F1（選取的第一個(gè) 線性組合 ，即第一個(gè)綜合指標(biāo)）的 方差 來表達(dá)，即 Var(F1)越大，表示 F1 包含的信息越多。 日常生活中我們所見到的圖像都是采用像素空間來表征，這種表征方法使圖像看起來精準(zhǔn)易懂，但是這種圖像的維度是很高的，如果把這樣的圖像不經(jīng)處理直接拿來計(jì)算，工作量是非常大的。 圖 ORL 人臉庫(kù)中的圖像變 化 圖 是 ORL 人臉庫(kù)中一個(gè)志愿者的全部十張圖像。 圖 Yale 人臉庫(kù)中的光照變化 圖 給出了 Yale 人臉庫(kù)最大的特點(diǎn)，光照變化的示例，這是 Yale 人臉數(shù)據(jù)庫(kù)中一位志愿者的部分人臉圖像，這三張圖像分別是在正面光照、左側(cè)光照和右側(cè)光照三種約束條件下拍攝的，代表了數(shù)據(jù)庫(kù)中人臉圖像的光照變化情況。任何一個(gè)人臉識(shí)別系統(tǒng)的設(shè)計(jì)成形都需要經(jīng)過測(cè)試、仿真或?qū)嶒?yàn)過程，在這個(gè)測(cè)試的過程中就需要用到包含一定數(shù)量人臉圖像的數(shù)據(jù)庫(kù)來生成人臉識(shí)別系統(tǒng)的訓(xùn)練集和測(cè)試集。 第三章，人臉識(shí)別算法介紹及比較。 本文的主要內(nèi)容與安排 人臉識(shí)別技術(shù)的算法多種多樣，足夠高的識(shí)別率是最重要的指標(biāo)。 人臉辨別：人臉辨別主要是應(yīng)用人臉識(shí)別技術(shù)來辨別未知身份人員的真實(shí)身份。 現(xiàn)今，隨著社會(huì)需求的提高，人臉識(shí)別引起了各個(gè)科研機(jī)構(gòu)的重點(diǎn)關(guān)注，并將研究成果轉(zhuǎn)化為實(shí)用產(chǎn)品。 Kaya 和 Kobaysshi 則采用統(tǒng)計(jì)學(xué)方法，利用歐氏距離來表示人臉的面部特征，如嘴唇和鼻子間距，鼻子高度，兩眼間距離等。最早在 1888 年， Calton 在《 Nature》上發(fā)表了一篇關(guān)于利用人臉進(jìn)行身份鑒別的文章，對(duì)人類自身對(duì)面孔的識(shí)別能力進(jìn)行了分析。（ 4）用戶界面簡(jiǎn)單直接，相比較于文字等信息，圖片信息更 容易被人理解，交互性較強(qiáng)。所謂的生物特征識(shí)別技術(shù)是指通過對(duì)人類固有的特征進(jìn)行自動(dòng)的身份鑒別甄選技術(shù)。 由于人臉識(shí)別對(duì)識(shí)別對(duì)象沒有侵犯性，所以到目前為止是一種最有好的生物特征識(shí)別技術(shù)。 Fuzzy Linear Discriminate Analysis。本文著重討論一種把特征臉和模糊線性判別分析（ FLDA）算法結(jié)合起來進(jìn)行人臉識(shí)別的方法。 該方法利用主成分分析（ PCA）方法求得訓(xùn)練樣本的特征空間，然后在此基礎(chǔ)上計(jì)算 FLDA 算法的特征子空間，進(jìn)一步對(duì)特征臉空間降維。 Eigenface 目 錄 1 緒 論 ............................................................................................................................... 1 人臉識(shí)別的研究背景和意義 ..................................................................................... 2 人臉識(shí)別的發(fā)展史和應(yīng)用 ......................................................................................... 3 發(fā)展歷史及發(fā)展現(xiàn)狀 .......................................................................................... 3 應(yīng)用和分類 .......................................................................................................... 4 本文的主要內(nèi)容與安排 ............................................................................................. 5 2 人臉識(shí)別基礎(chǔ) ................................................................................................................... 7 人臉庫(kù) ......................................................................................................................... 7 Yale 人臉庫(kù) ........................................................................................................... 7 ORL 人臉庫(kù) .......................................................................................................... 8 特征提取 ..................................................................................................................... 8 主成分分析 .......................................................................................................... 9 線性辨別分析 ..................