【正文】 都是基于公開的各大人臉數(shù)據(jù)庫中的靜態(tài)圖像。針對這一問題，本文中采用的解決辦法是在應用FLDA進行特征提取之前先用PCA進行特征提取，PCA即主成分分析方法的特點是能在保證均方誤差最小的情況下提取出對識別有用的特征信息，去除冗余、與識別過程不相關的無用信息，起到對原始圖像空間降維的作用，簡化了計算的復雜度，同時又保證了重建之后的特征臉空間的可分性。FLDA是一種迭代的線性判別分析方法，在低維模式識別中FLDA早已被證明比Fisher LDA更加有效，F(xiàn)LDA尤其適用于待識別類數(shù)很多的情況。具體來說本文所完成的工作主要有：介紹與人臉識別相關的一些基礎知識，包括人臉識別技術的課題背景、發(fā)展歷史、現(xiàn)階段研究成果、常用人臉數(shù)據(jù)庫基礎知識、人臉識別系統(tǒng)基本結構、特征提取算法、分類方法及相關算法原理和思想基礎等。到現(xiàn)今為止，研究者們已提出了多種人臉識別的特征提取算法，其中基于子空間分析的人臉識別算法處于主導地位。但是計算機自動人臉識別卻是一個高難度的課題，如何利用計算機進行快速、準確的人臉識別是圖像處理和模式識別領域的研究熱點與難點。同時，人臉識別是模式識別領域中極具挑戰(zhàn)性的研究課題。結 論人臉識別在所有生物識別技術中是最友好的身份識別技術，以其隱蔽性，低侵犯性特點，容易被大多數(shù)人所接受；具有方便，成本低，交互性強等優(yōu)點。該算法集合了PCA方法和FLDA方法的優(yōu)點，是一個可靠且有效的人臉識別算法。平均識別率：mean(precisionFLDA) =%方差：std(precisionFLDA) =： ORL上識別率曲線圖，橫坐標表示實驗次數(shù)，縱坐標表示識別率百分比。（5）將全部圖像向最優(yōu)投影矩陣上投影，得到識別特征，然后利用最近鄰準則判別分析完成人臉識別過程。剩下的每人4張，共計160張圖像為測試樣本。每幅圖像大小為112*92.實驗過程如下：（1）按人臉庫路徑讀取全部人臉圖像，并用矩陣形式存儲在數(shù)據(jù)庫中。每個人有10幅臉部圖像共計400幅灰度圖像，圖像背景為黑色。T人臉庫，由英國劍橋大學ATamp。平均識別率：mean(precisionFLDA) =%方差：std(precisionFLDA) =： Yale上識別率曲線圖，橫坐標表示實驗次數(shù)，縱坐標表示識別率百分比。（5）將全部圖像向最優(yōu)投影矩陣上投影，得到識別特征，然后利用最近鄰準則判別分析完成人臉識別過程。測試過程如下：（1）按人臉庫路徑讀取全部人臉圖像，并用矩陣形式存儲在數(shù)據(jù)庫中；（2）從全部人臉圖像中隨機抽取每人6張，共計90張圖像作為訓練集。 Yale人臉庫Yale人臉庫包含15位志愿者共165張人臉圖像，每人11張灰度圖像，包含各種表情、光照下的圖像，并且包含眼鏡等遮擋正面人臉圖像。而matlab眾所周知擁有強大的矩陣計算能力，所以本設計實驗平臺選用了matlab，人臉數(shù)據(jù)庫則選用Yale和ORL兩個常用人臉庫。顯著的提高了識別算法的識別準確率和計算效率。本文在PCA降維處理后的特征臉空間中選取FLDA作為分類算法而不是LDA，其主要原因是FLDA方法引入了模糊技術，利用樣本隸屬度信息對類中心重新計算，能得到較LDA方法更好的類中心估計，反映在圖像上就是能更好的描述訓練圖像由于光照等不確定因素引起的變化，提高了整體算法的識別率。2) 應用模糊線性判別分析（FLDA）方法在特征臉空間中線性分類，計算出最優(yōu)投影矩陣。針對這兩個問題，本文采用先使用PCA方法對人臉空間進行降維的方法來解決。首先計算所有訓練樣本的均值m： ()再利用得到的隸屬度重新計算每個人人臉向量的均值，即每一類的中心： ()接下來計算模糊類間散度矩陣和模糊類內(nèi)散度矩陣： () ()則根據(jù)Fisher準則可以得到最優(yōu)投影矩陣： ()其中，是與矩陣和的廣義特征值相對應的廣義特征向量。不難驗證，如此計算得到的滿足式()中兩個約束條件。應用k近鄰方法計算訓練集中所有樣本的隸屬度矩陣，其中表示第j幅圖像屬于第i個人的隸屬度。訓練樣本的隸屬度信息描述了樣本的分布信息，較好的反應訓練圖像中由于光照、姿態(tài)等不確定因素引起的變化。如果在最開始的特征提取過程中就考慮到這些不確定因素并加以量化，那么算法的性能就會有一定的提高。 基于FLDA的模糊線性判別分析算法在圖像處理領域，大多問題都存在著固有的不確定性，基于這一問題，很多的課題研究都利用模糊技術來盡量消除這些不確定因素。識別階段，將測試集中的圖像x按式()投影到特征空間： ()按照式()計算新圖像和訓練集中圖像的距離： ()其中。記訓練集合包含了c個人臉N張臉部圖像，則其類間散度矩陣和類內(nèi)散度矩陣如下： () ()式中, 為第i類訓練樣本總個數(shù)，是第i類均值，m是所有樣本均值。 基于LDA的Fisher臉算法Fisher臉算法目的是尋求一個線性變換W，使圖像在該變換作用下投影到特征子空間，同一個人的所有圖像盡可能的聚集在一起，不同人的圖像盡可能分開。如果特別小，說明新圖像和訓練集中圖像最相似，即可認為圖像和是同屬于一個人的圖像。識別過程中，遇到的新圖像，按()式投影到特征空間： ()投影完后形成向量即是該圖像在特征空間中的表示。求得特征臉后，利用特征值選擇合適數(shù)量的特征向量，也就是選取合適的特征臉個數(shù)，一般選擇個特征臉，以這些特征臉作為基礎，足以表示和區(qū)分所有人臉。對矩陣B使用PCA算法，求出M個單位正交特征向量和對應的特征值，并將特征向量按照其對應特征值大小降序排列。構造矩陣，矩陣B的維數(shù)為。如果直接計算C的特征值和特征向量，那么計算代價非常高。例如，Yale數(shù)據(jù)庫中的圖像大小為，就可以用一個45045維的列向量來表示。在人臉識別中，記訓練集合包含了c個人的N幅臉部圖像。在人臉識別領域中PCA方法又被成為特征臉方法。該方法通過KL變換展開式來提取樣本的主要特征?；贚DA的Fisher臉法利用原始數(shù)據(jù)中的類標信息進行數(shù)據(jù)降維，能更有效地提取對分類有用的特征，顯著的提高了人臉識別算法的性能。該類方法由于其計算量小、可分性好和描述能力強等優(yōu)點已成為人臉識別的主流方法之一。所以很難用一個統(tǒng)一的標準對這些算法進行分類。3 基于子空間分析的人臉識別方法人臉識別技術經(jīng)過多年的發(fā)展，取得了很大的進步，涌現(xiàn)出大量的識別算法。則相應的點和類間最小歐氏距離定義如下： ()式()中，表示參考類的第c個特征矢量的第i個元素，表示熟人特征矢量和參考類全部c個參考特征矢量間歐氏距離的最小值。所謂距離分類法，是一種簡單且直觀易懂的分類方法，它直接使用各類訓練樣本點的特征集合所構成的區(qū)域來表示各個決策域，以樣本點間距離作為度量樣本間相似程度的主要標量，即定義空間中兩點間距離越近，則代表兩個樣本間相似度越高。如最近鄰方法、貝葉斯決策、人工神經(jīng)網(wǎng)絡和支持向量機等。將待測圖像的特征提取出來之后，接下來就需要利用已經(jīng)提取出來的特征向量來計算辨析圖像間的相似程度，確定圖像中人臉的身份歸屬。Fisher鑒別向量使類間離散度與類內(nèi)離散度比值達到最大，這樣就把高維樣本(n維問題)轉(zhuǎn)化為一維樣本(1維問題)并在一維空間上保持最優(yōu)的鑒別力，也就是說Fisher鑒別向量能將高維模式以最優(yōu)的可分性指標轉(zhuǎn)換成一維模式。引入，可以將Fisher線性判別函數(shù)寫成： ()則基于Fisher線性判別函數(shù)的Fisher準則即為： ()這個公式是數(shù)學物理中的廣義Rayleigh商。顯然，為了使J最大，應使兩類均值差越大越好(各類樣本分布盡量分離開)，而各類類內(nèi)離散度越小越好(各類樣本內(nèi)布盡量密集)。稱為投影樣本總的類內(nèi)離散度?？捎脴颖揪挡顏矶攘客队爸g的可分性，設是每類的個d維樣本的均值： ()投影之后各類樣本均值： ()可以得到投影后的均值差： ()只要對w給予適當?shù)闹稻涂梢允共钪底兊萌我獯?。假設有N個樣本，其中前個樣本屬于類，后個樣本屬于類，把樣本往方向為w的直線上投影，就可以得到： ()從幾何方面看，要得到在方向w的直線上的投影，需要有，而實際上w的長度并無實際意義，只是對改變比例而已，重要的是w的方向。但一般情況下，總可以找到某個方向，使得在這個方向的直線上，樣本的投影能分得最開。為了把兩個類分開，我們可以嘗試把d維空間的樣本直接投影到一條直線上，形成一維空間，即把維數(shù)壓縮到一維。它首先假定判定函數(shù)g(x)是x的線性函數(shù)，即： ()需用樣本去估計w和，并把未知樣本x歸類到具有最大判別函數(shù)值的類別中去。具體點說，就是先給定某個判別函數(shù)，然后利用樣本集確定判別函數(shù)中的未知參數(shù)。LDA采用Fisher線性判別函數(shù)而得以實現(xiàn)，最初被用于解決兩類的分類問題。 線性辨別分析關于線性鑒別分析（LDA）的研究可追溯到Fisher在1936年發(fā)表的經(jīng)典論文（Fisher R A. The use of multiple measurements in taxonomic problems），其基本思想是選擇使得Fisher準則函數(shù)達到極值的向量作為最佳投影方向，從而使樣本在該方向上投影后，達到最大類間離散度和最小類內(nèi)離散度。這樣的協(xié)方差，使用Lagrange方法求解等式下的極大值，即 ()其中是Lagrange乘子，使用一般求解方法，可求出最優(yōu)解,顯然，最優(yōu)解就是原始數(shù)據(jù)協(xié)方差矩陣的特征向量，是與相對應的特征值。記， 。如果第一主成分還不足以代表原來P個指標的信息，再考慮選取F2即選第二個線性組合，為了有效反映原始信息，F(xiàn)1中已有的信息就不再出現(xiàn)在F2中，即F1和F2的協(xié)方差為零，稱F2為第二主成分，以此類推可以構造出第三、第四，……，第P個主成分。最經(jīng)典的做法是用F1（選取的第一個線性組合，即第一個綜合指標）的方差來表達，即Var(F1)越大，表示F1包含的信息越多。主成分分析，是考察多個變量間相關性的一種多元統(tǒng)計方法，研究如何通過少數(shù)主成分來揭示多變量間的內(nèi)部結構，即從原始變量中提取出少數(shù)幾個主成分，使它們盡可能多的保留原始變量信息，且彼此間互不相關。 主成分分析主成分分析（Principal Component Analysis，PCA）是一種統(tǒng)計方法，它對多變量表示的數(shù)據(jù)集合尋找盡可能少的正交矢量來表征數(shù)據(jù)信息特征。人臉識別系統(tǒng)的第一步工作就是特征提取，也是關鍵性的一步，特征提取的好壞將直接影響測試結果。日常生活中我們所見到的圖像都是采用像素空間來表征，這種表征方法使圖像看起來精準易懂，但是這種圖像的維度是很高的，如果把這樣的圖像不經(jīng)處理直接拿來計算，工作量是非常大的。是一種提取有效信息的方法。它指的是使用計算機提取圖像信息，決定每個圖像的點是否屬于一個圖像特征。通過觀察這十張圖像不難發(fā)現(xiàn)，人臉圖像的旋轉(zhuǎn)變化、姿態(tài)變化、表情變化、人臉尺寸變化和眼鏡遮掩臉部等人臉數(shù)據(jù)庫的約束條件均有涉及到。該庫是目前使用最廣泛的標準數(shù)據(jù)庫。每個人有10幅臉部圖像共計400幅灰度圖像，圖像背景為黑色。由英國劍橋大學ATamp。 ORL人臉庫ORL人臉庫又被稱為ATamp。Yale人臉庫的主要特點就是光照變化很明顯，且有面部眼鏡遮掩，主要用來測試當前光照和表情變化時，識別算法的性能。 Yale人臉庫Yale人臉庫是人臉識別中很流行的測試數(shù)據(jù)庫，由美國耶魯大學計算視覺與控制中心創(chuàng)建，包含15位志愿者的165張臉部灰度圖像，每人11張圖像，包含各種表情、光照下的圖像，并且包含眼鏡等遮擋正面人臉圖像。所以人臉數(shù)據(jù)庫的選擇至關重要。所以人臉數(shù)據(jù)庫的存在對人臉識別算法的設計、測試、識別率求取和系統(tǒng)性能評估有重大的意義。2 人臉識別基礎 人臉庫在人臉識別技術的研究中，必不可少的資源之一是人臉數(shù)據(jù)庫。總結此算法的特點。本章主要介紹PCA+FLDA算法，并與PCA+LDA算法進行比較。本章介紹了基于主成分分析（PCA）的特征臉算法、基于線性判別分析（LDA）的Fisher臉算法和基于模糊線性判別分析（FLDA）的算法。然后介紹了人臉圖像的特征提取方法的基礎知識以及分類器的設計理念和選用的分類方法。第二章，人臉識別基礎知識。本文主要內(nèi)容如下：第一章，緒論。本文中，主要采用主成分分析（即PCA）和模糊線性判別分析（即FLDA）兩種算法結合設計一個人臉識別算法。如果防盜門采用人臉識別系統(tǒng)來驗證戶主身份，人們將告別鑰匙；簽證、身份證等如果采用電子證件，人臉識別將會是必不可少的應用之一；我國每年僅高考考生就近千萬，如果考生驗證系統(tǒng)采用人臉識別而不是傳統(tǒng)的紙張驗證，無論從安全、快捷、環(huán)保等任何一個角度來看都是一個極大的進步，屆時這個巨大的市場也將大大促進人臉識別技術的發(fā)展。隨著人臉識別技術的不斷發(fā)展和創(chuàng)新，人臉識別的應用領域?qū)拥膹V闊。主要應用于國家安全、公安布防以及機場、海關等反恐監(jiān)控系統(tǒng)中。大多應用在公共安全領域：如公安系統(tǒng)中對嫌疑犯、被害人等的身份進行鑒定；銀行、公司等公共場合發(fā)生非法分子闖入或異常狀況時先通過視頻監(jiān)控采集人臉圖像，再利用人臉識別技術與數(shù)據(jù)庫進行對比，確定闖入者身份。具體來說大多應用在機場、海關或一些保密部門及出入口控制等場所用以替代或輔助證件驗證來甄別出入人員的身份、證件等的真實性。反過來也正是越來越多領域?qū)θ四樧R別技術的應用和需求愈加增長，大力推動了人臉識別技術的發(fā)展速度。國內(nèi)對人臉自動識別技術