【正文】 P特征提取后，提取的特征向量維數(shù)會(huì)比較高，不容易識(shí)別，故而在此之后又對(duì)提取的特征向量分別用PCA和LPP進(jìn)行降維。 圖41 人臉識(shí)別系統(tǒng)總體結(jié)構(gòu) 具體的訓(xùn)練和識(shí)別過(guò)程如下：將ORL上面的400個(gè)人臉圖像通過(guò)gabor小波變換后組成訓(xùn)練樣本集,其中，那么全部人臉圖像均值為：，對(duì)每幅人臉圖像求與均值的差值，其協(xié)方差矩陣為，根據(jù)第三章所提到的計(jì)算方法，求出協(xié)方差矩陣的特征值和特征向量，從而獲得映射矩陣，其中，m是與前m個(gè)最大特征值對(duì)應(yīng)的特征向量，選擇，將訓(xùn)練樣本集全部投影到m維特征空間。同樣，建立測(cè)試人臉庫(kù)，經(jīng)過(guò)gabor小波變換后，再投影到m維特征空間中，然后根據(jù)歐氏距離，通過(guò)求出訓(xùn)練圖像與測(cè)試圖像特征點(diǎn)的距離來(lái)分類。最后確定類別。 ORL人臉庫(kù)實(shí)驗(yàn)分析本文在進(jìn)行人臉識(shí)別實(shí)驗(yàn)所采用的ORL人臉數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)是劍橋大學(xué)貝爾實(shí)驗(yàn)室在1994年制作的，用于測(cè)試人臉識(shí)別算法的人臉圖像數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)包括40個(gè)人在不同時(shí)間拍攝的每人10幅圖像，共400幅256灰度級(jí)的圖像，大小為92 x ，人臉的表情也不一樣(包括睜眼和閉眼，微笑和不笑)，一些人還有戴眼鏡和不戴眼鏡時(shí)的圖像。圖42為ORL中的一部分人臉圖像：圖42 ORL人臉庫(kù) 算法的比較 在本實(shí)驗(yàn)中，將對(duì)Gabor+LBP+PCA，Gabor+LBP+LPP人臉識(shí)別算法進(jìn)行比較。為了能進(jìn)行比較，本文將選擇相同的訓(xùn)練樣本和測(cè)試樣本，將每個(gè)人的1，3，5，6，8五幅作為作為訓(xùn)練樣本，而把剩余的五幅人臉圖像作為測(cè)試樣本，并且在測(cè)試樣本和訓(xùn)練樣本之間不存在重疊, ： Gabor+LBP+PCA的訓(xùn)練樣本和測(cè)試樣本的相似度 訓(xùn)練 相似度測(cè)試2479101%%%%%3%%%%%5%%%%%6%%%%%8%%%%% Gabor+LBP+LPP的訓(xùn)練樣本和測(cè)試樣本的相似度 訓(xùn)練 相似度測(cè)試2479101%%%%%3%%%%%5%%%%%6%%%%%8%%%%% 為了讓大家更直觀的觀看這兩種不同算法降維得到的相似度，為此我將上述兩種不同的相似度畫成了曲線，： Gabor+LBP+PCA和Gabor+LBP+LPP的相似度比較 從上圖我們知道，很明顯上面那條曲線就是Gabor+LBP+LPP采樣和測(cè)試樣本的相似度，下面的曲線則是Gabor+LBP+PCA采樣和測(cè)樣本的相似度。兩者有明顯的區(qū)別，運(yùn)用Gabor+LBP+LPP算法測(cè)試出來(lái)的相似度明顯高于Gabor+LBP+PCA算法。 YALE人臉庫(kù)實(shí)驗(yàn)Yale人臉庫(kù)。本數(shù)據(jù)庫(kù)是耶魯大學(xué)提供的。庫(kù)中包括15個(gè)人的165幅bmp圖像。每人有11幅圖像，每幅圖像都具有不同的表情和外貌的變化：前向光照、戴眼鏡、不戴眼鏡、高興、左側(cè)光照、中性臉、右側(cè)光照、悲哀、假寐、驚奇、眨眼等。圖像的大小為。圖4 .6 yale人臉庫(kù)示例 本設(shè)計(jì)在此人臉庫(kù)中，仍然做了上面相同的實(shí)驗(yàn)，只不過(guò)訓(xùn)練樣本多了個(gè)11，剩余的2，4，7，9，10仍然作為測(cè)試樣本。實(shí)驗(yàn)結(jié)果和orl人臉庫(kù)的結(jié)果差不多，采用Gabor+LBP+PCA得到的相似度在75%~80%之間，而Gabor+LBP+LPP得到的相似度大致都在95%以上。所以實(shí)驗(yàn)表明：不管是orl和yale人臉圖庫(kù)，運(yùn)用Gabor+LBP+LPP算法測(cè)試出來(lái)的相似度明顯高于Gabor+LBP+PCA算法。 本章小結(jié)本章主要對(duì)本論文作一個(gè)總結(jié)性的實(shí)驗(yàn)，通過(guò)實(shí)驗(yàn)，不斷改進(jìn)算法模型。最后我們從實(shí)驗(yàn)中知道，LPP降維算法在orl和yale兩種圖庫(kù)中明顯優(yōu)于PCA降維算法。 LPP 算法是基于非線性流形的一種新的子空間分析方法。故本章主要介紹一種基于 Gabor 小波變換、LBP運(yùn)算和 LPP 的人臉識(shí)別方法，該算法能夠解決 Gabor 濾波器組維數(shù)過(guò)高的問(wèn)題，同時(shí)又彌補(bǔ)了 LPP 方法對(duì)光照、姿態(tài)變化敏感的缺點(diǎn)。實(shí)驗(yàn)結(jié)果表明，利用該方法能夠有效地對(duì)人臉圖像進(jìn)行降維，并且該方法對(duì)光照和姿態(tài)變化具有一定的魯棒性。 結(jié) 論人臉識(shí)別是一個(gè)跨學(xué)科、富有挑戰(zhàn)性的前沿課題，由于人臉識(shí)別中光照、表情、姿態(tài)等方面存在的不確定性，各種理論還有待進(jìn)一步完善和改進(jìn)。對(duì)其深入研究可以促進(jìn)圖像處理、統(tǒng)計(jì)學(xué)習(xí)和計(jì)算機(jī)視覺(jué)等多個(gè)學(xué)科的發(fā)展和成熟。而特征提取是人臉識(shí)別中最重要的步驟，它影響著最終的正確識(shí)別率。目前針對(duì)人臉識(shí)別的特征提取算法的種類很多，本文主要的研究的是基于Gabor人臉特征提取算法的研究，并針對(duì)該算法的一些不足做了些改進(jìn)。通過(guò)對(duì)本課題的研究，也取得了一些成果：對(duì)Gabor變換構(gòu)造的濾波器進(jìn)行了探討，對(duì)Gabor濾波器的良好性質(zhì)有了更明確的認(rèn)識(shí)，進(jìn)一步體現(xiàn)了Gabor變換在人臉特征提取上的優(yōu)越性。 通過(guò)實(shí)驗(yàn)證明，將Gabor小波變換和LBP結(jié)合起來(lái)可以提高人臉識(shí)別率，從而我們可以推斷，將各種方法有機(jī)結(jié)合起來(lái)進(jìn)行人臉識(shí)別是人臉識(shí)別的發(fā)展趨勢(shì)。該方法首先利用 Gabor 小波變換提取原始圖像的 Gabor 幅值特征，再運(yùn)用 LBP 算子(LBP2,16u2)計(jì)算 Gabor 幅值特征的局部二元模式圖譜。 為了解決上面算法提取出的特征向量維數(shù)過(guò)高問(wèn)題，對(duì)此本文又用了PCA和LPP兩種降維算法，并進(jìn)行了對(duì)比，發(fā)現(xiàn)在orl和yale圖庫(kù)上提取的特征向量用LPP算子進(jìn)行降維，相似度效果明顯比PCA算子高。 ，將Gabor+LBP+LPP算法提取的人臉特征和運(yùn)用Gabor+LBP+PCA算子提取的人臉特征進(jìn)行相似度比較。從而展現(xiàn)出算法改進(jìn)的優(yōu)越性。但是也存在一些不足的地方： ，對(duì)不同尺度、不同方向的Gabor濾波器對(duì)人臉不同部位、不同特征的選擇起著異常重要的作用還不是很了解。2. 由于Gabor變換計(jì)算復(fù)雜度高、計(jì)算量大，因此對(duì)于人臉識(shí)別速度有很大的影響。 對(duì)于這次的畢業(yè)設(shè)計(jì)，我們最重要的不是學(xué)會(huì)如何去編程，如何去實(shí)現(xiàn)算法，更重要的是我們學(xué)會(huì)怎樣通過(guò)自己去查閱資料掌握我們要懂的知識(shí)，學(xué)會(huì)自己分析，學(xué)會(huì)自己獨(dú)立去研究。提高我們自學(xué)的能力，使我們即使有一天出去社會(huì)，沒(méi)有老師在身邊，也可以自己獨(dú)立去研究我們的專業(yè)知識(shí)。 參考文獻(xiàn)[1] 張南南,汪正祥．基于Gabor小波的人臉特征提取[J]．自動(dòng)化與儀器儀表，2011，04：．[2] 原理、方法與技術(shù)[M].北京:科學(xué)出版社,2010:133184.[3] 何中市,盧建云,[J].計(jì)算機(jī)科學(xué)，2010，37(5):261364．[4] 張向東，李波．基于Gabor小波變換與PCA算法的人臉識(shí)別方法．電子科技．：7273．[5] 傅一平,李志能, 濾波器的邊緣提取方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)報(bào),2004(4):481486．[6] 葉敬福,[J].計(jì)算程,2005,31(15):172174.[7] 王沖鶄,[J].,30(3):643646.[8] Wiskott L,Fekkous JM,Kruger N,et al. Face reconition by elasticbunch graphmatching[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,1997,19(7):775779.[9] Loris Nann,Dario subGabor for face recognition[J].Pattern Recognition Letters，2007,28(4):487492.[10] Phillips P J,Moon H, Rizvi S A, et al. The FERET evaluationmethodology for facerecognition algorithms[J]. IEEE Transaction on Pattern Analysis andMachine Intelligence,2000,22(10):10901104.[11] [M].北京:電子工業(yè)出版社,2003．[12] MingHusan Yang, David , and Narendra Ahuja,“Detecting Faces in Images: A Survey ”, IEEE transaction on pattern analysis and machine intelligence, , January 2002.[13] 神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別[J].計(jì)算機(jī)應(yīng)用研究,2005:236238.[14] 王新春,[J].微機(jī)發(fā)展,2003:2730.[15] 楊行峻，鄭群里．人工神經(jīng)網(wǎng)絡(luò)與盲信號(hào)處理．清華大學(xué)出版社．2003：4144. 致 謝在我的論文完成之際，謹(jǐn)向在大學(xué)期間給予我指導(dǎo)、關(guān)心、支持和幫助的各位老師、同學(xué)、朋友以及家人致以最真摯的謝意。 我衷心感謝我的指導(dǎo)老師黃傳波，感謝在論文寫作期間，及編寫程序時(shí)，黃老師一直很耐心的指導(dǎo)我，他本來(lái)工作就很忙，但總會(huì)抽出一點(diǎn)時(shí)間來(lái)幫助我，解答我的疑問(wèn)。時(shí)常讓我覺(jué)得很感動(dòng)，為他對(duì)工作的極度負(fù)責(zé)。我一步步的走向成功，我的論文可以如期的完成，離不開黃老師對(duì)我的指導(dǎo)，離不開老師提供了很多寶貴的意見。感謝對(duì)抗0802班所有的同學(xué)，讓我度過(guò)了一個(gè)快樂(lè)的大學(xué)，讓我有一個(gè)安心舒適的環(huán)境完成我的論文。最后我要感謝的是生我養(yǎng)我的父母，是他們辛勤的培育我，讓我能夠順利的上大學(xué)，結(jié)交認(rèn)識(shí)很多志同道合的朋友。大學(xué)即將畢業(yè)了，能順利畢業(yè)不僅是我父母對(duì)我的期望，更是我對(duì)父母的承諾。 附錄一主函數(shù)程序：clcclear all %刪除變量close all %關(guān)閉窗口 [TestDatabaseFile , TestDatabasePath] = uigetfile(39。*.*39。, 39。請(qǐng)選擇識(shí)別圖像文件39。,39。39。)。 TestData=sprintf(39。%s39。,TestDatabasePath,TestDatabaseFile)。InputImage = imread(strcat(TestData))。 %在當(dāng)前路徑下讀取文件%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Img = imread(strcat(TestData))。 sigma = 2*pi。sigma2 = sigma^2。%sigma代表高斯函數(shù)的半徑Kmax = pi/4。f = sqrt(2)。GaborZ = 50。%Z代表二維信號(hào)采樣點(diǎn) n=1。figure。for v=0:1:2 %3尺度 for u=0:1:3 %4方向 j = u+4*v。 Kv = pi*2^((v+2)/2)。 n faiu = pi * u/8。 Kj = [Kv *cos(faiu) Kv *sin(faiu)]。%Kj為濾波器的中心頻率 K2 = norm(Kj39。)。%模運(yùn)算，此式子代表Kj的轉(zhuǎn)置矩陣的模運(yùn)算（奇異值） K2 = K2.^2。 Gab1 = (K2 /(sigma2))。%用來(lái)補(bǔ)償由頻率決定的能量譜的衰弱部分 for zx = GaborZ:GaborZ1%得到矩陣的x方向的尺寸為100~99，Gabor函數(shù)變換要在此范圍之內(nèi) for zy = GaborZ:GaborZ1%得到矩陣的y方向的尺寸為100~99，Gabor函數(shù)變換要在此范圍之內(nèi) x = [zx zy]。 x=x39。 Gab2 = exp(K2 * (zx^2 + zy^2)/(2*sigma2))。%高斯的包絡(luò)函數(shù)部分 Gab3 = (exp(i * Kj * x) exp((sigma2)/2))。%(exp(i * Kj * x)代表振蕩函數(shù)，exp((sigma2)/2)代表直流分量 Gr(zx+GaborZ+1,zy+GaborZ+1) = real(Gab1 * Gab2 * Gab3)。%求小波核的實(shí)部，real代表求一個(gè)復(fù)數(shù)的實(shí)數(shù)部分 Gab(zx+GaborZ+1,zy+GaborZ+1) = norm(Gab1 * Gab2 * Gab3)。%模運(yùn)算，此式子代表Gab1 * Gab2 * Gab3乘積的轉(zhuǎn)置矩陣的模運(yùn)算（奇異值） end end