【正文】 是十分困難的，實(shí)際環(huán)境中，采集人臉圖像的過(guò)程會(huì)受到人臉姿態(tài)、光照條件、面部表情和臉部飾物等諸多不確定因素的影響。人臉識(shí)別系統(tǒng)通過(guò)視頻或靜態(tài)圖像來(lái)自動(dòng)捕獲和識(shí)別人臉，在生物特征認(rèn)證 、監(jiān)控、安檢、人機(jī)交互和多媒體監(jiān)督等領(lǐng)域有著廣泛的應(yīng)用前景。與傳統(tǒng)的身份驗(yàn)證方法相比，生物特征識(shí)別技術(shù)的優(yōu)勢(shì)在于生物特征是人類固有的特性，可以從根本上杜絕偽造和竊取的現(xiàn)象，從而滿足了人類對(duì)于驗(yàn)證方式可靠性和安全性方面的需求。因此我們需要更加方便、可靠、安全的身份驗(yàn)證方式。 身份識(shí)別與驗(yàn)證是人類日?；顒?dòng)中的基本活動(dòng)之一。 Eigenface 目 錄 1 緒 論 ............................................................................................................................... 1 人臉識(shí)別的研究背景和意義 ..................................................................................... 2 人臉識(shí)別的發(fā)展史和應(yīng)用 ......................................................................................... 3 發(fā)展歷史及發(fā)展現(xiàn)狀 .......................................................................................... 3 應(yīng)用和分類 .......................................................................................................... 4 本文的主要內(nèi)容與安排 ............................................................................................. 5 2 人臉識(shí)別基礎(chǔ) ................................................................................................................... 7 人臉庫(kù) ......................................................................................................................... 7 Yale 人臉庫(kù) ........................................................................................................... 7 ORL 人臉庫(kù) .......................................................................................................... 8 特征提取 ..................................................................................................................... 8 主成分分析 .......................................................................................................... 9 線性辨別分析 .................................................................................................... 10 分類器設(shè)計(jì) ............................................................................................................... 13 3 基于子空間分析的人臉識(shí)別方法 ................................................................................. 15 基于 PCA 的特征臉?biāo)惴? ......................................................................................... 15 基于 LDA 的 Fisher 臉?biāo)惴?..................................................................................... 17 基于 FLDA 的模糊線性判別分析算 法 .................................................................. 18 4 基于 PCA 和 FLDA 的人臉識(shí)別 ................................................................................... 20 基于 PCA+FLDA 的人臉識(shí)別算法 ........................................................................ 20 實(shí)驗(yàn)仿真 ................................................................................................................... 21 Yale 人臉庫(kù) ......................................................................................................... 21 ORL 人臉庫(kù) ........................................................................................................ 24 小結(jié) ........................................................................................................................... 27 結(jié) 論 ................................................................................................................................. 28 參考文獻(xiàn) ............................................................................................................................. 30 致 謝 ................................................................................................................................. 32 沈陽(yáng)航空航天大學(xué)畢業(yè)設(shè)計(jì)（論文） V 附錄Ⅰ 源程序清單 ........................................................................................................... 33 沈陽(yáng)航空 航天大學(xué) 畢業(yè)設(shè)計(jì)（論文） 1 1 緒 論 人臉在日常生活中發(fā)揮著重要作用，人類根據(jù)人臉進(jìn)行身份識(shí)別和表情判斷，完成日常的交際，人臉因此成為最重要和最自然的身份識(shí)別對(duì)象。 Principal Component Analysis。 關(guān)鍵詞 ： 人臉識(shí)別 ； 主成分分析 ； 模糊線性判別分析；特征臉 沈陽(yáng)航空航天大學(xué)畢業(yè)設(shè)計(jì)（論文） III Face Recognition Algorithm based on Fuzzy linear discriminant analysis Abstract Face recognition technology is a kind of Biological recognition technology. With its immediacy, uniqueness and convenience, etc. It gets more and more widely used in terms of public security, customhouse, traffic, finance, video conference, the study on robot’s intelligence. Face recognition technology is a frontier topic in the field of pattern recognition. In the past few decades, the researchers tried to use a puter to imitate human39。模糊 LDA 方法引入了模糊技術(shù)來(lái)優(yōu)化特征提取，利用隸屬度信息來(lái)描述樣本的分布信息，能得到一個(gè)更好的類中心位置估計(jì)。 該方法利用主成分分析（ PCA）方法求得訓(xùn)練樣本的特征空間，然后在此基礎(chǔ)上計(jì)算 FLDA 算法的特征子空間，進(jìn)一步對(duì)特征臉空間降維。在過(guò)去的幾十年里，研究者嘗試?yán)糜?jì)算機(jī)來(lái)模仿人類識(shí)別人臉的能力，并提出了很多人臉識(shí)別的有效算法，利用不同技術(shù)提高了人臉 識(shí)別算法的平均識(shí)別率。沈陽(yáng)航空航天大學(xué)畢業(yè)設(shè)計(jì)（論文） I 基于模糊線性判別分析的人臉識(shí)別算法設(shè)計(jì) 學(xué) 院 專 業(yè) 班 級(jí) 學(xué) 號(hào) 姓 名 指導(dǎo)教師 負(fù)責(zé)教師 摘 要 人臉識(shí)別技術(shù)是生物識(shí)別技術(shù)的一種，以其直接性，唯一性，方便性等特點(diǎn)，在公安，海關(guān)，交通，金融，視頻會(huì)議，機(jī)器人的智能化研究等方面得到了越來(lái)越廣泛的應(yīng)用。人臉識(shí)別技術(shù)是模式識(shí)別領(lǐng)域中的一個(gè)前沿課題。本文著重討論一種把特征臉和模糊線性判別分析（ FLDA）算法結(jié)合起來(lái)進(jìn)行人臉識(shí)別的方法。經(jīng)過(guò) FLDA 降維后的子空間中，同一類別的樣本盡可能靠近，不同類別的樣本盡可能分散（即降維后同一個(gè)人的人臉圖像盡可能的靠近，不同人的人臉圖像盡可能的分散開(kāi)）。應(yīng)用于 Yale 及 ORL 人臉庫(kù)的實(shí)驗(yàn)結(jié)果表明，該算法具有較高的識(shí)別率。s ability to recognize faces, and a lot of effective algorithm of face recognition was proposed, and they used different technology increased the average recognition rate of face recognition algorithm. This paper focuses on a face recognition method which bining with the principal ponent analysis and fuzzy linear discriminant analysis (FLDA) algorithm. This method obtains the characteristics space of the training sample with the principal ponent analysis(PCA) algorithm, then on the basis of this calculation, get another FLDA’S feature subspace which has lower dimensions. In this FLDA’s feature subspace, samples of the same category are as near as possible, different types of sample are as disperse as possible (In other words, after the dimension reduction, the same person face image are as near as possible, the different human face image are as far as possible). The fuzz