【正文】 幅原始圖像 256 個(gè)灰度級(jí)，分辨率 112 92。 ORL 人臉圖像是在不同時(shí)間、不同視角、各種表情 (閉眼 /睜眼、微笑 /吃驚 /生氣 /憤怒 /高興 )和不同臉部細(xì)節(jié) (戴眼鏡 /沒(méi)戴眼鏡、有胡子 /沒(méi)胡子、不同發(fā)型 )的條下拍攝的 。 分塊 DCT 實(shí)驗(yàn)研究 子塊大小的選擇 首先 分別取每個(gè)人臉的前 1， 2， 3， 4， 5， 6， 7， 8， 9 張圖片作為訓(xùn)練 樣本集，剩余圖片作為測(cè)試集， 這樣訓(xùn)練集分別為 80、 01 160、 200、 2280、 3 360，測(cè)試集分別為 360、 3 280、 2 200、 160、 1 80、 40。改變分塊 DCT 變換的子塊大小分為 4 4， 8 8， 16 16，得出 識(shí)別正確率 結(jié)果如 如表 41 所 示。 表 41 識(shí)別率隨子塊大小及測(cè)試個(gè)數(shù) 的 變化表 4 4 8 8 16 16 1 2 3 4 5 6 7 8 9 從表 41 的實(shí)驗(yàn)數(shù)據(jù)中可 以發(fā)現(xiàn)，隨著子塊大小的 減小 ，識(shí)別率也相應(yīng)得到提高。當(dāng)測(cè)試樣本數(shù)較少時(shí)，識(shí)別率的增高很明顯。 實(shí)驗(yàn)結(jié)果表明，隨著子塊大子 塊 大 小 測(cè) 試 個(gè) 數(shù) 青島 理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 21 小的減小，識(shí)別率也會(huì)隨之得到提高， 4 4 與 8 8 同 16 16 子塊相比，識(shí)別率得到明顯提升 ，所以子塊大小將從 4 4 與 8 8 中選取； 但 4 4 與 8 8 相比識(shí)別率的提升并不明顯 ， 與此同時(shí)， 子塊大小為 4 4 時(shí)，識(shí)別時(shí)間與子塊大小為 8 8 時(shí)相比明顯增長(zhǎng)。因此，我們最終選擇了子塊大小為 8 8 作為實(shí)驗(yàn)中分塊 DCT 部分的子塊大小。 子塊 DCT 變換 系數(shù)的選擇 首先 依次提取圖像樣本集中 每張 人臉 圖像 ， 并對(duì) 圖像利用排列矩陣的方式 分別進(jìn)行 4 8 16 16 分塊， 對(duì)每個(gè)子塊做 DCT 后 ，得到 N 個(gè)變換系數(shù) ，然后直接取變換系數(shù)矩陣的第一個(gè)系數(shù)平方與系數(shù)矩陣所有系數(shù)的平方和相除，得到每個(gè)子塊 DCT 變換后的變換系數(shù) 中第一個(gè)系數(shù)所占能量比，分別與 、 、 做比較，大于時(shí)的個(gè)數(shù)與總個(gè)數(shù)相除 ， 求出能量比大于 95%、 90%、85%、 80%的子塊所占比例， 得出結(jié)果如 如表 42 所示。 表 42 子塊比例隨子塊大小及能量比 的變化表 95% 90% 85% 80% 4 4 8 8 16 16 從表 42 的實(shí)驗(yàn)數(shù)據(jù)中可以發(fā)現(xiàn)， 當(dāng)子塊大小確定時(shí)，第一個(gè)系數(shù)能量占比大于 85%的子塊比例能達(dá)到 84%以上，大于 80%的子塊比例均能達(dá)到 91%以上；同時(shí)可以看出子塊越小時(shí)，變換系數(shù)矩陣的能量越集中在第一個(gè)系數(shù)的位置。實(shí)驗(yàn)結(jié)果表明，不論子塊大小如何，子塊進(jìn)行 DCT 變換后，能量均會(huì)集中在少數(shù)低頻系數(shù)，即第一個(gè)系數(shù)中，因此，我們實(shí)驗(yàn)時(shí)將提取每個(gè)子塊的第一個(gè) 系數(shù)作為子塊特征。 PCA 實(shí)驗(yàn)研究 本小節(jié)主要研究方向?yàn)?PCA 方法中 維數(shù) 的選擇 。我們使用 MATLAB 軟件實(shí)現(xiàn)基于 PCA 方法的人臉識(shí)別，實(shí)驗(yàn)并記錄改變維數(shù)的選取方式以及選值對(duì)識(shí)別能 量 比 子 塊 大 小 青島 理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 22 率的影響，著重分為兩個(gè)部分：第一，維數(shù)取為指定值時(shí)，第二，取能量和比達(dá)到 指定值時(shí)。 根據(jù)指定值選擇 首先 分別取每個(gè)人臉的前 1， 2， 3， 4， 5， 6， 7， 8， 9 張圖片作為訓(xùn)練 樣本集，剩余圖片作為測(cè)試集， 這樣訓(xùn)練集分別為 80、 1 160、 200、 2280、 3 360，測(cè)試集分別為 360、 3 280、 2 200、 160、 1 80、 40。改變程序中的 PCA 部分，分別指定維數(shù)為 1 2 35，得出分別的識(shí)別率結(jié)果 如表 43 所示。 表 43 識(shí)別率隨維數(shù)及樣本數(shù) 的變化表 5 10 15 20 25 30 35 1 2 3 4 5 6 7 8 9 從表 43 的實(shí)驗(yàn)數(shù)據(jù)中可以發(fā)現(xiàn)， 隨著維數(shù)的增加 ， 識(shí)別率 也會(huì)相應(yīng)的得到提升 ，增高十分明顯 ；當(dāng)維數(shù)較大時(shí)，隨著樣本數(shù)的增多，識(shí)別率提升會(huì)更加明顯。 隨之而來(lái)的問(wèn)題是當(dāng)維數(shù)增大時(shí)，程序運(yùn)行時(shí)間，即人臉圖像識(shí)別時(shí)間大大增加；同時(shí)當(dāng)維數(shù)變化時(shí)，識(shí)別率的變化很不穩(wěn)定。 根據(jù)能量比選擇 首先 分別取每個(gè)人臉的前 1， 2， 3， 4， 5， 6， 7， 8， 9 張圖片作為訓(xùn)練 樣本集，剩余圖片作為測(cè)試集， 這樣訓(xùn)練集分別為 80、 1 160、 200、 2280、 3 360，測(cè)試集分別為 360、 3 280、 2 200、 160、 1 80、 40。改變程序中的 PCA 部分，通過(guò)程度確定達(dá)到指定能量比時(shí)的維數(shù)，分別取能量比為 80%、 85%、 90%、 95%、 99%，得出分別的識(shí)別率結(jié)果 如 表 44 所示。 從表 44 的實(shí)驗(yàn)數(shù)據(jù)中可以發(fā)現(xiàn)， 隨著能量比的提高，識(shí)別率也會(huì)相應(yīng)的得到提升；并且當(dāng)能量比要求高時(shí)，隨著樣本數(shù)的增多，識(shí)別率提升會(huì)更加明顯。當(dāng)能量比維 數(shù) 樣 本 數(shù) 青島 理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 23 達(dá)到 99%時(shí)，識(shí)別效果為最好。 表 44 識(shí)別率隨能量比及樣本數(shù) 的變化表 1 2 3 4 5 6 7 8 9 維數(shù)的選定 我們根據(jù)本文中 及 的實(shí)驗(yàn)以及實(shí)驗(yàn)結(jié)果和分析可以看出，當(dāng)我們選定某一維數(shù)時(shí)，并無(wú)法保證此時(shí) 保存 的特征 向量及特征值足以取代人臉圖像特征 ， 且 當(dāng) 取定 維數(shù)變化時(shí)，識(shí)別率的變化 極其 不穩(wěn)定 ；與之相比，當(dāng)我們根據(jù)能量比來(lái)確定所降維維數(shù)時(shí)，我們可以保證所保存數(shù)據(jù)可代表人臉圖像主成分，且識(shí)別率變化相對(duì)穩(wěn)定。因此，綜合我們的實(shí)驗(yàn)決定，取能量比 99%來(lái)確定維數(shù)，作為算法的最終選定。 人臉庫(kù)實(shí)驗(yàn) 及 仿真 本小節(jié)主要在 ORL 以及 YALE 人臉庫(kù)上對(duì)算法進(jìn)行實(shí)驗(yàn)與仿真，我們使用 MATLAB 軟件實(shí)現(xiàn)多種方法的人臉識(shí)別，實(shí)驗(yàn)并記錄改變?nèi)四樧R(shí)別方法對(duì)識(shí)別率的影響，著重 分為原始圖像識(shí)別，原始圖像進(jìn)行分塊 DCT 變換后進(jìn)行識(shí)別以及對(duì)原始圖像分塊 DCT 變換處理并進(jìn)行 PCA 后進(jìn)行識(shí)別 。 算法實(shí)現(xiàn)過(guò)程 步驟 1 首先 分別依次提取人臉庫(kù)中的 每個(gè)人臉 圖像 ，對(duì)其進(jìn)行 分塊處理。將輸入的標(biāo)準(zhǔn) ORL（ YALE） 人臉庫(kù)中的每幅 112 92（ 231 195） 的人臉圖像縮放為 112 96（ 232 200） 大小，然后 順序地分割成一系列互不覆蓋的 8 8的子塊， 這樣 一幅 112 96（ 232 200） 的圖像經(jīng)過(guò)分割可以得到 168（ 725） 個(gè)能 量 比 樣 本 數(shù) 青島 理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 24 8 8 的子塊。 步驟 2 對(duì)每個(gè) 8 8 的子塊進(jìn)行 DCT，并對(duì)變換后的系數(shù)矩陣進(jìn)行均勻量化。對(duì)于圖像中的每個(gè) 8 8 的小塊做 DCT，可相應(yīng)的得到 8 8 的系數(shù)矩陣。然后，利用標(biāo)準(zhǔn)的亮度量化矩陣對(duì)每個(gè)系數(shù)進(jìn)行均勻量化，得到量化后的系數(shù)矩陣。 根據(jù)本文中 小節(jié)的實(shí)驗(yàn)結(jié)果， 提取每個(gè) 8 8 子塊 DCT 變換后 的 系數(shù)矩陣的第一個(gè)系數(shù)，組成一個(gè) 168 1(725 1)的矩 陣作為特征矩陣。 轉(zhuǎn)置矩陣進(jìn)行依次疊加，形成 168 400(725 165)的訓(xùn)練圖像集。 步驟 3 從訓(xùn)練圖片集中取出每個(gè)人的前 n 張圖片組成訓(xùn)練樣本集，然后分別計(jì)算這些圖像的平均值 ? ，再求出圖像的協(xié)方差矩陣 ， 利用 KL 變換理論計(jì)算特征值和特征向量，求得特征值和特征向量矩陣 V 和 D， 隨后 令特征值從大到小排序。 步驟 4 根據(jù) PCA 方法，選擇總能量集中的前 N 個(gè)最大的特征值對(duì)應(yīng)的 U，保證所選值的和在總特征值中占得比例大于 99%，作為變換矩陣 W，最后把訓(xùn)練樣本集做變換 A=WTX，保留系數(shù) A。 步驟 5 計(jì)算測(cè)試圖像與樣本 圖像之間的 歐氏 距離。 依次取每個(gè)人訓(xùn)練圖片集中除去前 n 張圖片的其他圖片作為測(cè)試集，首先求得其在特征臉空間的坐標(biāo)，然后計(jì)算該坐標(biāo)與訓(xùn)練樣本集中各圖像坐標(biāo)之間的距離。 步驟 6 統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果， 取其歐氏距離最近鄰 圖像作為識(shí)別結(jié)果， 確定測(cè)試樣本所屬的類別，最后將統(tǒng)計(jì)結(jié)果輸出。 ORL 人臉庫(kù)實(shí)驗(yàn) 結(jié)果 首先 分別取每個(gè)人臉的前 1， 2， 3， 4， 5， 6， 7， 8 張圖片作為訓(xùn)練 樣本 集，剩余圖片作為測(cè)試集， 這樣訓(xùn)練集分別為 80、 1 160、 200、 2 280、320，測(cè)試集分別為 360、 3 280、 2 200、 160、 1 80，分別采用原始圖像直接識(shí)別，原始圖像進(jìn)行分塊 DCT 變換后進(jìn)行識(shí)別，以及對(duì)原始圖像分塊DCT 變換處理并進(jìn)行 PCA 后進(jìn)行識(shí)別的三種方法 ，得出識(shí)別正確率結(jié)果如 表 45所示。 青島 理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 25 表 45 識(shí)別率隨樣本數(shù) 與識(shí)別方法 的變化表 1 2 3 4 5 6 7 8 原始識(shí)別 0 原始圖像DCT 處理 0 0 分塊 DCT 處理及 PCA YALE 人臉庫(kù)實(shí)驗(yàn) 結(jié)果 首先 分別取每個(gè)人臉的前 1， 2， 3， 4， 5， 6， 7， 8， 9， 10 張圖片作為訓(xùn)練樣本 集，剩余圖片作為測(cè)試集， 這樣訓(xùn)練集分別為 1 4 60、 7 90、10 1 13 150，測(cè)試集分別為 150、 13 1 10 90、 7 60、 4 15，分別采用原始圖像直接識(shí)別，原始 圖像進(jìn)行分塊 DCT 變換后進(jìn)行識(shí)別，以及對(duì)原始圖像分塊 DCT 變換處理并進(jìn)行 PCA 后進(jìn)行識(shí)別的三種方法 ，得出識(shí)別正確率結(jié)果如表 46 所示。 表 46 識(shí)別率隨樣本數(shù)與識(shí)別方法 的變化表 原始圖像識(shí)別 原始圖像分塊 DCT處理后識(shí)別 原始圖像分塊 DCT處理及 PCA 后識(shí)別 1 0 2 3 4 5 6 7 8 9 10 青島 理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 26 實(shí)驗(yàn)結(jié)果分析 從表 45 及表 46 的實(shí)驗(yàn)數(shù)據(jù)中可以發(fā)現(xiàn)， 隨著樣本數(shù)的增加，識(shí)別率也會(huì)相應(yīng)提高；另外，對(duì)于原始圖像直接識(shí)別方法以及對(duì)原始圖像進(jìn)行分塊 DCT 變換處理后識(shí)別的方法， 圖像識(shí)別率極低，并且 極不穩(wěn)定。實(shí)驗(yàn)結(jié)果表明， 隨著訓(xùn)練樣本的增加，識(shí)別正確率漸漸提高 ；原始圖像直接識(shí)別方法以及對(duì)原始圖像進(jìn)行分 塊 DCT 變換處理后識(shí)別的方法，圖像識(shí)別率極低，同時(shí)極不穩(wěn)定，相比較而言，利用分塊 DCT 變換和 PCA 的方法對(duì)圖像進(jìn)行分塊與降維，可以有效的提高人臉圖像識(shí)別率， 大大地提高識(shí)別效率，并可充分提高對(duì)圖像處理的計(jì)算速度。實(shí)驗(yàn)表明采用分塊 DCT 變換和 PCA 算法來(lái)選 取特征臉進(jìn)行 人臉 識(shí)別的方法 是 一種 可行的 快速算法 。 小結(jié) 本章詳細(xì)討論了分塊 DCT變換和 PCA人臉識(shí)別的算法，并在大量實(shí)驗(yàn)的基礎(chǔ)上對(duì)算法所涉及到的各種參數(shù)作了詳細(xì)的分析和討論： 隨著子塊大小的減小，識(shí)別率也會(huì)隨之得到提高；子塊進(jìn)行 DCT變換后，能量均會(huì) 集中在少數(shù)低頻系數(shù)，即第一個(gè)系數(shù)中； 隨著子空間維數(shù)的增加，識(shí)別率也相應(yīng)的增高，當(dāng)子空間維數(shù)較少時(shí)，識(shí)別率的增加很明顯；選擇同樣的特征子空間維數(shù)，訓(xùn)練樣本數(shù)越多，識(shí)別率越高。 青島 理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 27 第 5 章 總結(jié) 作為生物認(rèn)證技術(shù)之一，人臉識(shí)別具有方便、非接觸式采集和采集成本低等優(yōu)勢(shì)。其中分塊 DCT變換是最近幾年以來(lái)比較常見(jiàn)的圖像處理工具，在人臉識(shí)別領(lǐng)域得到廣泛的發(fā)展，是提取人臉特征的一條更有效的途徑。 本文簡(jiǎn)要概括了人臉識(shí)別的基本知識(shí)和主要技術(shù)，介紹了人臉識(shí)別的研究背景及意義、近年來(lái)的研究發(fā)