【正文】 01=1 0 01=1 0 01=圖 人臉識(shí)別仿真結(jié)果提取面部特征，將人臉圖像看成高維向量，將其組成一個(gè)向量矩陣，對(duì)每一幅圖像進(jìn)行變換（即在特征空間中進(jìn)行投影）計(jì)算其協(xié)方差矩陣，故經(jīng)過(guò) PCA 變換去除了數(shù)據(jù)間的相關(guān)性，減小了冗余。選取大的特征值，即將特征值按從大到小排序，選取前 k 個(gè)特征值對(duì)應(yīng)的特征向量，主成分矩陣為樣本在該特征空間上的投影，從而計(jì)算出特征向量和特征值，對(duì)于要測(cè)試的人臉，將其在該子空間上投影，得到其坐標(biāo)，和樣本空間上各個(gè)人臉的坐標(biāo)相比較，距離最近的即為該人臉的識(shí)別結(jié)果。第 5 章 總結(jié)與展望 總結(jié) 本文以人臉識(shí)別算法中特征提取、分類器設(shè)計(jì)作了系統(tǒng)的研究，在理論、方法和應(yīng)用上進(jìn)行了一系列探索，所取得的主要成果總結(jié)如下: ，發(fā)展與現(xiàn)狀，研究?jī)?nèi)容與主要方法，及常用的人臉識(shí)別標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)。PCA 作為一種多元數(shù)據(jù)處理方法，它可以最優(yōu)地表達(dá)原始數(shù)據(jù)，是滿足最小均方誤差意義下的最優(yōu)，可以表達(dá)原始數(shù)據(jù)的變化?，F(xiàn)將低維數(shù)據(jù)映射到高維特征空間中，在該特征空間中可以應(yīng)用線性分類算法，這將是下一步要做的工作。　 　 人 臉 識(shí) 別 系 統(tǒng) 其 實(shí) 是 臺(tái) 特 殊 的 攝 像 機(jī) ， 判 斷 速 度 相 當(dāng) 快 ， 只 需 要 秒 左 右 ，由 于 利 用 的 是 人 體 骨 骼 的 識(shí) 別 技 術(shù) ， 所 以 即 使 易 容 改 裝 ， 也 難 以 蒙 過(guò) 它 的 眼 睛 。 另 外 ， 某 些 重 要 區(qū) 域 如 控 制 中 心 只 允 許 特 定 身 份 的 工 作 人 員 進(jìn) 出 ，這 時(shí) 候 面 部 檔 案 信 息 未 被 系 統(tǒng) 存 儲(chǔ) 的 所 有 人 全 都 會(huì) 被 拒 之 門(mén) 外 。 用 于 人 臉 識(shí) 別 的 攝 像機(jī) 一 天 24 小 時(shí) 都 可 工 作 ， 第 一 它 不 侵 犯 人 權(quán) ， 第 二 它 是 很 安 全 的 ， 無(wú) 論 室 內(nèi) 還 是 戶外 均 可 使 用 。 而 且 被 觀 察 的 人 不 知 道 有 設(shè) 備 在 監(jiān) 視 他 ， 起 到 了 科 技 奧 運(yùn) 、 文 明 奧 運(yùn) 的人臉識(shí)別方法的分析與研究 16 功 能 。 人 臉 識(shí) 別 技 術(shù) 應(yīng) 該 包 括 復(fù) 雜 背 景 下 的 人 臉 定 位 和 純 臉 分 割 ,以及 人 臉 識(shí) 別 兩 個(gè) 方 面 的 工 作 。 而 人 臉 的 自 動(dòng) 分 割 是 一 個(gè) 很 有 挑 戰(zhàn) 性 的 研 究 課 題 。 它 的 有 點(diǎn) 在 于 應(yīng) 用 簡(jiǎn) 單 ,算 法 穩(wěn) 健 ， 隨 著 新 的 分類 算 法 的 出 現(xiàn) ,基 于 代 數(shù) 特 征 的 人 臉 識(shí) 別 方 法 仍 然 有 很 大 的 發(fā) 展 空 間 。 人 臉 面 部 的 細(xì) 節(jié) 信 息 非 常 重 要 ,對(duì) 表 情 的 識(shí) 別 起 著極 其 重 要 的 作 用 , 如 何 充 分 利 用 人 臉 本 身 的 豐 富 信 息 將 是 面 部 表 情 識(shí) 別 研 究 一 個(gè) 值 得探 索 的 方 向 。人臉識(shí)別方法的分析與研究 17 參考文獻(xiàn)[1] [J]Pattern Recognition , 1991. 22（1）：43~44.[2] Yuille A L. Detection Templates for Face Recognition[J]Cognitive Neuroscience , 1991. 191~200[3] 盧春雨,.[J] 北京 。4~6.[4] 陳剛,.[D]2022年5月. 23(1):45~46 .[5] 杜平,徐大為,劉重慶. 基于整體特征的人臉識(shí)別方法的研究 [J].2022年6月. 49（3）。2~3.[7] 楊奕若,王煦法,.[Z]1997年11月. 33(5): 871~875.[8] 邊肇祺, 張學(xué)工, 閻平凡, 等. 模式識(shí)別[D]. 北京: 清華大學(xué)出版社, 2022. 30(2)16~17.人臉識(shí)別方法的分析與研究 18 附錄% Kernel PCA toy example for k(x,y)=exp(||xy||^2/rbf_var), cf. Fig. 4 in % article{SchSmoMue98,% author = B.~{Sch\olkopf} and A.~Smola and .~{M\uller},% title = Nonlinear ponent analysis as a kernel Eigenvalue problem,% journal = {Neural Computation},% volume = 10,% issue = 5,% pages = 1299 1319,% year = 1998}% This file can be downloaded from % Last modified: 4 July 2022 % parameters%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%rbf_var = 。ynum = 2。% (extract features from the first max_ev Eigenvectors)x_test_num = 15。cluster_pos = [ 。 0]。 % generate a toy data set%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%num_clusters = size(cluster_pos,1)。patterns = zeros(train_num, 2)。randn(39。, 0)。人臉識(shí)別方法的分析與研究 19 patterns((i1)*cluster_size+1:i*cluster_size,2) = cluster_pos(i,2)+*randn(cluster_size,1)。x_range = range:(2*range/(x_test_num 1)):range。y_range = range+ y_offset:(2*range/(y_test_num 1)):range+ y_offset。test_patterns(:, 1) = xs(:)。cov_size = train_num。 K(j,i) = K(i,j)。% centering in feature space!K_n = K unit*K K*unit + unit*K*unit。evals = real(diag(evals))。end % extract features%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% do not need the following here only need test point features%unit_train = ones(train_num,cov_size)/cov_size。% end%end%K_train_n = K_train unit_train*K K_train*unit + unit_train*K*unit。%features = K_train_n * evecs(:,1:max_ev)。人臉識(shí)別方法的分析與研究 20 K_test = zeros(test_num,cov_size)。 endendK_test_n = K_test unit_test*K K_test*unit + unit_test*K*unit。test_features = K_test_n * evecs(:,1:max_ev)。 clffor n = 1:max_ev, subplot(ynum, xnum, n)。 imag = reshape(test_features(:,n), y_test_num, x_test_num)。xy39。 hold on。 shading interp contour(x_range, y_range, imag, 9, 39。)。r.39。Eigenvalue=%39。 hold o