【正文】 ： feature extraction， classifier selection. Feature extraction is one of the most fundamental problems. In face recognition， to extract the valid discriminating feature plays the key role to solve the problems. PCA and fisher are both the most typical methods that are based on linear projection analysis and widely used. This text does a further research on theories and algorithms of linear projection analysis. Finally， the PCA algorithm was test on ORL face database， and a recognition rate of 97% was achieved by using a mon nearest neighbor classifier， while LDA is %，and the classification result is very robust. Keywords： PCA(principal ponent analysis)； Fisher criterion； linear discriminate analysis； feature extraction； face recognition 目 錄 第一章 緒論 ................................................................ 1 課題研究的背景 ..................................................... 1 模式識(shí)別系統(tǒng) ....................................................... 1 國內(nèi)外生物特征技術(shù)的最新發(fā)展 ....................................... 3 我國生物特征技術(shù)的發(fā)展與應(yīng)用概述 ................................... 4 本文主要研究的內(nèi)容 ................................................. 4 第二章 人臉圖像的有效鑒別特征抽取 .......................................... 5 引言 ............................................................... 5 人臉圖像的代數(shù)特征 ................................................. 5 奇異值特征 ................................................... 5 最佳鑒別投影特征 ............................................. 6 特征臉（ K－ L 變換特征） ...................................... 8 本章小結(jié) .......................................................... 10 第三章 主成分分析法（ PCA） ................................................ 11 引言 .............................................................. 11 主元分析發(fā)展的相關(guān)介紹 ............................................ 11 主元分析（ PCA）方法 ............................................... 12 PCA 思想與最優(yōu)投影矩陣 ...................................... 12 特征抽取 .................................................... 13 分類 ........................................................ 13 主元分析（ PCA）方法在人臉識(shí)別中的應(yīng)用 ............................. 14 本章小節(jié) .......................................................... 14 第四章 線性鑒別分析（ LDA） ................................................ 15 引言 .............................................................. 15 線性鑒別分析方法的發(fā)展 ............................................ 15 線性鑒別分析的基本原理 ............................................ 16 Fisher 線性鑒別法 ................................................. 17 線性鑒別分析在人臉識(shí)別中的應(yīng)用 .................................... 17 分類 .............................................................. 18 本章小節(jié) .......................................................... 18 第五章 實(shí)驗(yàn)結(jié)果 .......................................................... 19 實(shí)驗(yàn)數(shù)據(jù)庫介紹 .................................................... 19 ORL 人臉庫上的實(shí)驗(yàn)結(jié)果 ............................................ 20 得到的特征圖像 .............................................. 20 不同訓(xùn)練樣本下的識(shí)別率 ...................................... 20 兩種算法運(yùn)行時(shí)間的比較 ...................................... 21 不同方法的特征值分布情況 .................................... 21 眼睛數(shù)據(jù)庫上的試驗(yàn)結(jié)果 ............................................ 22 得到的特征圖像 .............................................. 22 不同訓(xùn)練樣本下的識(shí)別率 ...................................... 23 兩種算法運(yùn)行時(shí)間的比較 ...................................... 24 不同方法的特征值分布情況 .................................... 24 實(shí)驗(yàn)結(jié)果分析 ....................................................... 25 本章小節(jié) ........................................................... 26 結(jié)束語 ..................................................................... 27 參考文獻(xiàn) ................................................................... 28 致 謝 ..................................................................... 29 附錄一 PCA 源程序 .......................................................... 30 附錄二 LDA 源程序 .......................................................... 39 南京郵電大學(xué) 2020 屆本科畢業(yè)論文 1 第一章 緒論 課題研究的 背景 在高度信息化的現(xiàn)代社會(huì) ， 人們的身份鑒別已經(jīng)滲透到日常生活的每一個(gè)方面 。身份鑒別有著特別廣泛的應(yīng)用前景和重要的戰(zhàn)略意義。傳統(tǒng)的利用密碼等身份鑒別的方法 具有易遺忘、易假冒等缺點(diǎn) ， 已不符合現(xiàn)代數(shù)字社會(huì)的需求。常用的生物特征包括指紋、掌紋、虹膜、臉像聲音、簽名和筆跡等。人臉識(shí)別在安全系統(tǒng)和人機(jī)交互等方面的巨大應(yīng)用前景 ， 它已經(jīng)成為當(dāng)前模式識(shí)別和人工智能領(lǐng)域的一個(gè)研究熱 點(diǎn)。 非侵犯性 (或非接觸式 ) 的生物特征識(shí)別是身份鑒別研究與應(yīng)用發(fā)展的必然趨勢 ， 與臉像、聲音等非接觸式的身份鑒別方法相比 ， 虹膜具有更高的準(zhǔn)確性。 在日常生活中，人們識(shí)別周圍的人用的最多的就是通過看人臉來進(jìn)行識(shí)別的，因而人臉識(shí)別是一種最容易被接受的身份鑒定方法。但另一方面，由于人臉之間存在很大的相似性以及人臉的高度變形性，也使得這個(gè)課題極富挑戰(zhàn)性。 通常需要一個(gè)定量的準(zhǔn)則來衡量特征對(duì)分類的有效性。 模式識(shí)別系統(tǒng) 有兩種基本的模式識(shí)別方法 [2]，即統(tǒng)計(jì)模式識(shí)別方法和結(jié)構(gòu)（句法）模式識(shí)別方法，與此相應(yīng)的模式識(shí)別系統(tǒng)都由兩個(gè)過程組成，即設(shè)計(jì)和和實(shí)現(xiàn)。實(shí)現(xiàn)是指用所設(shè)計(jì)的分類器對(duì)待識(shí)別的樣本進(jìn)行分類決策。 圖 模式識(shí)別系統(tǒng) 下面簡單的對(duì)這幾個(gè)部分作一些說明。通常輸入的信息有下面 3 種類型，即： 1）二維 圖像 如文字、指紋、地圖、照片這類對(duì)象。 3）物理參量和邏輯值 前者如在疾病診斷 中 病人的體溫及各種化驗(yàn)數(shù)據(jù)等；后者如對(duì)某參量正常與否的判斷或?qū)ΠY狀有無的描述，如疼與不疼，可用邏輯值 0 和 1 表示。 通過測量、用 采樣和量化，可以 矩陣或向量表示二維或一維波形。 2． 預(yù)處理 預(yù)處理的目的是去除噪聲，加強(qiáng)有用的信息，并對(duì)輸入測量儀器或其他因素所造成的退化現(xiàn)象進(jìn)行復(fù)原。例如，一個(gè)文字 圖像 可以有幾千個(gè)數(shù)據(jù)，一個(gè)心電圖波形也可能有幾千個(gè)數(shù)據(jù)，一個(gè)個(gè)衛(wèi)星遙感 圖像 的數(shù)據(jù)就更大。這就是特征提取和選擇的過程，一般我們 把 原始數(shù)據(jù)組成的空間叫測量空間，把分類識(shí)別賴以進(jìn)行的空間叫特征空間，通過變換，可以把維數(shù)較高的測量空間中表示的模式變?yōu)樵诰S數(shù)較低的特征空間 中表示的模式。 4．分類決策 分類決策就是在特征空間中用統(tǒng)計(jì)方法把識(shí)對(duì)象歸為某一類別。 本文在下面的內(nèi)容中將著重探討特征提取的方法，同時(shí)并介紹一些分類決策的知識(shí)。 生物特征的多樣化發(fā)展：提起生物特征，人們自然會(huì)想到指紋，指紋技術(shù)由于其技術(shù)的穩(wěn)定性一直在生物特征領(lǐng)域是“熱門技術(shù)”，但是指紋技術(shù)自身的缺陷，也給其他生物特征留下很大的發(fā)展空間。最有代表性的是擁有掌型技術(shù)、人指靜脈紋技術(shù)、虹膜技術(shù)的廠商在今年陸續(xù) 推出了自己的最新產(chǎn)品，在例如手機(jī)等商業(yè)應(yīng)用中經(jīng)過對(duì)使用人群的簡單訓(xùn)練，這些產(chǎn)品的高識(shí)別率、可接受度等優(yōu)秀品質(zhì)受到眾多使用人員的歡迎。 FRVT2020 技術(shù)表明人面像識(shí)別技術(shù)的驗(yàn)證能力可與 1998 年的基于指紋的商用系統(tǒng)相比（ False Accept Rate 設(shè)為 ）。 特別考慮到在不久的將來有更多的大規(guī)模的項(xiàng)目指定該技術(shù)（電子生物護(hù)照指定人臉技術(shù)為必須的生物特征）。在 2020 年人臉識(shí)別技術(shù)有一項(xiàng)重大突破： 3D技術(shù)的出現(xiàn)。 多生物特征融合技術(shù)的研究：在實(shí)際應(yīng)用中，由于客觀條件變化的不可估計(jì)性，單生物特征識(shí)別技術(shù)往往會(huì)遇到難以克服的特例，譬如在使用指紋認(rèn)證時(shí)，相當(dāng)一部分人不能采集 到清晰的指紋。多生物特征認(rèn)證技術(shù)利用了多個(gè)生物特征，結(jié)合數(shù)據(jù)融合技術(shù)，不僅可以提高識(shí)別的準(zhǔn)確性，而且可以擴(kuò)大系統(tǒng)覆蓋的范圍，降低系統(tǒng)的風(fēng)險(xiǎn)，使之更接近實(shí)用。國際上許多學(xué)者已致訓(xùn)練樣本 測試樣本 圖像 預(yù)處理 圖像 預(yù)處理 特征提取矩陣 測試樣本特征 訓(xùn)練樣本特征 分類器 結(jié) 果 南京郵電大學(xué) 2020 屆本科畢業(yè)論文 4 力于多生物特征人的身份認(rèn)證技術(shù)的研究，達(dá)到最新技術(shù)發(fā)展水平的指紋和人臉商業(yè)系統(tǒng)進(jìn)行結(jié)合，并在大規(guī)模人群上進(jìn)行測試，取得令人滿意的效果。 我國生物特征技術(shù)的發(fā)展與應(yīng)