【正文】 幅原始圖像 256 個灰度級，分辨率 112 92。 ORL 人臉圖像是在不同時間、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 /沒戴眼鏡、有胡子 /沒胡子、不同發(fā)型 )的條下拍攝的 。 分塊 DCT 實驗研究 子塊大小的選擇 首先 分別取每個人臉的前 1， 2， 3， 4， 5， 6， 7， 8， 9 張圖片作為訓(xùn)練 樣本集，剩余圖片作為測試集， 這樣訓(xùn)練集分別為 80、 01 160、 200、 2280、 3 360，測試集分別為 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 識別正確率 結(jié)果如 如表 41 所 示。 表 41 識別率隨子塊大小及測試個數(shù) 的 變化表 4 4 8 8 16 16 1 2 3 4 5 6 7 8 9 從表 41 的實驗數(shù)據(jù)中可 以發(fā)現(xiàn)，隨著子塊大小的 減小 ，識別率也相應(yīng)得到提高。當(dāng)測試樣本數(shù)較少時，識別率的增高很明顯。 實驗結(jié)果表明，隨著子塊大子 塊 大 小 測 試 個 數(shù) 青島 理工大學(xué)畢業(yè)設(shè)計（論文） 21 小的減小，識別率也會隨之得到提高， 4 4 與 8 8 同 16 16 子塊相比，識別率得到明顯提升 ，所以子塊大小將從 4 4 與 8 8 中選??； 但 4 4 與 8 8 相比識別率的提升并不明顯 ， 與此同時， 子塊大小為 4 4 時，識別時間與子塊大小為 8 8 時相比明顯增長。因此，我們最終選擇了子塊大小為 8 8 作為實驗中分塊 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 圖像利用排列矩陣的方式 分別進(jìn)行 4 8 16 16 分塊， 對每個子塊做 DCT 后 ，得到 N 個變換系數(shù) ，然后直接取變換系數(shù)矩陣的第一個系數(shù)平方與系數(shù)矩陣所有系數(shù)的平方和相除，得到每個子塊 DCT 變換后的變換系數(shù) 中第一個系數(shù)所占能量比，分別與 、 、 做比較，大于時的個數(shù)與總個數(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 的實驗數(shù)據(jù)中可以發(fā)現(xiàn)， 當(dāng)子塊大小確定時，第一個系數(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；同時可以看出子塊越小時，變換系數(shù)矩陣的能量越集中在第一個系數(shù)的位置。實驗結(jié)果表明，不論子塊大小如何，子塊進(jìn)行 DCT 變換后，能量均會集中在少數(shù)低頻系數(shù)，即第一個系數(shù)中，因此，我們實驗時將提取每個子塊的第一個 系數(shù)作為子塊特征。 PCA 實驗研究 本小節(jié)主要研究方向為 PCA 方法中 維數(shù) 的選擇 。我們使用 MATLAB 軟件實現(xiàn)基于 PCA 方法的人臉識別，實驗并記錄改變維數(shù)的選取方式以及選值對識別能 量 比 子 塊 大 小 青島 理工大學(xué)畢業(yè)設(shè)計（論文） 22 率的影響，著重分為兩個部分：第一，維數(shù)取為指定值時，第二，取能量和比達(dá)到 指定值時。 根據(jù)指定值選擇 首先 分別取每個人臉的前 1， 2， 3， 4， 5， 6， 7， 8， 9 張圖片作為訓(xùn)練 樣本集，剩余圖片作為測試集， 這樣訓(xùn)練集分別為 80、 1 160、 200、 2280、 3 360，測試集分別為 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，得出分別的識別率結(jié)果 如表 43 所示。 表 43 識別率隨維數(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 的實驗數(shù)據(jù)中可以發(fā)現(xiàn)， 隨著維數(shù)的增加 ， 識別率 也會相應(yīng)的得到提升 ，增高十分明顯 ；當(dāng)維數(shù)較大時，隨著樣本數(shù)的增多，識別率提升會更加明顯。 隨之而來的問題是當(dāng)維數(shù)增大時，程序運行時間，即人臉圖像識別時間大大增加；同時當(dāng)維數(shù)變化時，識別率的變化很不穩(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，剩余圖片作為測試集， 這樣訓(xùn)練集分別為 80、 1 160、 200、 2280、 3 360，測試集分別為 360、 3 280、 2 200、 160、 1 80、 40。改變程序中的 PCA 部分，通過程度確定達(dá)到指定能量比時的維數(shù)，分別取能量比為 80%、 85%、 90%、 95%、 99%，得出分別的識別率結(jié)果 如 表 44 所示。 從表 44 的實驗數(shù)據(jù)中可以發(fā)現(xiàn)， 隨著能量比的提高，識別率也會相應(yīng)的得到提升；并且當(dāng)能量比要求高時，隨著樣本數(shù)的增多，識別率提升會更加明顯。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（論文） 23 達(dá)到 99%時，識別效果為最好。 表 44 識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 的實驗以及實驗結(jié)果和分析可以看出，當(dāng)我們選定某一維數(shù)時，并無法保證此時 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，識別率的變化 極其 不穩(wěn)定 ；與之相比，當(dāng)我們根據(jù)能量比來確定所降維維數(shù)時，我們可以保證所保存數(shù)據(jù)可代表人臉圖像主成分，且識別率變化相對穩(wěn)定。因此，綜合我們的實驗決定，取能量比 99%來確定維數(shù)，作為算法的最終選定。 人臉庫實驗 及 仿真 本小節(jié)主要在 ORL 以及 YALE 人臉庫上對算法進(jìn)行實驗與仿真，我們使用 MATLAB 軟件實現(xiàn)多種方法的人臉識別，實驗并記錄改變?nèi)四樧R別方法對識別率的影響，著重 分為原始圖像識別，原始圖像進(jìn)行分塊 DCT 變換后進(jìn)行識別以及對原始圖像分塊 DCT 變換處理并進(jìn)行 PCA 后進(jìn)行識別 。 算法實現(xiàn)過程 步驟 1 首先 分別依次提取人臉庫中的 每個人臉 圖像 ，對其進(jìn)行 分塊處理。將輸入的標(biāo)準(zhǔn) ORL（ YALE） 人臉庫中的每幅 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)過分割可以得到 168（ 725） 個能 量 比 樣 本 數(shù) 青島 理工大學(xué)畢業(yè)設(shè)計（論文） 24 8 8 的子塊。 步驟 2 對每個 8 8 的子塊進(jìn)行 DCT，并對變換后的系數(shù)矩陣進(jìn)行均勻量化。對于圖像中的每個 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)的亮度量化矩陣對每個系數(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)的實驗結(jié)果， 提取每個 8 8 子塊 DCT 變換后 的 系數(shù)矩陣的第一個系數(shù)，組成一個 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人的前 n 張圖片組成訓(xùn)練樣本集，然后分別計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 個最大的特征值對應(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 計算測試圖像與樣本 圖像之間的 歐氏 距離。 依次取每個人訓(xùn)練圖片集中除去前 n 張圖片的其他圖片作為測試集，首先求得其在特征臉空間的坐標(biāo)，然后計算該坐標(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)計實驗結(jié)果， 取其歐氏距離最近鄰 圖像作為識別結(jié)果， 確定測試樣本所屬的類別，最后將統(tǒng)計結(jié)果輸出。 ORL 人臉庫實驗 結(jié)果 首先 分別取每個人臉的前 1， 2， 3， 4， 5， 6， 7， 8 張圖片作為訓(xùn)練 樣本 集，剩余圖片作為測試集， 這樣訓(xùn)練集分別為 80、 1 160、 200、 2 280、320，測試集分別為 360、 3 280、 2 200、 160、 1 80，分別采用原始圖像直接識別，原始圖像進(jìn)行分塊 DCT 變換后進(jìn)行識別，以及對原始圖像分塊DCT 變換處理并進(jìn)行 PCA 后進(jìn)行識別的三種方法 ，得出識別正確率結(jié)果如 表 45所示。 青島 理工大學(xué)畢業(yè)設(shè)計（論文） 25 表 45 識別率隨樣本數(shù) 與識別方法 的變化表 1 2 3 4 5 6 7 8 原始識別 0 原始圖像DCT 處理 0 0 分塊 DCT 處理及 PCA YALE 人臉庫實驗 結(jié)果 首先 分別取每個人臉的前 1， 2， 3， 4， 5， 6， 7， 8， 9， 10 張圖片作為訓(xùn)練樣本 集，剩余圖片作為測試集， 這樣訓(xùn)練集分別為 1 4 60、 7 90、10 1 13 150，測試集分別為 150、 13 1 10 90、 7 60、 4 15，分別采用原始圖像直接識別，原始 圖像進(jìn)行分塊 DCT 變換后進(jìn)行識別，以及對原始圖像分塊 DCT 變換處理并進(jìn)行 PCA 后進(jìn)行識別的三種方法 ，得出識別正確率結(jié)果如表 46 所示。 表 46 識別率隨樣本數(shù)與識別方法 的變化表 原始圖像識別 原始圖像分塊 DCT處理后識別 原始圖像分塊 DCT處理及 PCA 后識別 1 0 2 3 4 5 6 7 8 9 10 青島 理工大學(xué)畢業(yè)設(shè)計（論文） 26 實驗結(jié)果分析 從表 45 及表 46 的實驗數(shù)據(jù)中可以發(fā)現(xiàn)， 隨著樣本數(shù)的增加，識別率也會相應(yīng)提高；另外，對于原始圖像直接識別方法以及對原始圖像進(jìn)行分塊 DCT 變換處理后識別的方法， 圖像識別率極低，并且 極不穩(wěn)定。實驗結(jié)果表明， 隨著訓(xùn)練樣本的增加，識別正確率漸漸提高 ；原始圖像直接識別方法以及對原始圖像進(jìn)行分 塊 DCT 變換處理后識別的方法，圖像識別率極低，同時極不穩(wěn)定，相比較而言，利用分塊 DCT 變換和 PCA 的方法對圖像進(jìn)行分塊與降維，可以有效的提高人臉圖像識別率， 大大地提高識別效率，并可充分提高對圖像處理的計算速度。實驗表明采用分塊 DCT 變換和 PCA 算法來選 取特征臉進(jìn)行 人臉 識別的方法 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人臉識別的算法，并在大量實驗的基礎(chǔ)上對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，識別率也會隨之得到提高；子塊進(jìn)行 DCT變換后，能量均會 集中在少數(shù)低頻系數(shù)，即第一個系數(shù)中； 隨著子空間維數(shù)的增加，識別率也相應(yīng)的增高，當(dāng)子空間維數(shù)較少時，識別率的增加很明顯；選擇同樣的特征子空間維數(shù)，訓(xùn)練樣本數(shù)越多，識別率越高。 青島 理工大學(xué)畢業(yè)設(shè)計（論文） 27 第 5 章 總結(jié) 作為生物認(rèn)證技術(shù)之一，人臉識別具有方便、非接觸式采集和采集成本低等優(yōu)勢。其中分塊 DCT變換是最近幾年以來比較常見的圖像處理工具，在人臉識別領(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。 本文簡要概括了人臉識別的基本知識和主要技術(shù)，介紹了人臉識別的研究背景及意義、近年來的研究發(fā)