【正文】 ,irow*icol,1)。fontsize39。)。 %輸入要讀取作為判別的文件 InputImage = imread(strcat(InputImage))。Please enter the name of the image and its extension \n39。 %由 t和 dbx的第 h列轉(zhuǎn)置構(gòu)成向量點(diǎn) ,賦給 WeightOfImage WW = [WW。 % 建立一個(gè)空矩陣 omega for h=1:size(dbx,2) WW=[]。fontsize39。 %用均衡直方圖來(lái)提高對(duì)比度 subplot(ceil(sqrt(M)),ceil(sqrt(M)),i) %在 figure4中現(xiàn)實(shí) 33的圖像 imshow(img) %show img drawnow。 %把 u矩陣與 temp矩陣對(duì)應(yīng)的元素進(jìn)行相除 再重新生成 u end % 顯示特征臉 figure(4)。 %建立一個(gè)中間量 temp d(i)為 d數(shù)組中的第 i個(gè)元素 ,將其取 平 方根 ,賦給 temp u=[u (dbx*v(:,i))./temp]。 %將 v的第 i行賦給 kk temp=sqrt(sum(kk.^2))。 % ind(i)的值為 len+1index(i) vtemp(:,ind(i))=v(:,i)。 % dtemp 同理 ,也是與 index同樣大小的零矩陣 vtemp=zeros(size(v))。 d=[d dd(i,i)]。的特征值 [vv dd]=eig(L)。 協(xié)方差矩陣 A=dbx39。 %A矩陣 for i=1:M temp=double(S(:,i))。Mean Image39。 %創(chuàng)建一個(gè) N2N1的矩陣 img=img39。fontsize39。 %執(zhí)行字符串 subplot(ceil(sqrt(M)),ceil(sqrt(M)),i) %同上 形成 33的圖像排列 imshow(img) %顯示圖像 drawnow。 %重構(gòu) img img=img39。 for i=1:M str=strcat(int2str(i),39。 %雙精度 m=mean(temp)。 %由 img的大小來(lái)確定行和列 N1,N2 temp=reshape(img39。,39。39。.pgm39。 %均值 ustd=80。PaUem Anal 參考文獻(xiàn) [1] 肖冰。在課題的研究過(guò)程中，陳老師不厭其煩給我講解，讓我獲得了知識(shí)。 人臉檢測(cè)和識(shí)別是一個(gè)遠(yuǎn)未成熟的學(xué)科領(lǐng)域，雖然在過(guò)去的幾十年里，研究人員在人臉檢測(cè)與人臉識(shí)別方面取得了一系列的成果，但仍然沒(méi)有在本質(zhì)上有很大的突破。目前關(guān)于 PCA 算法研究相當(dāng)一部分都在進(jìn)行 PCA 算法穩(wěn)健性方面的探索和改進(jìn)。 31 （ 3）在 文中提出 歐氏距離分類(lèi)器來(lái)識(shí)別人臉 。本文就人臉識(shí)別算法 的研究及人臉識(shí)別系統(tǒng)的建立已經(jīng)在前面的章節(jié)給出了較為詳盡的論述 。 目前，已有很多學(xué)科分別從不同角度、以不同途徑試圖研究和揭示這當(dāng)中的奧秘，并且希望用計(jì)算機(jī)實(shí)現(xiàn)一個(gè)具有識(shí)別、理解、自學(xué)習(xí)與自適 應(yīng)能量的靈活和智能的視覺(jué)系統(tǒng)。也 就是說(shuō) ， 得到了一組投影系數(shù)向量來(lái)代表待識(shí)別人臉 。（如圖 64） 圖 64 顯示樣本的特征臉 步驟五： 輸入圖像，并重構(gòu)圖像。 （如圖 61） 26 圖 61 訓(xùn)練圖像 步驟二： 用 S(:,i)=(tempm)*ustd/st+um 改變圖像的均值和標(biāo)準(zhǔn)值，對(duì)圖像進(jìn)行 規(guī)格化 。 Matlab 大大降低了對(duì)使用者的數(shù)學(xué)基礎(chǔ)和計(jì)算機(jī)語(yǔ)言知識(shí)的要求，而且編程效率和計(jì)算效率極高 ，還可在計(jì)算機(jī)上直接輸出結(jié)果和精美的圖形拷貝，所以它的確為一高效的科研助手。在此環(huán)境下所解問(wèn)題的 Matlab 語(yǔ)言表述形式和其數(shù) 學(xué)表達(dá)形式相同，不需要按傳統(tǒng)的方法編程。通常，編制程序也是繁雜的，不僅消耗人力與物力 ,而且影響工作進(jìn)程和效率。 24 第五章 基于 PCA 和歐氏距離分類(lèi)器的 程序設(shè)計(jì)及調(diào)試 Matlab 簡(jiǎn)介 在科學(xué)研究和工程應(yīng)用中，往往要進(jìn)行大量的數(shù)學(xué)計(jì)算，其中包括矩陣運(yùn)算。所以判 準(zhǔn) 則式等價(jià)于最大化判別函數(shù) ? ? 0iTii llxf ?? （ 411） 其中 Tii xxl ? ， iTii xxl ?? （ 412） 它滿(mǎn)足線性分類(lèi)器的一般形式。這時(shí)式（ 45） 變?yōu)?N ??LNxxNNjNjiij???? ???1 311 （ 46） 式（ 46）的根即是參數(shù) ? 的取值： ? ?? ? ??? Nj N ji ijN xxLN 1 11? （ 47） 歐式距離分類(lèi)器 距離分類(lèi)準(zhǔn)則是以特征空間中各點(diǎn)間的距離作為樣本相似度量，并以各類(lèi)訓(xùn)練樣本點(diǎn)的集合所構(gòu)成的區(qū)域表示各決策區(qū)，空間中兩點(diǎn)距離越近，認(rèn)為兩樣本越相似。 因此，用這個(gè)方法求出來(lái)的 ? 值只是對(duì)真實(shí)值的一個(gè)逼近。在假設(shè)訓(xùn)練樣本之間互相獨(dú)立的條件下，用極大似然估計(jì)法由訓(xùn)練樣本估計(jì)窗口參數(shù) ? 。具體分類(lèi)器種類(lèi)取決于核函數(shù)的形式或分類(lèi)器參數(shù)估計(jì)準(zhǔn)則。在整個(gè)模式識(shí)別過(guò)程中，分類(lèi)器的設(shè)計(jì)與特征 的選擇和提取是相互獨(dú)立又緊密相關(guān)的兩個(gè)過(guò)程。首先用類(lèi)平均臉對(duì)它進(jìn)行規(guī)范化，設(shè) c類(lèi)訓(xùn)練樣本的平均臉定義為 LcxNm cNi cicc ,...,2,1,1 1 ?? ?? （ 322） 可以構(gòu)造矩陣： ], .. .,[ 21 Lt e s tt e s tt e s tmt e s t mXmXmXX ????? （ 323） 將該矩陣投影到特征臉空間產(chǎn)生投影特征 mtestY? ，即 mtestTmtest XYY ?? ? ， Lmmtest RY ?? ? （ 324） 其中， mtestY? 代表的含義為任一人臉與各類(lèi)平均臉投影到特征臉空間中的坐標(biāo)系數(shù)的差值。為第 c類(lèi)訓(xùn)練樣本的個(gè)數(shù)。 由訓(xùn)練得到特征臉后，將待識(shí)別人臉圖像投影到新的 m 維空間中，即用一系列特征臉的線性加權(quán)來(lái)表示它。 KL 變換的生成矩陣可以是訓(xùn)練樣本集的總體散布矩陣，也可以是訓(xùn) 練樣本集的類(lèi)間散布矩陣，即可采用同一人臉數(shù)張圖像的平均來(lái)進(jìn)行訓(xùn)練，這樣可在一定程度上消除光線等干擾，且計(jì)算量也得到減少，而識(shí)別率不會(huì)下降。把一組圖像按行或列排列為一個(gè)向量，由多個(gè)圖像組成為原始圖像空間。 容 易 求 出 其 特 征 值 i? 及 相 應(yīng) 的 正 交 歸 一 特 征 向 量)1,...,1,0( ?? Miv i 。 定理：設(shè) A是一個(gè)秩為 r的 nr維矩陣， 則存在兩個(gè)正交矩陣：rnr RuuuU ?? ?? ],.. .,[ 110 1?UUT （ 310） rnr RvvvV ?? ?? ],.. .,[ 110 1?VVT （ 311） 以及對(duì)角陣 rrr Rd ia g ?? ??? ], .. . ,[ 110 ??? （ 312） 且 110 ... ???? r??? 滿(mǎn)足 TVUA 21?? 。PCA 算法就是用來(lái)描述和表征細(xì)微差異的有力工具。 由于通常沒(méi)有足夠的訓(xùn)練樣本來(lái)保證類(lèi)內(nèi)離散度矩陣 wS 為滿(mǎn)秩，無(wú)法直接求解（ 37）， 所以存在 “小樣本問(wèn)題 ”。 c? ，每類(lèi)有樣本 ni個(gè)，它們的總體散度矩陣 St（ 即總體協(xié)方差矩陣 ） 、類(lèi) 間 散度矩陣 Sb 和類(lèi)內(nèi) 散度矩陣 Sw 分別定義如下 : ? ?? ?? ?Tiiib mmmmPS 00 ??? ? （ 34） ? ? ? ?? ? }/{1 iTiici iw mXmXEPS ?? ??? ?? （ 35）? ?? ? ? ?? ??? ???????? Ni TTwbt mXmXmXmXESSS 1 0000 }{ （ 36） 其中， P(i?)=ni /N 為第 i類(lèi)訓(xùn)練樣本的先驗(yàn)概率 ， mi =E{X/ i? }為第 i類(lèi)訓(xùn)練樣本的均值imi i mPXEm )(}{ 10 ???? ?為全體訓(xùn)練樣本的均值。 LDA所求解的判別矢量等價(jià)于計(jì)算廣義特征方程的非零特征值對(duì)應(yīng)的特征矢量。但這種基于圖像整體統(tǒng)計(jì)特征提取的方法的缺點(diǎn)是，對(duì)于 外在因素帶來(lái)的圖像差異和人臉表情本身帶來(lái)的差異是不加任何區(qū)分的 。 在人臉識(shí)別中，由于 B的各特征向量呈現(xiàn)出人臉的形狀，一般稱(chēng)為 “本征臉 ”。x．其中 W = A1，一般稱(chēng)為分離矩陣 。用矩陣形式表示為 X =A 第三步：特征選擇從一組特征中挑選出一些最有效的特征作為分類(lèi)用的子集，以進(jìn)一步達(dá)到降維，這個(gè)過(guò)程叫特征選擇。 第二步：特征提取原始特征的數(shù)量可能很大，或者說(shuō)樣本是處于一個(gè)高維空間中，通過(guò)映射 （ 或變換 ） 的方法可以用低維空間表示樣 12 本，這個(gè)過(guò)程叫特征提取。但在使用計(jì)算機(jī)去構(gòu)造識(shí)別系統(tǒng)時(shí)應(yīng)用這些特征是比較復(fù)雜的，而機(jī)器在抽取數(shù)學(xué)特征的能力方面則又比人強(qiáng)的多。我們把原始數(shù)據(jù)組成的空間叫測(cè)量空間，把分類(lèi)識(shí)別賴(lài)以進(jìn)行的空間叫特征空間。一幅圖像中灰度級(jí) kr 出現(xiàn)的概率近似為： ? ? nnrp kkr ? , 1,...,2,1,0 ?? Lk （ 27） 其中， n是圖像中像素的總和， kn 是灰度級(jí)為 kr 的像素個(gè)數(shù)， L為圖像中可能的灰度級(jí)總數(shù)。這樣就增加了像素灰度值的動(dòng)態(tài)范圍，從而達(dá)到增強(qiáng)圖像整體對(duì)比度的效果 。 10 直方圖是數(shù)字圖像處 理中一個(gè)最簡(jiǎn)單、最有用的工具。 為了消除光照強(qiáng)度對(duì)樣本圖像的影響，采用均值方差統(tǒng)一化處理圖像。在實(shí)驗(yàn)中會(huì)處理一些標(biāo)準(zhǔn)的人臉庫(kù) ， 對(duì)圖像進(jìn)行大小歸一化及灰度歸一化等處理 。然后選定一種特征提取算法對(duì)該預(yù)處理過(guò)的圖像進(jìn)行特 征提取的步驟，最后根據(jù)與測(cè)試圖像的比對(duì)來(lái)獲得匹配結(jié)果。 人臉特 征的分類(lèi)與識(shí)別 階段，主要介紹 基于核的非線性 Parzen分類(lèi)器和歐式距離分類(lèi)器。由于圖像的光照以及圖像中人臉的平移和旋轉(zhuǎn)等都會(huì)影響人臉識(shí)別的準(zhǔn)確性，以及為了保證人臉圖像中人臉位置、大小和人臉圖像質(zhì)量的一致性，必須對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化。 課程研究的內(nèi)容 本論文詳細(xì)研究了人臉識(shí)別技術(shù) 的的 應(yīng)用 ，重點(diǎn)在人臉圖像的預(yù)處理、人臉特征提取和人臉識(shí)別做一些嘗試性的工作。張輝，周洪祥，何振亞運(yùn)用對(duì)稱(chēng)主元分析神經(jīng)網(wǎng)絡(luò)，將冗余和權(quán)值正交相結(jié)合的方法提取特征，從而進(jìn)行識(shí)別。 Tibbalds 的主要是研究立體視覺(jué)理論，他從圖像的采集、特征點(diǎn)的選取以及特征點(diǎn)之間的相關(guān)性來(lái)構(gòu)造三維立體人臉圖像。 Raphael Feraud 等利用重疊的神經(jīng)網(wǎng)絡(luò)，多層感知器（ MLP）和約束產(chǎn)生式模型（ CGM），制作了一個(gè) WEB 人臉圖像 檢索系統(tǒng)，其實(shí)驗(yàn)結(jié)果表明，系統(tǒng)能夠快速而準(zhǔn)確進(jìn)行人臉檢測(cè)。 Albert 等提出了 TPCA 方法，在識(shí)別 率上也有所提高。 Penev 等提出的局部特征分析法，其識(shí)別率要高于本征臉?lè)椒ǖ淖R(shí)別率。運(yùn)用幾何特征進(jìn)行識(shí)別是根據(jù)人臉器官的形狀和幾何關(guān)系為基礎(chǔ)，特征矢量與特征矢量之間的相關(guān)匹配，其分量主要是根據(jù)人臉中指定兩點(diǎn)間的歐幾里得距離、曲率、角度等。等強(qiáng)度曲線是對(duì)人臉的凸凹信息作出的反映。固定模板的方法是先設(shè)計(jì)一個(gè)或多個(gè)參考模板，然后計(jì)算測(cè)試樣本與參考模板之間的一個(gè)度量值，根據(jù)這度量值是否大于閾值來(lái)判斷測(cè)試樣本是否為人臉圖像。 人臉識(shí)別的國(guó)內(nèi)外研究現(xiàn)狀 人臉識(shí)別在國(guó)外研究現(xiàn)狀 人臉識(shí)別在國(guó)外的研究，主要有歐美，日本等，綜合有關(guān)文獻(xiàn)，目前的方法主要集中在以下幾個(gè)方面： （ 1） 基于相關(guān)匹配的方法 基于相關(guān)匹配的方法主要有模板匹配法和等強(qiáng)度線法。 目前的人臉識(shí)別方法主要是通過(guò)從視頻流的圖像中提取穩(wěn)定的特征量，隨后通過(guò)一定的算法對(duì)它們進(jìn)行分析匹配，提取出的較穩(wěn)定的特征量，將得到的特征量與待識(shí)別圖像中提取