【正文】 pp(44,1:p)。zeros(1,70),ones(1,10),zeros(1,20)。p3。 pp(95,1:p)。p8=[pp(78,1:p)。 pp(60,1:p)。 pp(42,1:p)。 pp(25,1:p)。 pp(7,1:p)。% 按特征值大小以降序排列dsort = flipud(d1)。,num2str(i),39。最上面一層稱為輸出層，在我們的例子中只包含10個單元，用以輸出與每一組輸入數(shù)據(jù)相對應的分類信息0任何一個中間層單元接受所有輸入單元傳來的信號，并把處理后的結果傳向每一個輸出單元，供輸出層再次加工，同層的神經元彼此不相聯(lián)接，輸入與輸出單元之間也沒有直接聯(lián)接。人臉是一類具有相當復雜細節(jié)變化的自然結構目標，受以下因素的影響，實際中的人臉檢測極具挑戰(zhàn)性：（1）人臉本質上是三維的非剛性可變的物體，人臉由于姿態(tài)、外貌、表情、膚色等不同，具有模式的可變性；（2）一般意義下的人臉上可能存在眼鏡、胡須等附屬物；（3）三維體的人臉的影像不可避免地受到由光照產生的陰影的影響；（4）圖像的質量不一，由于成像的條件和手段不同，圖像可能受噪聲的干擾，前景目標模糊不清，比如人臉與背景區(qū)別不大造成人臉分割的困難，人臉被某些物體遮擋造成人臉特征的提取困難，光源色溫不同造成的膚色分割困難等。而人臉自動定位是這一監(jiān)控方法的第一步，它的性能如何直接決定了監(jiān)控的效果。應用統(tǒng)計學課程設計基于主成分分析和人工神經網絡的人臉識別姓名：崔卓須學號：3101301308姓名：姚順蘭學號：3101301304姓名：陳曉強學號：3101301230專業(yè)：信息與計算科學指導教師：賀文武（博士）2012年12月28日24目錄 2 2 2 2 3 3 4 4 4 4 神經網絡工作 5 分析結果 6 7 7 7 7 8摘要人臉識別技術作為生物特征識別領域中一種基于生理特征的識別技術，是以通過計算機提取人臉的特征，并根據(jù)這些特征進行身份驗證的一種技術。簡單的說，所謂的人臉定位，就是在靜態(tài)圖像或動態(tài)圖像中 標出人臉所在的位置，把人臉選取出來。因此，如果能夠找到解決這些問題的方法，成功的構造出人臉檢測系統(tǒng)，將為解決其它類似的復雜模式的檢測問題提供重要的啟示。這樣，除了神經元的形式定義外，我們又給出了網絡結構。\s39。 %特征值vsort = fliplr(v)。 pp(8,1:p)。 pp(26,1:p)。 pp(43,1:p)]。 pp(61,1:p)。 pp(79,1:p)。 pp(96,1:p)。p4。 zeros(1,80),ones(1,10),zeros(1,10)。 pp(55,1:p)。 pp(33,1:p)。 zeros(1,60),ones(1,10),zeros(1,30)。p2。 pp(94,1:p)。 pp(76,1:p)]。 pp(59,1:p)。 pp(41,1:p)。 pp(24,1:p)。 pp(6,1:p)。d1=diag(d)。e:\ORL\39。在我們的例子中，取20個就足夠了。從圖像背景復雜程度的角度，分為簡單背景人臉檢測（指無背景或背景的特征被嚴格約束，在該條件下只利用人臉的輪廓、顏色、運動等少量特征，就能進行準確檢測）、復雜背景人臉檢測（指背景的類型和特征不受約束，某些區(qū)域可能色彩、紋理等特征與人臉相似，必須利用較多的人臉特征才能做到準確檢測）；從圖片是否包含色彩信息的角度，可以分為彩色圖片人臉檢測和灰度圖片人臉檢測；從圖片是否動態(tài)的角度，可以分為靜止圖像中的人臉檢測、視頻圖像序列中人臉的檢測與跟蹤。如果可以對人臉進行針對性的監(jiān)視，就可以使得應用安全監(jiān)控的部門獲得更多的安全保證。人臉與人體的其他生物特征一樣與生俱來，它們所具有的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提；同其他生物特征識別技術相比，人臉識別技術具有操作簡單、結果直觀、隱蔽性好的優(yōu)越性。而人臉的識別就是把選取出來得人臉與數(shù)據(jù)庫中已有的人臉進行比較，找出匹配的檔案來。本文選擇人臉圖像庫中的110幅人臉作為訓練樣本集。模型中有個單元，即為個主成分，令表示100張訓練照片的編號。,num2str(j),39。 %特征向量%以下選擇90%的能量dsum = sum(dsort)。 pp(9,1:p)。 pp(27,1:p)。p5=[pp(45,1:p)。 pp(62,1:p)。 pp(80,1:p)。 pp(97,1:p)。p5。zeros(1,90),ones(1,10)]。 pp(66,1:p)。 pp(22,1:p)。zeros(1,50),ones(1,10),zeros(1,40)。ps=[p1。 pp(93,1:p)。 pp(75,1:p)。 pp(58,1:p)。 pp(40,1:p)。p3=[pp(23,1:p)。 pp(5,1:p)。[v d]=eig(sigma)。%所有訓練圖像for i=1:10for j=1:11 %有四十個人，每個人取前五張作為訓練樣本a=imread(strcat(39。中間一層稱為處理層或隱單元層，單元個數(shù)適當選取，對于它的選取方法，通過試驗來決定，或許是最好的途徑。從人臉姿態(tài)的角度，可以分為正面人臉檢測、多姿態(tài)人臉檢測（包括側面，俯仰、旋轉等）；從人臉個數(shù)的角度，可以分為單人人臉檢測、未知人臉個數(shù)的檢測。對于監(jiān)控對象的身高，衣著等特征，可以在較模糊圖像中獲 得，但是對人臉部分特征，卻必須要清晰的圖像才能獲得。因此，人臉識別在信息安全、刑事偵破、出入口控制等領域具有廣泛的應用前景。有的文獻也把人臉的定位和識別統(tǒng)稱為人臉識別，定位和識別 則是兩個主要的步驟。用向量表示，從而訓練集可以表示為，110幅人臉圖像的平均人臉圖像為從而得到每張人臉圖像與平均人臉的差值則協(xié)方差矩陣為其中，大小為。當將第個樣本的原始數(shù)據(jù)輸入網絡時，相應的輸出單元狀態(tài)記為，隱單元狀態(tài)記為，輸入單元記為，從中間層到輸出層的權記為，從輸入層到中間層的權記為。.bmp39。dsum_extract = 0。 pp(10,1:p)]。 pp(28,1:p)。 pp(46,1:p)。 pp(63,1:p)。 pp(81,1:p)。 pp(98,1:p)]。p6。net=newff(pr,[20,10],{39。 pp(77,1:p)。x=[ pp(11,1:p)。 zeros(1,40),ones(1,10),zeros(1,50)。 pp(109,1:p)]。 pp(92,1:p)。 pp(74,1:p)。 pp(57,1:p)。 pp(39,1:p)。 pp(21,1:p)]。 pp(4,1:p)。 % M * M 階矩陣%sigma=allsamples*allsamples39。allsamples=[]。在我們的例子中，它只需包括p個單元，即是p個主成分。：人臉檢測問題可以從不同角度來進行分類。例如在安全監(jiān)控應用中，銀行部門的監(jiān)控和安保部門的監(jiān)控，需要對人的各項特征進行有針對性的監(jiān)視。本文對于人臉識別模型的建立基于兩個部分：第一部分，基于主成分分析的特征臉法，通過選擇人臉圖像庫中的110幅人臉作為訓練樣本集。完整的人臉識別系統(tǒng)涉及到決定靜態(tài)圖像或動態(tài)圖像中無人臉、計數(shù)、定位，然后根據(jù)數(shù)據(jù)庫識別出個人，可能的話還要識別出表情，以及根據(jù)臉的圖像做出描述；或者反過來根據(jù)描述挑選匹配的人臉圖像。由于維數(shù)太大，直接求特征向量極困難，考慮矩陣，令該矩陣的特征矩陣為，為對應的特征值矩陣，則有，其中為的第個特征向量