【正文】 現(xiàn)在的情況來講，也不大現(xiàn)實(shí)。但是在兩種圖象采光不相同的情況下，識別率很低。一人是用筆記本電腦拍攝照片，然后進(jìn)行處理得到的。設(shè)計(jì)中有7個(gè)人的頭像，每個(gè)人有5張樣本圖象，一共有35張樣本圖象。 未識別界面關(guān)于閾值的范圍確定，有許多方法。是別的過程簡單通俗的講，就是把一個(gè)圖象，用幾個(gè)簡單的數(shù)字來表示，圖象之間相似度的比較，也就是數(shù)字之間差值的比較，差值越小，就越相似。接著利用PCA算法，提取圖象的特征值。本次設(shè)計(jì)一共用了7個(gè)文件夾，每個(gè)文件夾代表一個(gè)人，一個(gè)文件夾有5張樣本圖象。所以先使用FACESAVE進(jìn)行人臉定位處理，得到92*112的圖象。用電腦攝像頭拍過照片，得到了人臉圖象，但是這個(gè)人臉圖象必須經(jīng)過處理一下才能使用，需要將圖象進(jìn)行歸一化。從中尋找最小值，而后與設(shè)定的閾值相比較，如果比閾值小，就表明是圖人臉樣本庫的人臉，反之，如果最小距離比閾值大，則表明不是人臉樣本庫中的已知人臉，給出相應(yīng)的提示。如果是，則繼續(xù)，如果不是，則把彩色圖象轉(zhuǎn)化為灰度圖象。載入之后，綠色對話框會(huì)顯示出圖象的來源位置，有助于操作人的尋找。為了能夠快速、準(zhǔn)確的顯示出識別效果，載入的識別圖象需要經(jīng)過FACESAVE進(jìn)行人臉定位處理過的圖象。這個(gè)文件用來進(jìn)行人臉識別，只要在人臉樣本庫中更新數(shù)據(jù)之后都需要重新訓(xùn)練一次。點(diǎn)擊“載入照片”將會(huì)彈出加載圖象的對話框，點(diǎn)擊“開始識別”按鈕則彈出識別界面的對話框。 人臉識別的主菜單界面在主菜單界面一共有四個(gè)按鈕：訓(xùn)練樣本，載入照片，人臉識別，退出系統(tǒng)。因此，為了提高識別率，減少外部環(huán)境對辨別結(jié)果的影響，該系統(tǒng)的實(shí)際應(yīng)用中，往往需要結(jié)合其他方法，如小波變換，Gabor算法，神經(jīng)網(wǎng)絡(luò)算法等等，使用PCA方法單獨(dú)開發(fā)的系統(tǒng)很難在實(shí)踐中應(yīng)用，但與其它方法結(jié)合可以達(dá)到很好的效果，現(xiàn)在的人臉識別系統(tǒng)的產(chǎn)品大多數(shù)都是采用幾種方法相結(jié)合的方式。 (2)人臉圖像處理只能是，側(cè)面人臉的識別率低，另外當(dāng)人的姿勢、發(fā)型和環(huán)境等發(fā)生較大變化時(shí)，識別率將明顯下降。然而，由于主成分分析法要求待辨認(rèn)的圖像與訓(xùn)練集圖像類似，對圖象訓(xùn)練集和待辨認(rèn)圖像的灰度相關(guān)性非常依。 PCA人臉識別優(yōu)缺點(diǎn)分析主成分分析的人臉識別方法是基于提取特征值的方法，操作簡單、提取快速、應(yīng)用性強(qiáng)，它的主要優(yōu)點(diǎn)有：(1)圖象的初始灰度數(shù)據(jù)直接用來訓(xùn)練和識別。對于圖像的識別，也被視為一個(gè)列向量，投影到子空間中獲得一個(gè)投影矩陣，然后求出這個(gè)投影矩陣與樣本圖象投影矩陣之間的歐式距離，找出歐式距離最小的那張圖象，這張圖像就是與待識別圖像最相近的。如果樣本是n張大小為p*q的人臉圖像，每個(gè)圖像可以保存為一個(gè)列向量，向量維數(shù)是p*q，樣本可以被視為一個(gè)行數(shù)為n，列數(shù)為p*q的矩陣，記為矩陣A。 所以我們一般需要先對圖像進(jìn)行處理，處理圖像數(shù)據(jù)為2823，變?yōu)榱邢蛄烤褪?823=644維，有助于計(jì)算。在人臉識別中，將圖像重排為列向量，維數(shù)較高。 3．選取第2步所得的15個(gè)最大特征值對應(yīng)的特征向量組成投影矩陣A，將每張樣本庫的圖象向矩陣A投影，得到15個(gè)新的矩陣。計(jì)算均值向量，然后每個(gè)圖象矩陣都減去均值向量。我們使用這個(gè)n*q的投影矩陣“代表”樣本矩陣A（n*k），從而實(shí)現(xiàn)了降維。這q個(gè)特征向量組合成一個(gè)q*k的矩陣，就是我們要求的特征矩陣。接著求出協(xié)方差矩陣C的特征值，我們選取前q（qk）個(gè)最大的特征值，然后求出這q個(gè)特征值對應(yīng)的特征向量。協(xié)方差反映變量間的相關(guān)性，如果協(xié)方差是小，然后兩個(gè)變量之間的相關(guān)系數(shù)很小。如果A是一個(gè)n行k列的矩陣，計(jì)算矩陣A的協(xié)方差矩陣C，C的表達(dá)方式如下： 上式中u=E(x),都是每列向量的期望值，這里指每列向量的平均值。 PCA算法基本數(shù)學(xué)原理一個(gè)矩陣的維數(shù)很高，如何選擇一個(gè)標(biāo)準(zhǔn)正交基，讓投影矩陣的正交基上可以代表矩陣的最大程度。 第三章 基于PCA算法的人臉識別 PCA的基本思想PCA：就是我們通常說的主成分分析法，它可以把確定一個(gè)事物的特征提取出來，舍去沒有特點(diǎn)的特征值，提取事物的本質(zhì)因素，從而使復(fù)雜的問題簡化。 樣本圖象的訓(xùn)練，利用MATLAB對訓(xùn)練程序運(yùn)行，對人臉樣本庫的照片數(shù)據(jù)進(jìn)行訓(xùn)練并儲(chǔ)存。但是對于本設(shè)計(jì)來說，數(shù)據(jù)庫里的圖象像素必須統(tǒng)一，并且過多的增加人臉數(shù)據(jù)庫的數(shù)據(jù)數(shù)量，會(huì)增大訓(xùn)練計(jì)算過程，可能會(huì)導(dǎo)致內(nèi)存的應(yīng)用不足。 人臉圖象的訓(xùn)練分為三個(gè)步驟:人臉樣本的采集，可以直接下載國外人臉識別科研樣本，也可以自己拍照，對圖象進(jìn)行人臉定位，像素的統(tǒng)一規(guī)劃。這里我把像素都?xì)w為28*23。一般人臉識別都是首先把圖像灰度化，圖象的灰度化可以更好的提取圖象特征值，每個(gè)圖象都有像素值。本次畢業(yè)設(shè)計(jì)借助的是FACESAVE對圖象進(jìn)行人臉定位。 人臉識別系統(tǒng)一般框架人臉識別過程識別結(jié)果的輸出圖像特征提取采集和人臉圖像預(yù)處理 →→→ →→→ →→→ 第二章 人臉圖像的處理如果用一張背景各異的圖象直接進(jìn)行識別，會(huì)有太多不需要識別的干擾因素，比如光度、背景。人臉識別技術(shù)由于其便利性，唯一性，穩(wěn)定性，被越來越多的應(yīng)用于各種標(biāo)識方法。（4）人臉識別技術(shù)在特征輸入方面比較簡易，包含的信息豐富。（2）在視頻監(jiān)控中，人臉識別可以實(shí)現(xiàn)遠(yuǎn)距離視頻識別（3）當(dāng)前，每個(gè)人的身份證都有清晰的人臉照片，在這個(gè)人臉資源庫中。我們可以預(yù)測出人臉圖像識別在未來會(huì)有非常開闊的應(yīng)用前景。與其它的認(rèn)證手段相比，人臉識別具有操作方便，識別效率高等優(yōu)點(diǎn)。第三個(gè)階段，時(shí)間是進(jìn)入20世紀(jì)90年代，因?yàn)楦咝阅苡?jì)算機(jī)的產(chǎn)生，使之人臉識別系統(tǒng)能夠更加完美的工作與應(yīng)用，所以，人臉識別的研究又掀起一股熱潮，人臉識別系統(tǒng)完成機(jī)器自動(dòng)識別的新領(lǐng)域。第二個(gè)階段，是人機(jī)交互式識別階段。 人臉識別的理論發(fā)展趨勢大概可以劃分為三個(gè)階段：第一個(gè)階段，主要以貝迪永、艾倫和帕克為代表，研究的是人臉識別需要用到的的臉部特征。讓計(jì)算機(jī)具有識別人臉特征平且能識別出身份就是人臉識別的目的。該系統(tǒng)可以接受的時(shí)間間隔較長的照片，而且識別率高，2300正面圖片，財(cái)政部的圖片，使用17年，除了要查詢的照片之間的差別比較大，第一率可以達(dá)到50%，20張照片是包含在輸出的概率相同的照片輸入圖像高達(dá)70%。通常需要正面人臉識別使用，還需要對人臉圖像識別往往采取不同時(shí)，使用攝像頭將是不同的，所以本系統(tǒng)人臉識別是特別有價(jià)值的。中國已經(jīng)掌握了當(dāng)前熱點(diǎn)研究領(lǐng)域的人臉識別核心技術(shù)。第一章 緒論在當(dāng)前社會(huì)，人臉識別系統(tǒng)在很多領(lǐng)域都有應(yīng)用，人臉支付、人臉解鎖、公安的破案、查緝布控。另外人類本身就有很多生物特性，比如面目特征、DNA、指紋、虹膜、聲音等。給人們的日常生活帶來很多的安全隱患。當(dāng)前社會(huì)，很多地方都涉及到安全問題，上網(wǎng)娛樂、銀行業(yè)務(wù)、網(wǎng)上購物、家庭防盜門等許多日常活動(dòng)都跟密碼息息相關(guān)，隨著服務(wù)數(shù)量的增加，密碼也隨之增多，導(dǎo)致不能準(zhǔn)確的記憶。 引 言 在當(dāng)今的時(shí)代，科技飛速的發(fā)展，越來越多的安全問題困擾著大家。 Euclidean distance。 Characteristics of the extraction of face。本文最后總結(jié)了本次畢業(yè)設(shè)計(jì)中，自己的不足之處，以及對這次畢業(yè)設(shè)計(jì)的感悟，自己的心得體會(huì)。首先，本文提出了人臉識別近幾年的發(fā)展趨勢，以及現(xiàn)狀與背景，并且分析了人臉識別與其他識別方法的對比，以及人臉識別的優(yōu)點(diǎn)跟人臉識別中的難點(diǎn)。主要包括人臉圖片定位的預(yù)處理、人臉的輸入、PCA算法對特征臉提取、人臉識別等四大模塊。它有一個(gè)很大的發(fā)展前景，因此成為一個(gè)具有人工智能的范疇的研究熱點(diǎn)識別方法。作者簽名：　　 　 　　 日　 期：　　　 　目 錄摘要 IAbstract. II引言 1第一章 緒論 2 2 2第二章 人臉圖像的處理 4 4 4 5第三章 基于PCA算法的人臉識別 6 PCA的基本思想 6 PCA算法基本數(shù)學(xué)原理 6 人臉識別中PCA算法的具體步驟 6 PCA算法在人臉識別中的應(yīng)用 7 PCA人臉識別優(yōu)缺點(diǎn)分析 8第四章 人臉識別系統(tǒng)的實(shí)現(xiàn)及實(shí)驗(yàn)結(jié)果分析 9 9 9 9 9 10 10 11