【正文】 五、主要參考文獻(xiàn) 1 張翠平，蘇光大．人臉識(shí)別技術(shù)綜述．中國圖像圖形學(xué)報(bào)．2000，5(11)：56~582 龔勛．PCA與人臉識(shí)別即其理論基礎(chǔ)．微計(jì)算機(jī)信息．2007，32(15)：1~73 程自龍，雷秀玉．基于KL變換(PCA)的特征臉人臉識(shí)別方法綜述．中國圖像 圖形學(xué)報(bào)．2010，20(22)：15~184 章毓晉．圖像處理，北京：清華大學(xué)出版社，20075 倪世貴，白寶剛．基于PCA的人臉識(shí)別研究．現(xiàn)代計(jì)算機(jī)．2011，23(42):20~22．6 周桐．基于PCA的人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)．哈爾濱工業(yè)大學(xué)碩士學(xué)位論 文．2013，26~307 徐飛．Matlab應(yīng)用圖像處理．西安：西安電子科技大學(xué)出版社，20058 王映輝．人臉識(shí)別原理，方法與技術(shù)．北京：科學(xué)出版社，20109 高曉興，李仁睦，王文佳．基于人臉分類和KL變換的人臉識(shí)別新方法．微 計(jì)算機(jī)信息．2010，26(3)：3~610 王國棟．基于MATLAB的人臉識(shí)別算法研究．內(nèi)蒙古大學(xué)碩士學(xué)位論文 ．2014:28~3311 田印中，董志學(xué)，黃建偉．基于PCA的人臉識(shí)別算法研究及實(shí)現(xiàn)．內(nèi)蒙古 科技與經(jīng)濟(jì)．2010，4(208)：15~1812 Lindsay I Smith．A tutorial on Principle Components Analysis．Pattern Recognition，2005，32(9) ：5~813 Rajkiran Gottumukkal，Vijayan ．Letters An improved face recongnition technique based on modular PCA approach． Pattern Recognition，2004，25(3) ： 429~43614 劉學(xué)勝．基于PCA和SVM算法的人臉識(shí)別．計(jì)算機(jī)與數(shù)字工程．2011，14(3)： 56~5815 盛驟，謝式千，潘承毅．概率論與數(shù)理統(tǒng)計(jì)．北京：高等教育出版社，200816 陳惠明．圖像歐氏距離在人臉識(shí)別中的應(yīng)用研究．計(jì)算機(jī)工程與設(shè)計(jì)．2008， 3(14)：22~25．17 戴歡，吳小?。趫D像歐氏距離的人臉描述和識(shí)別方法．江南大學(xué)學(xué)報(bào)． 2009，36(11)：12~1618 Transactions On Pattern Analysis And Machine Inteelligence. Eigenfaces vs Fisherfaces:Recognition Using Class Specific (7)：vol(19)19 Jeff Fortuna,David support vector classification using PCA and ICA feature space 附錄 3 附錄 3信息科學(xué)與工程學(xué)院本科畢業(yè)設(shè)計(jì)（論文）中期報(bào)告課題名稱： 基于ＰＣＡ的人臉識(shí)別算法研究 學(xué)院（系）： 信息科學(xué)與工程學(xué)院 年級專業(yè)： 12級通信工程 學(xué)生姓名： 指導(dǎo)教師： 完成日期： 2016年4月30日 一 任務(wù)書中本階段工作目標(biāo)與任務(wù)要求。四、存在問題人臉識(shí)別算法以后要能克服姿勢、表情、年齡變化同時(shí)要有短暫的識(shí)別時(shí)間。三、發(fā)展趨勢 根據(jù)目前的發(fā)展，人臉識(shí)別的二維與三維算法相結(jié)合，多種人臉識(shí)別算法的綜合使用，是以后人臉識(shí)別技術(shù)發(fā)展的方向二維人臉識(shí)別算法將在三維人臉識(shí)別中逐步應(yīng)用。到目前為止人臉識(shí)別工作已經(jīng)進(jìn)行了多年,但是仍然面臨著種種困難,其中主要有人臉圖像中人臉角度變化遮擋引入,以及光照變化,圖像質(zhì)量間的差異等成識(shí)別率下降的問題。由于生產(chǎn)、生活各方面對人臉識(shí)別系統(tǒng)日益迫切的需求,以及計(jì)算機(jī)技術(shù)、圖像處理、模式識(shí)別技術(shù)的發(fā)展成熟,人臉識(shí)別方法有了較大的突破。但這階段的人臉識(shí)別需要操作人員的某些先驗(yàn)知識(shí),仍擺脫不了人的干預(yù)。第二階段是人機(jī)交互識(shí)別階段，有人開始用幾何特征參數(shù)來表示人臉正面圖像。由于正面人臉包含了人臉更顯著的特征，所以對于正面人臉模式的研究最多，它的發(fā)展大致可以分為三個(gè)階段：第一階段是上世紀(jì)50到60年代第一階段主要研究人臉識(shí)別所需要的面部特征,以Bertillon和Parke為代表，Bertillon用一個(gè)簡單的語句將人臉與數(shù)據(jù)庫中某張人臉相聯(lián)系，Parke則用計(jì)算機(jī)產(chǎn)生了較高質(zhì)量的人臉灰度圖模型。隨著技術(shù)的進(jìn)一步發(fā)展，進(jìn)入二十世紀(jì)九十年代后，人臉識(shí)別技術(shù)引起了學(xué)術(shù)界的廣泛關(guān)注，并成為熱點(diǎn)研究領(lǐng)域，步入了研究高峰階段。1618周：撰寫論文，準(zhǔn)備答辯。912周：確定算法流程，編寫各模塊算法。對比項(xiàng)目方案1方案2適用范圍模式識(shí)別，特征提取模式識(shí)別，特征提取，分類技術(shù)局限性算法基礎(chǔ)，應(yīng)用范圍廣針對分類比PCA算法有改進(jìn)功耗大小功耗低功耗低工藝要求低低技術(shù)難度難度較低技術(shù)難度較高對社會(huì)可持續(xù)發(fā)展的影響促進(jìn)相關(guān)技術(shù)的發(fā)展促進(jìn)相關(guān)技術(shù)的發(fā)展對健康的影響少量輻射少量輻射對安全的影響安全無公害安全無公害是否符合法律規(guī)定符合符合對文化的影響對文化發(fā)展有著長遠(yuǎn)的意義對文化發(fā)展有著長遠(yuǎn)的意義對環(huán)境的影響無影響無影響現(xiàn)有技術(shù)儲(chǔ)備較為熟悉不熟悉五、研究工作進(jìn)度 研究工作進(jìn)度安排如下：14周：收集資料，熟悉課題內(nèi)容，確定設(shè)計(jì)思路。四、設(shè)計(jì)方案對比方案1:基于PCA法的特征提取。人臉的代數(shù)特征就是將人臉看成一個(gè)數(shù)據(jù)矩陣，我們提取這個(gè)數(shù)據(jù)矩陣的一些特性進(jìn)行人臉比對。人臉圖像進(jìn)行特征提取主要有兩類方法第一種是特征提取主要基于人臉幾何特征，它的主要依據(jù)是人臉器官之間的幾何關(guān)系，人臉器官之間的幾何關(guān)系一般有器官連線間的角度、兩點(diǎn)間的歐氏距離、曲率等特征。而且如何能夠提取有效的特征是人臉識(shí)別的關(guān)鍵所在。本論文擬采用灰度圖像。第四步：輸出與待識(shí)別圖像最接近的人臉圖像。第二步：訓(xùn)練人臉庫，建立特征臉空間。本文主要研究二維人臉靜態(tài)識(shí)別，主要通過提取人臉上的特征值進(jìn)行人臉的比對。本次論文擬重點(diǎn)研究人臉識(shí)別這一部分，設(shè)計(jì)一種基于PCA算法的識(shí)別方案，并利用MATLAB實(shí)現(xiàn)該識(shí)別過程。人臉識(shí)別系統(tǒng)一般由人臉檢測、人臉定位、圖像預(yù)處理、特征提取與選擇、圖像訓(xùn)練、識(shí)別對比等步驟組成。(5) 物理分類:即對待識(shí)別人臉的物理特征進(jìn)行分類,得出其年齡、性別、種族等相關(guān)信息。這一過程的核心是選擇適當(dāng)?shù)娜四槺硎痉绞脚c匹配策略以及適當(dāng)?shù)钠ヅ溟}值。通常的表示方法包括幾何特征(如歐氏距離、曲率、角度等)、代數(shù)特征(如矩陣特征矢量)、固定特征模板、特征臉、云紋圖等。從廣義上講,其研究內(nèi)容主要包括以下五個(gè)方面:(1) 人臉檢測:即從各種不同的場景中檢測出所有人臉的存在并確定其具體位置和主要特征的位置,這一任務(wù)受光照、噪聲、頭部傾斜度以及各種遮擋的影響。所以研究PCA的人臉識(shí)別算法的實(shí)現(xiàn)還是有實(shí)際意義的。人臉識(shí)別維數(shù)都很高，PCA方法不但很好表征人臉，而且通過去除相關(guān)性，減少冗余，解決了在人臉識(shí)別過程中維數(shù)過高的問題。在眾多的特征提取算法中,PCA算法是引起最多討論的經(jīng)典算法,因此基于PCA的特征臉識(shí)別方法占據(jù)了重要的地位，也對后來的人臉識(shí)別技術(shù)產(chǎn)生甚遠(yuǎn)的影響。因此,身份驗(yàn)證將在人們的生產(chǎn)、生活中扮演越來越重要的角色。對重要部門如電視臺(tái)、銀行、機(jī)場,進(jìn)行保安、過境控制與移民檢查機(jī)密或貴重物品保存場所的進(jìn)出,防止信用卡欺騙等都需要進(jìn)行可靠的人身鑒別。人臉識(shí)別是一個(gè)具有廣闊的應(yīng)用前景和挑戰(zhàn)性的研究課題 ,與指紋、視網(wǎng)膜、虹膜、基因等其他人體生物特征識(shí)別系統(tǒng)相比,人臉識(shí)別系統(tǒng)以其直接、友好、方便等特點(diǎn)更容易被用戶所接受 ,成為近年來模式識(shí)別領(lǐng)域中的研究熱點(diǎn)。隨著技術(shù)的進(jìn)一步發(fā)展，進(jìn)入二十世紀(jì)九十年代后，人臉識(shí)別技術(shù)引起了學(xué)術(shù)界的廣泛關(guān)注，并成為熱點(diǎn)研究領(lǐng)域，步入了研究高峰階段。在我遇到困難的時(shí)候，你們總是耐心的開導(dǎo)我；在我迷茫的時(shí)候，你們總是不斷地鼓勵(lì)我。最后衷心感謝我的家人，你們永遠(yuǎn)的支持是我不斷前進(jìn)的動(dòng)力。因?yàn)橛心銈兊膸椭?，我克服了許許多多的困難。最初的課題選擇，在司老師的幫助下，綜合實(shí)習(xí)公司的主流產(chǎn)品，導(dǎo)師的研究方向及本專業(yè)的課程內(nèi)容，選定了一個(gè)相關(guān)的題目，在畢業(yè)設(shè)計(jì)的過程中司老師每周定時(shí)都與我們做簡單的匯報(bào)交流，給大家不懂與不足的地方進(jìn)行細(xì)致耐心的指導(dǎo)，教給我們方法以及思維的方式，還影響了我們們?yōu)槿颂幨碌姆绞?，這一個(gè)學(xué)期著實(shí)學(xué)到了很多東西。提出了系統(tǒng)的改進(jìn)意見。最后本論文在基于理論研究的基礎(chǔ)上在MATLAB中實(shí)現(xiàn)了系統(tǒng)仿真，對設(shè)計(jì)的每個(gè)函數(shù)功能，流程圖做了系統(tǒng)的說明，利用ORL人臉庫進(jìn)行模擬，該庫中的人臉都有一定的表情，姿勢，遮擋物的變化，運(yùn)行系統(tǒng)，可達(dá)到較高的識(shí)別率。著重介紹了人臉的特征提取算法，其次對本論文的重點(diǎn)PCA算法進(jìn)行詳細(xì)的說明?；赑CA的特征臉法，因其概念的清晰性，計(jì)算的簡便性，實(shí)現(xiàn)的容易一直以來都受到研究學(xué)者的廣泛關(guān)注，本文研究了經(jīng)典的特征臉識(shí)別方法，并基于MATLAB進(jìn)行了系統(tǒng)的仿真達(dá)到了畢業(yè)設(shè)計(jì)的預(yù)期要求。是生物特征識(shí)別技術(shù)發(fā)展到一定時(shí)期下產(chǎn)生的新興技術(shù)，但由于人臉自身的復(fù)雜性，以及采集人臉圖片的不受控性，現(xiàn)有的各種技術(shù)在適應(yīng)性的方面還存在很大的提升空間。做了簡單的方案對比，綜合考量后本次畢設(shè)確定選取基于PCA的特征提取法。 本章小結(jié)本章主要是基于PCA的特征提取法和基于FisherFace的特征提取法的理論比較，二者提取特征的側(cè)重點(diǎn)不同，前者提取最具表征能力的低維特征，后者提取具有最優(yōu)分類能力的低維特征。下表是兩種方案對比的結(jié)果方案一表示PCA法，方案二表示FisherFace法表41 方案對比對比項(xiàng)目方案1方案2適用范圍模式識(shí)別，特征提取模式識(shí)別，特征提取，分類技術(shù)局限性算法基礎(chǔ)，應(yīng)用范圍廣針對分類比PCA算法有改進(jìn)功耗大小功耗低功耗低工藝要求低低技術(shù)難度難度較低技術(shù)難度較高對社會(huì)可持續(xù)發(fā)展的影響促進(jìn)相關(guān)技術(shù)的發(fā)展促進(jìn)相關(guān)技術(shù)的發(fā)展對健康的影響少量輻射少量輻射對安全的影響安全無公害安全無公害是否符合法律規(guī)定符合符合對文化的影響對文化發(fā)展有著長遠(yuǎn)的意義對文化發(fā)展有著長遠(yuǎn)的意義對環(huán)境的影響無影響無影響現(xiàn)有技術(shù)儲(chǔ)備較為熟悉不熟悉出于對算法本身的差異及現(xiàn)有的技術(shù)儲(chǔ)備考慮，本論文選取了基于PCA方法的人臉識(shí)別算法研究。在本論文選取了基于PCA的特征提取法主要是因?yàn)槠涫侨肆Π∽R(shí)別算法的基礎(chǔ)，便捷實(shí)用，也由于選定的人臉數(shù)據(jù)庫為ORL人臉數(shù)據(jù)庫，該數(shù)據(jù)庫中的人臉表情變化幅度都較大，而且還會(huì)有一定的遮擋物，如是否佩戴了眼鏡，而LDA法對于這些類內(nèi)特征不夠敏感。該方法的缺點(diǎn)也是很明顯的，利用PCA法幫助降維的時(shí)候也丟棄了一些對分類有用的信息。即該方法下得到的人臉特征是能夠表征人臉的最佳分類特征。 FisherFace方法的優(yōu)缺點(diǎn)FisherFace法與基于KL變換的PCA方法相比，其二次變換采用的Fisher準(zhǔn)則下的LDA方法，由理論分析可以得出該方法可使人臉圖像在新的子空間中有最大的類間距離好而最小的類內(nèi)距離[19]。由于所以式(46)至多有個(gè)非零特征向量。另一種是利用圖像的預(yù)降維處理，利用PCA法先對原始訓(xùn)練樣本空間進(jìn)行降維處理。人臉樣本的向量維數(shù)比訓(xùn)練的人力啊樣本數(shù)要高的多，所以直接使用LDA法會(huì)使不可逆，即不存在。訓(xùn)練集類內(nèi)離散度矩陣為： (42) Fisher準(zhǔn)則函數(shù)的定義為下式： (43)需要尋找一個(gè)，它能使取最大值 (44)若想解得(44)式，可等同于求解于下式： (45)為矩陣的第個(gè)列向量，式(45)是否可解在于是否存在，如果存在就可將(45)變換為下述式子： (46)可利用特征值解法來求解，但如果不存在則會(huì)導(dǎo)致無解。假設(shè)樣本集的維度為，樣本集中的任何一個(gè)樣本均屬于某個(gè)已知類別。LDA方法的思想是從高維空間中提取出具有分類能力的低維度特征，盡可能的把不同類別的樣本在特征空間的投影分開，而把同類別的樣本在特征空間中的投影盡可能的密集。該方法是對原始的訓(xùn)練樣本數(shù)據(jù)進(jìn)行兩次投影變換。但是PCA法簡單，快速，實(shí)用而且比較基礎(chǔ)。特征臉法雖然對臉部不同區(qū)域的影響不同，但是對整個(gè)圖像區(qū)域采用了統(tǒng)一的高分辨率。另一個(gè)是從數(shù)據(jù)壓縮的角度看，KL變換是最優(yōu)的，但是在分類的角度不是最佳的。但是它也有局限的地方。第4章 與基于Fisherface方法的特征提取原理對比 第4章 與基于Fisherface方法的特征提取原理對比 PCA方法的優(yōu)缺點(diǎn)PCA方法的主要優(yōu)點(diǎn)是由低維空間恢復(fù)的人臉圖像和原始人臉圖像具有最小的均方誤差。 本章小結(jié)本章是針對自己研究學(xué)習(xí)內(nèi)容的重點(diǎn)介紹，講了基于PCA的人臉識(shí)別算法，對本次研究的算法的四大步驟：人臉的表示，特征臉空間的構(gòu)造，特征的提取，人臉識(shí)別等步驟進(jìn)行了詳細(xì)的說明。第二改變特征值的選取，選取前70%大的數(shù)值，再次運(yùn)行程序。訓(xùn)練樣本的數(shù)量，當(dāng)訓(xùn)練人臉庫中的樣本數(shù)量小于一定數(shù)值時(shí)，構(gòu)造好特征空間后，把