【文章內(nèi)容簡(jiǎn)介】 7個(gè)文件夾，每個(gè)文件夾 5張訓(xùn)練圖象。如圖 。 5 圖 樣本圖象的訓(xùn)練，利用 MATLAB 對(duì)訓(xùn)練程序運(yùn)行，對(duì)人臉樣本庫(kù)的照片數(shù)據(jù)進(jìn)行訓(xùn)練并儲(chǔ)存。生成的 文件，用于目標(biāo)的檢測(cè)。 第三章 基于 PCA 算法的人臉識(shí)別 PCA 的基本思想 PCA：就是我們通常說(shuō)的主成分分析法，它可以把確定一個(gè)事物的特征提取出來(lái)，舍去沒(méi)有特點(diǎn)的特征值，提取事物的本質(zhì)因素，從而使復(fù)雜的問(wèn)題簡(jiǎn)化。PCA 算法的基本思路就是把一個(gè)高維的圖象降低成一個(gè)低緯圖象，多矩陣降為一列 的矩陣，從而使運(yùn)算簡(jiǎn)單，主要過(guò)程就是算出投影矩陣與提取特征值。 PCA 算法基本數(shù)學(xué)原理 一個(gè)矩陣的維數(shù)很高，如何選擇一個(gè)標(biāo)準(zhǔn)正交基，讓投影矩陣的正交基上可 6 ? ? ? ? ? ?? ? ? ? ? ?? ? ? ? ? ? ???????????????????????????????????))(())(())(())(())(())(()()(())(())((221122222211221122111111kkkkkkkkkkkkuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEC?????????以代表矩陣的最大程度。這是 PAC 要解決的問(wèn)題。 如果 A是一個(gè) n行 k列的矩陣，計(jì)算矩陣 A的協(xié)方差矩陣 C， C的表達(dá)方式如下： 上式中 u=E(x),都是每列向量的期望值，這里指每列向量的平均值。協(xié)方差矩陣中的每個(gè)元素是表示的隨機(jī)向量 X 的不同分量之間的協(xié)方差，如元素 Cij表示的就是隨機(jī)變量 Xi, Xj 的協(xié)方差。協(xié)方差反映變量間的相關(guān)性，如果協(xié)方差是 小，然后兩個(gè)變量之間的相關(guān)系數(shù)很小。 盡管協(xié)方差矩陣的計(jì)算比較簡(jiǎn)單，但可以得出一個(gè)變換矩陣，完全相關(guān)的數(shù)據(jù)，那就是找到一組數(shù)據(jù)的最佳緊湊的方式來(lái)表達(dá)。 接著求出協(xié)方差矩陣 C 的特征值，我們選取前 q（ qk）個(gè)最大的特征值，然后求出這 q 個(gè)特征值對(duì)應(yīng)的特征向量。由于特征值較大，表示矩陣在對(duì)應(yīng)特征向量上的“信號(hào)”越強(qiáng)，或者說(shuō)在特征向量方向上有更多的特征。這 q個(gè)特征向量組合成一個(gè) q*k 的矩陣，就是我們要求的特征矩陣。 投影矩陣的特征矩陣可以通過(guò)一個(gè)新的 N 。 我們使用這個(gè) n*q的投影矩陣“代表”樣本矩陣 A（ n*k），從而實(shí)現(xiàn)了降維。 人臉識(shí)別中 PCA 算法的具體步驟 1．將 m n的訓(xùn)練圖象重新排列為 m*n 維的列向量，例如像矩陣為??????????789456123 ， 7 則排列后的列向量為????????????????????????????987654321。計(jì)算均值向量，然后每個(gè)圖象矩陣都減去均值向量。得到一個(gè)新矩陣 2．對(duì)新矩陣進(jìn)行協(xié)方差運(yùn)算，得到一個(gè) N*N 的方陣，然后求出方陣的特征值與特征向量，一般有 N個(gè)特征值和 N個(gè)特征向量，對(duì)特征值 進(jìn)行從大到小的排練。 3．選取第 2 步所得的 15 個(gè)最大特征值對(duì)應(yīng)的特征向量組成投影矩陣 A，將每張樣本庫(kù)的圖象向矩陣 A投影，得到 15個(gè)新的矩陣。 4．選擇合適的分類器，對(duì)測(cè)試圖像進(jìn)行分類。在人臉識(shí)別中，將圖像重排為列向量，維數(shù)較高。例如若處理的圖像數(shù)據(jù)為 119 92，變?yōu)榱邢蛄縿t為 119 92=10304 維。 所以我們一般需要先對(duì)圖像進(jìn)行處理，處理圖像數(shù)據(jù)為 28 23，變?yōu)榱邢蛄烤褪?28 23=644 維，有助于計(jì)算。 PCA 算法在人臉識(shí)別中的應(yīng)用 根據(jù) PCA 的原理，每一張圖像被看成是一個(gè)高維 的向量，所有的圖像可以被視為這個(gè)高維空間中的一點(diǎn)， PCA 要做的就是找出另外一個(gè)能盡可能多的反應(yīng)圖像特征的低維空間。 如果樣本是 n 張大小為 p*q 的人臉圖像，每個(gè)圖像可以保存為一個(gè)列向量，向量維數(shù)是 p*q，樣本可以被視為一個(gè)行數(shù)為 n，列數(shù)為 p*q 的矩陣，記為矩陣A。 對(duì) A 矩陣進(jìn)行求協(xié)方差，得到一個(gè)方陣，求出特征值與特征向量組成一個(gè)投影矩陣。 對(duì)于圖像的識(shí)別，也被視為一個(gè)列向量，投影到子空間中獲得一個(gè)投影矩陣，然后求出這個(gè)投影矩陣與樣本圖象投影矩陣之間的歐式距離，找出歐式距離最小的那張圖象，這張圖像就是與待識(shí)別圖 像最相近的。然而，不一定在人臉樣本庫(kù) 8 里面，所以判斷是不是相同的人臉，還需要設(shè)置閾值來(lái)判斷人臉識(shí)別。 PCA 人臉識(shí)別優(yōu)缺點(diǎn)分析 主成分分析的人臉識(shí)別方法是基于提取特征值的方法，操作簡(jiǎn)單、提取快速、應(yīng)用性強(qiáng)，它的主要優(yōu)點(diǎn)有： (1)圖象的初始灰度數(shù)據(jù)直接用來(lái)訓(xùn)練和識(shí)別。無(wú)需做中間的處理； (2)不需要人臉的幾何和反射知識(shí)； (3)由于對(duì)圖像數(shù)據(jù)采用低維子空間來(lái)表示，數(shù)據(jù)可以被壓縮，從而精簡(jiǎn)計(jì)算量，提高運(yùn)轉(zhuǎn)速度； (4)與其它人臉識(shí)別的方法相比較， PCA 人臉識(shí)別法簡(jiǎn)單且有效。 然而，由于主成分分析法要求待 辨認(rèn)的圖像與訓(xùn)練集圖像類似，對(duì)圖象訓(xùn)練集和待辨認(rèn)圖像的灰度相關(guān)性非常依。因此該方法具有很大的局限性，主要表現(xiàn)在以下幾個(gè)方面： (1)對(duì)于尺度變化比較敏感，因此需要在辨認(rèn)前進(jìn)行歸一化處理。 (2)人臉圖像處理只能是，側(cè)面人臉的識(shí)別率低，另外當(dāng)人的姿勢(shì)、發(fā)型和環(huán)境等發(fā)生較大變化時(shí)，識(shí)別率將明顯下降。 (3)在人臉樣本圖象庫(kù)比較多的時(shí)候，訓(xùn)練過(guò)程就要進(jìn)行很長(zhǎng)時(shí)間。 因此，為了提高識(shí)別率，減少外部環(huán)境對(duì)辨別結(jié)果的影響，該系統(tǒng)的實(shí)際應(yīng)用中，往往需要結(jié)合其他方法，如小波變換， Gabor 算法，神經(jīng)網(wǎng)絡(luò)算法等等，使用 PCA 方法單獨(dú)開(kāi)發(fā)的系統(tǒng)很難在實(shí)踐中應(yīng)用，但與其它方法結(jié)合可以達(dá)到很好的效果，現(xiàn)在的人臉識(shí)別系統(tǒng)的產(chǎn)品大多數(shù)都是采用幾種方法相結(jié)合的方式。 第四章 人臉識(shí)別系統(tǒng)的實(shí)現(xiàn)及實(shí)驗(yàn)結(jié)果分析 人臉識(shí)別系統(tǒng)的設(shè)計(jì) 9 本次人臉識(shí)別的特征值的提取是基于 PCA 算法，訓(xùn)練樣本分類器使用的是臨近分類器，樣本圖象與待識(shí)別圖象的距離利用的是歐氏距離的計(jì)算方法，最終在 MALTAB 軟件中進(jìn)行仿真。 系統(tǒng)功能介紹 主菜單界面 圖 人臉識(shí)別的主菜單界面 在主菜單界面一共有四個(gè)按鈕：訓(xùn)練樣本， 載入照片，人臉識(shí)別，退出系統(tǒng)。點(diǎn)擊“訓(xùn)練樣本”對(duì)現(xiàn)有人臉數(shù)據(jù)庫(kù)里的圖像全部進(jìn)行計(jì)算統(tǒng)計(jì)，然后將結(jié)果生成一個(gè) 文件。點(diǎn)擊“載入照片”將會(huì)彈出加載圖象的對(duì)話框，點(diǎn)擊“開(kāi)始識(shí)別”按鈕則彈出識(shí)別界面的對(duì)話框。點(diǎn)擊“退出系統(tǒng)”則退出識(shí)別界面 訓(xùn)練圖像 訓(xùn)練樣本的過(guò)程沒(méi)有出現(xiàn)界面，訓(xùn)練樣本的過(guò)程就是計(jì)算人臉樣本庫(kù)里面圖象的灰度值，然后根據(jù) PCA 算法提取人臉樣本的特征值跟特征向量。然后將結(jié)果保存在一個(gè)叫 的文件。這個(gè)文件用來(lái)進(jìn)行人臉識(shí)別，只要在人臉樣本庫(kù)中 更新數(shù)據(jù)之后都需要重新訓(xùn)練一次。在人臉樣本眾多的情況下，樣本訓(xùn)練過(guò)程會(huì)比較慢，人臉識(shí)別過(guò)程也會(huì)相對(duì)復(fù)雜，所以本設(shè)計(jì)只針對(duì)少量樣本 10 的人臉庫(kù)。 載入照片 為了能夠快速、準(zhǔn)確的顯示出識(shí)別效果，載入的識(shí)別圖象需要經(jīng)過(guò) FACESAVE進(jìn)行人臉定位處理過(guò)的圖象。 FACESAVE 軟件既可以處理出灰色的照片，也可以處理出彩色的照片。載入之后，綠色對(duì)話框會(huì)顯示出圖象的來(lái)源位置，有助于操作人的尋找。 圖 人臉識(shí)別的功能與說(shuō)明 人臉識(shí)別過(guò)程與采集過(guò)程有同樣的步驟，首先也是對(duì) 人臉圖象進(jìn)行歸一化的處理，本設(shè)計(jì)圖象像素統(tǒng)一處理為 28*23， ,然后讀取圖象，判斷圖象是否為灰度圖象。如果是，則繼續(xù)，如果不是，則把彩色圖象轉(zhuǎn)化為灰度圖象。轉(zhuǎn)變?yōu)榛叶葓D象后，則圖象增強(qiáng)，調(diào)整圖片矩陣樣式，全部轉(zhuǎn)變?yōu)?1列的矩陣，最后得到的特征矩陣與訓(xùn)練的 “距離”，計(jì)算的特征矩陣的 MAT文件的“距離”，這里的距離是指上述歐氏距離。從中尋找最小值，而后與設(shè)定的閾值相比較，如果比閾值小，就表明是圖人臉樣本庫(kù)的人臉，反之，如果最小距離比閾值大，則表明不是人臉樣本庫(kù)中的 已知人臉，給出相應(yīng)的提示。 圖 人臉的識(shí)別 功能實(shí)現(xiàn)及主要函數(shù)說(shuō)明 11 本設(shè)計(jì)主要有三個(gè)函數(shù)： 、 、 。其中 函數(shù)是歐式距離算法函數(shù)， 函數(shù)式人臉識(shí)別的主界面函數(shù)， 函數(shù)是人臉識(shí)別的算法主函數(shù)。 保存圖像和訓(xùn)練圖像 用電腦攝像頭拍過(guò)照片，得到了人臉圖象，但是這個(gè)人臉圖象必須經(jīng)過(guò)處理一下才能使用，需要將圖象進(jìn)行歸一化。所有圖象需要像素統(tǒng)一，格式統(tǒng)一。所以先使用 FACESAVE進(jìn)行人臉定位處理 ，得到 92*112的圖象。然后將人臉樣本存入人臉樣本庫(kù)。本次設(shè)計(jì)一共用了 7個(gè)文件夾，每個(gè)文件夾代表一個(gè)人，一個(gè)文件夾有 5張樣本圖象。 訓(xùn)練圖象時(shí)，還要經(jīng)過(guò)兩個(gè)圖象的處理， 通過(guò)函數(shù) goalsize = [28 23]將圖片歸一到 28*23，然后使用函數(shù)（ if color == 3 I = rgb2gray(I) I= imadjust(I,stretchlim(I))）對(duì)圖象進(jìn)行灰度處理。接著利用 PCA算法，提取圖象的特征值。最終數(shù)據(jù)保存在 。 人臉識(shí)別的過(guò)程 識(shí)別過(guò)程主要是圖象的輸入、圖像的處理，距離與閾值的比較三部分，與樣本訓(xùn)練過(guò)程相似。是別的過(guò)程簡(jiǎn)單通俗的講，就是把一個(gè)圖象，用幾個(gè)簡(jiǎn)單的數(shù)字來(lái)表示，圖象之間相似度的比較，也就是數(shù)字之間差值的比較，差值越小，就越相似。待識(shí)別的圖像投影到特征臉空間中，然后得到一行特征向量，然后計(jì)算待識(shí)別人臉與圖像庫(kù)中的人臉的歐式距離，找出最小值，該過(guò)程對(duì)應(yīng)于函數(shù)function distance = dist(feature1,feature2)，如果比閾值小，就表明是圖人臉樣本庫(kù)的人臉，在數(shù)據(jù)庫(kù)中的查詢圖像特征的基本信息，并將 結(jié)果輸出到對(duì)話框中，相反，如果最小距離大于閾值，就表明此圖不是人臉樣本庫(kù)里面的圖象，繼而主界面就會(huì)給出相應(yīng)的提示。如圖 。 12 圖 未識(shí)別界面 關(guān)于閾值的范圍確定，有許多方法。本設(shè)計(jì)中，利用帶識(shí)別圖象與樣本圖象距離的多次比較，選取了一個(gè)最大可以識(shí)別的距離作為閾值，這個(gè)閾值能夠很大程度排除不是人臉樣本圖象庫(kù)中的人臉。 實(shí)驗(yàn)結(jié)果 設(shè)計(jì)中有 7個(gè)人的頭像，每個(gè)人有 5張樣本圖象，一共有 35張樣本圖象。 6個(gè)人是用國(guó)外人臉識(shí)別測(cè)試臉型。一人是用筆記本電腦拍攝照片，然后進(jìn)行處理得到的。 在實(shí)驗(yàn) 時(shí)，當(dāng)待識(shí)別圖象的采光與樣本圖象采光相似時(shí)，識(shí)別能夠完全正確，并且表情姿態(tài)的影響很小。但是在兩種圖象采光不相同的情況下，識(shí)別率很低。