人脸识别系统报告解析.docx

《人脸识别系统报告解析.docx》由会员分享，可在线阅读，更多相关《人脸识别系统报告解析.docx（23页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、摘要文章具体争论了主成分分析( PCA)人脸识别算法的原理及实现。它具有简洁、快速和易行等特点,能从整体上反映人脸图像的灰度相关性具有肯定的有用价值。人脸识别是目前较活泼的争论领域 , 本文具体给出了基于主成分分析的人脸特征提取的原理与方法。并使用 matlab 作为工具平台, 实现了一个人脸自动识别的系统原型。试验结果说明, 该系统识别率为 100%, 到达预期的效果。假设想进一步提高人脸识别率, 可以考虑与其他方法结合。仅单独使用任何一种现有的方法一般都不会取得很好的识别效果, 将其他人脸识别方法组合是今后争论的一种趋势。也可以考虑改进分类决策的方法。本系统承受的最小距离分类法属于线性的分

2、类器, 而利用神经网络这类学习力量更强的非线性分类器对高维人脸识别问题可能会有更好的解决。1名目1. 引言12. 需求分析12.1 课题的来源12.2 人脸识别技术的争论意义22.2.1 面部关键特征定位及人脸 2D 外形检测技术22.2.2 面部感知系统的重要内容22.3 人脸识别的国内外进展概况32.3.1 国外的进展概况32.3.2 国内的进展概况43. 概要设计53.1 问题描述53.2 模块设计53.3 主成分的一般定义63.4 主成分的性质73.5 主成分的数目的选取74. 具体设计-PCA 算法的功能实现84.1 引言84.2 K-L 变换84.3 PCA 方法94.4 利用 P

3、CA 进展人脸识别105. 试验及结果分析116. 总结147. matlab 源码15参考文献191. 引言人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一，同时也具有较为广泛的应用意义。人脸识别技术是一个格外活泼的争论领域，它掩盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。如今，虽然在这方面的争论已取得了一些可喜的成果，但是 FRT 在有用应用中仍面临着很严峻的问题,由于人脸五官的分布是格外相像的，而且人脸本身又是一个柔性物体，表情、姿势或发型、化装的千变万化都给正确识别带来了相当大的麻烦。如何能正确识别大量的人并满足实时性要求是迫切需要解决

4、的问题。现在人脸识别技术已经应用在很多领域中，并起到了举足轻重的作用，人脸识别争论开头于 1966 年 PRI 的 Bledsoe 的工作，经过三十多年的进展，人脸识别技术取得了长足的进步，现在就目前国内外的进展状况来进展展述。2. 需求分析2.1 课题的来源随着安全入口掌握和金融贸易方面应用需要的快速增长，生物统计识别技术得到了的重视。目前，微电子和视觉系统方面取得的进展，使该领域中高性能自动识别技术的实现代价降低到了可以承受的程度。而人脸识别是全部的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的技术。人们更多的是在电影中看到这种技术的奇特应用：警察将偷

5、拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进展比对，并找出该嫌犯的具体资料和犯罪记录。这并非虚构的情节。在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。在国内，对于人脸识别技术的争论始于上世纪 90 年月，目前主要应用在公安、金 融、网络安全、物业治理以及考勤等领域。2.2 人脸识别技术的争论意义2.2.1 面部关键特征定位及人脸 2D 外形检测技术在人脸检测的根底上，面部关键特征检测试图检测人脸上的主要的面部特征点的位置和眼睛和嘴巴等主要器官的外形信息。灰度积分投影曲线分析、模板匹配、可变形模板、Hough 变换、Snake 算子、基于 Gabor 小波变

6、换的弹性图匹配技术、主动性状模型和主动外观模型是常用的方法。可变形模板的主要思想是依据待检测人脸特征的先验的外形信息，定义一个参数描述的外形模型，该模型的参数反映了对应特征外形的可变局部，如位置、大小、角度等，它们最终通过模型与图像的边缘、峰、谷和灰度分布特性的动态地交互适应来得以修正。由于模板变形利用了特征区域的全局信息，因此可以较好地检测出相应的特征外形。由于可变形模板要承受优化算法在参数空间内进展能量函数微小化，因此算法的主要缺点在于两点：一、对参数初值的依靠程度高，很简洁陷入局部最小；二、计算时间长。针对这两方面的问题，我们承受了一种由粗到细的检测算法：首先利用人脸器官构造的先验学问、

7、面部图像灰度分布的峰谷和频率特性粗略检测出眼睛、鼻子、嘴、下巴的大致区域和一些关键的特征点；然后在此根底上，给出了较好的模板的初始参数，从而可以大幅提高算法的速度和精度。眼睛是面部最重要的特征，它们的准确定位是识别的关键。基于区域增长的眼睛定位技术， 该技术在人脸检测的根底上，充分利用了眼睛是面部区域内脸部中心的左上方和右上方的灰度谷区这一特性，可以准确快速的定位两个眼睛瞳孔中心位置。该算法承受了基于区域增长的搜寻策略，在人脸定位算法给出的大致人脸框架中，估量鼻子的初始位置，然后定义两个初始搜寻矩形，分别向左右两眼所处的大致位置生长。该算法依据人眼灰度明显低于面部灰度的特点， 利用搜寻矩形找到

8、眼部的边缘，最终定位到瞳孔的中心。试验说明，本算法对于人脸大小、姿势和光照的变化，都有较强的适应力量，但在眼部阴影较重的状况下，会消灭定位不准。佩戴黑框眼镜，也会影响本算法的定位结果。2.2.2 面部感知系统的重要内容基于视觉通道信息的面部感知系统，包括人脸检测和跟踪、面部特征定位、面部识别、人脸归类年龄、种族、性别等的判别、表情识别、唇读等分系统，如图1-1 所式，可以看出，继人脸检测和跟追之后，面部特征定位通常是面部感知的一个必备环节，是后续工作的根底， 具有重要的意义。尽管人脸识别不能说是其他面部感知模块的必备功能，但是， 可以确定的是，利用的身份信息，结合特定人的先验学问，可以提高表情

9、分析、唇读和语音识别、手势识别乃至手写体识别的牢靠性。而计算机对使用者身份确认的最直接的应用就是基于特定使用者的环境设置：如使用者的共性化工作环境，信息的共享和隐私保护等等。视频输入跟踪人脸检测和面部特征定位人脸识别身份信息表情分析情感状态性别推断性别信息种族推断种族信息年龄判别年龄信息唇 读唇形类别图 1 面部感知系统构造图2.3 人脸识别的国内外进展概况2.3.1 国外的进展概况见诸文献的机器自动人脸识别争论开头于 1966 年 PRI 的 Bledsoe 的工作，1990 年日本研制的人像识别机，可在 1 秒钟内中从 3500 人中识别到你要找的人。1993 年，美国国防部高级争论工程

10、署 (Advanced Research Projects Agency) 和美国陆军 争论试验室 (Army Research Laboratory)成立了 Feret(Face Recognition Technology) 工程组，建立了 feret 人脸数据库，用于评价人脸识别算法的性能。美国陆军试验室也是利用 vc+开发，通过软件实现的，并且 FAR 为 49%。在美国的进展的公开测试中，FAR，为 53%。美国国防部高级争论工程署，利用半自动和全自动算法。这种算法需要人工或自动指出图像中人的两眼的中心坐标，然后进展识别。在机场开展的测试中，11系统发出的错误警报太多，国外的一些高校

11、卡内基梅隆大学Carnegie Mellon University为首，麻省理工大学Massachusetts Institute of Technology 等，英国的雷丁大学University of Reading 和公司Visionics公司 Facelt 人脸识别系统、Viiage 的 FaceFINDER 身份验证系统、Lau Tech 公司 Hunter 系统、德国的 BioID 系统等的工程争论工作也主要放在公安、刑事方面，在考试验证系统的实现方面深入争论并不多。2.3.2 国内的进展概况人脸识别系统现在在大多数领域中起到举足轻重的作用，尤其是用在机关单位的安全和考勤、网络安全

12、、银行、海关边检、物业治理、军队安全、智能身份证、智能门禁、司机驾照验证、计算机登录系统。我国在这方面也取得了较好的成就，国家863 工程“面像检测与识别核心技术”通过成果鉴定并初步应用，就标志着我国在人脸识别这一当今热点科研领域把握了肯定的核心技术。北京科瑞奇技术开发股份在 2023 年开发了一种人脸鉴别系统，对人脸图像进展处理，消退了照相机的影响，再对图像进展特征提取和识别。这对于人脸鉴别特别有价值，由于人脸鉴别通常使用正面照，要鉴别的人脸图像是不同时期拍摄的，使用的照相机不一样。系统可以承受时间间隔较长的照片，并能到达较高的识别率，在计算机中库藏 2300人的正面照片，每人一张照片，使用

13、相距 1-7 年、差异比较大的照片去查询，首选率可以达到 50%，前 20 张输出照片中包含有与输入照片为同一人的照片的概率可达 70% 。 2023 年 1月 18 日，由清华大学电子系人脸识别课题组负责人苏光大教授主持担当的国家“十五“攻关工程人脸识别系统通过了由公安部主持的专家鉴定。鉴定委员会认为，该项技术处于国内领先水平和国际先进水平。本课程设计主要对该人脸识别系统进展模块划分，并介绍各模块的功能，重点介绍图像预处理模块，对其内的子模块的功能和算法进展具体表达，主要介绍光线补偿、图像灰度化、高斯平滑、均衡直方图、图像比照度增加，图像预处理模块在整个系统中起着极其关键的作用， 图像处理的

14、好坏直接影响着后面的定位和识别工作。3. 概要设计3.1 问题描述对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩开放，看成一个矢量，如一幅N*N 象素的图像可以视为长度为 N2 的矢量，这样就认为这幅图像是位于 N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的很多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的根本思想都是一样的，首先选择一个适宜的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相像度，最常见的就是各种距离度量。因此，本次试题承受PCA 算法并利用 GUI 实现。对同

15、一个体进展多项观看时，必定涉及多个随机变量 X1，X2，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们期望有一个或几个较好的综合指标来概括信息，而且期望综合指标相互独立地各代表某一方面的性质。任何一个度量指标的好坏除了牢靠、真实之外，还必需能充分反映个体间的变异。假设有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看， 一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.2 模块设计完成人脸识别的工作需要一系列的步骤，它们结合起来构成一个完整的流程。由于争论人员来自不同的学科、

16、具有不同的背脊，而且不同的人脸识别应用中对识别的目标也不同，所以人脸识别的流程并不统一一个比较通用的人脸识别流程如以下图所示：匹配识别特征降维特征提取人脸检测/跟踪输入图像结果输出-图 2 人脸识别流程图其主要步骤包括：人脸检测/跟踪,特征提取,特征降维,匹配识别.它们之间根本上是串行的关系。（1） 人脸检测/跟踪。人脸检测是完成人脸识别工作的自动系统的第一个步骤。该步骤的目的是在输入的图像中查找人脸区域。具体来说：给定意一幅任图像，人脸检测的目的是确定是否图像州有人脸存在，假设存在，给出每个人脸的具体位置和范围。实际应用中人脸图像的采集或猎取常在非受控的条件下进展，这样所得到的图像中的人脸在

17、尺寸、朝向、明暗、遮挡、区分率等方面都有很多不同，使同一的人脸消灭各种变形，并有可能导致各种误识、漏识等失败的状况。为校正人脸在尺度、光照和旋转等方面的变化，常需承受一些包括几何归一化空间尺度归一化和光照归一化灰度幅值归一化等手段来调整不同的人脸图像，以利于用统一算法进展识别。（2） 特征提取。 为区分不同的人脸，需提取各种人脸的独特性质。也就是要从人脸图像中映射提取一组反映人脸特征的数值表示样本。这里首先需要实行某种表示方式来表示检测出的人脸和数据库中的人脸。通常的表示法包括几何特征如欧氏距离、曲率、角度、代数特征如矩阵或特征向量、固定特征模板、特征脸等。（3） 特征降维。 人脸是一个非刚性

18、的自然物体柔性体，从人脸图像中可提取很多不同特征，所以表征人脸的原始特征对应高维空间中的数据对一幅 M*N 的图像，空间维数可达 M*N。直接利用这样高维的数据进展识别除需要很多的匹配计算量外，由于很难对各高维数据的描述力量做有效的推断，故还不能保证基于这么多数据进展的识别结果的正确性。在特征提取后，需承受紧凑的人脸表征方式，将原始特征进展筛选组合，集中信息，降低维数，使这些低维空间的有效性的到提高，以有利于接下来的匹配分类。（4） 匹配识别。 在特征提取的根底上，选择使当的匹配策略，可将待识别的人脸与数据库中的人脸进展匹配比较，建立它们的相关关系，并输出所作出的推断决策/打算识别结果。与人脸

19、检测不同，这里利用的主要是人脸个体差异的信息。有两种识别目的和状况需要区分：一种是对人脸图像的验证,即要确认输入人脸图像中的人是否在数据库中，属于有监视的识别；另一种是对人脸图像的辨识，即要确认输入图像中的人的身份，属于无监视的识别。3.3 主成分的一般定义设有随机变量 X1，X2，Xp， 其样本均数记为 ， ， ，样本标准差记为 S1，S2，Sp。首先作标准化变换，我们有如下的定义：(1) 假设 C1=a11x1+a12x2+ +a1pxp，且使 Var(C1)最大，则称 C1 为第一主成分；(2) 假设 C2=a21x1+a22x2+a2pxp， ，(a21，a22，a2p)垂直于(a11

20、，a12，a1p)，且使 Var(C2)最大，则称 C2 为其次主成分；(3) 类似地，可有第三、四、五主成分，至多有 p 个。3.4 主成分的性质主成分 C1，C2，Cp 具有如下几共性质：1) 主成分间互不相关，即对任意 i 和 j，Ci 和 Cj 的相关系数Corr(Ci，Cj)=0ij(2) 组合系数(ai1，ai2，aip)构成的向量为单位向量，(3) 各主成分的方差是依次递减的， 即Var(C1)Var(C2)Var(Cp)(4) 总方差不增不减， 即Var(C1)+Var(C2)+ +Var(Cp)=Var(x1)+Var(x2)+ +Var(xp) =p这一性质说明，主成分是原

21、变量的线性组合，是对原变量信息的一种改组，主成分不增加总信息量，也不削减总信息量。(5) 主成分和原变量的相关系数 Corr(Ci，xj)=aij =aij(6) 令 X1，X2，Xp 的相关矩阵为 R,(ai1，ai2，aip)则是相关矩阵 R 的第 i 个特征向量(eigenvector),而且，特征值i 就是第 i 主成分的方差。3.5 主成分的数目的选取前已指出，设有 p 个随机变量，便有 p 个主成分。由于总方差不增不减，C1，C2 等前几个综合变量的方差较大,而 Cp，Cp-1 等后几个综合变量的方差较小, 严格说来，只有前几个综合变量才称得上主(要)成份，后几个综合变量实为“次”

22、 (要)成份。实践中总是保存前几个， 无视后几个。保存多少个主成分取决于保存局部的累积方差在方差总和中所占百分比(即累计奉献率)， 它标志着前几个主成分概括信息之多寡。实践中，粗略规定一个百分比便可打算保存几个主成分；假设多留一个主成分，累积方差增加无几，便不再多留。4. 具体设计-PCA 算法的功能实现4.1 引言PCA，即Principal Component Analysis，主成分分析方法，是一种得到广泛应用的事实上的标准人脸识别方法。传统主成分分析方法的根本原理是：利用 K-L 变换抽取人脸的主要成分， 构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与各个人脸图

23、像比较进展识别。这种方法使得压缩前后的均方误差最小，且变换后的低维空间有很好的区分力量。4.2 K-L 变换PCA 方法是由 Turk 和 Pentlad 提出来的，它的根底就是 Karhunen-Loeve 变换简称 K-L 变换，是一种常用的正交变换。首先对 K-L 变换作一个简洁介绍：假设 X 为 n 维的随机变量，X 可以用 n 个基向量的加权和来表示：nX=i=1aii式中：i 是加权系数，i 是基向量，此式可以用矩阵的形式表示：X =(1 ,2,3 ,n)( 1, 2, n)= 系数向量为：=TX综上所述，K-L 开放式的系数可用以下步骤求出：步骤一 求随机向量X 的自相关矩阵 R

24、=EXTX,由于没有类别信息的样本集的均值向量， 常常没有意义，所以也可以把数据的协方差矩阵=E(x-)(x-)T作为 K-L 坐标系的产生矩阵，这里是总体均值向量。步骤二 求出自相关矩阵或者协方差矩阵 R 的本征值i 和本征向量i，=(1 ,2,3 ,n)步骤三 开放式系数即为=TXK-L 变换的实质是建立一个的坐标系，将一个物体主轴沿特征矢量对齐的转变换，这个变换解除了原有数据向量的各个重量之间相关性，从而有可能去掉那些带有较少信息的坐标系以到达降低特征空间维数的目的。4.3 PCA 方法PCA 方法，也被叫做特征脸方法(eigenfaces)，是一种基于整幅人脸图像的识别算法，被广泛用于

25、降维，在人脸识别领域也表现突出。一个 NN 的二维脸部图片可以看成是N 的一个一维向量，一张 11292 的图片可以看成是一个 10，304 维的向量，同时也可以看成是一个10， 304 维空间中一点。图片映射到这个巨大的空间后，由于人脸的构造相对来说比较接近，因此， 可以用一个相应的低维子空间来表示。我们把这个子空间叫做“脸空间”。PCA 的主要思想就是找到能够最好地说明图片在图片空间中的分布状况的那些向量。这些向量能够定义“脸空 间”，每个向量的长度为 N，描述一张 NN 的图片，并且是原始脸部图片的一个线性组合。对于一副 M*N 的人脸图像，将其每列相连构成一个大小为 D=M*N 维的列

26、向量。D 就是人脸图像的维数，也即是图像空间的维数。设n 是训练样本的数目；Xj 表示第j 幅人脸图像形成的人脸向量，则所需样本的协方差矩阵为：Sr=N (xjj=1- u)(xi- u)T(1)其中 u 为训练样本的平均图像向量：1 nxu =njj=1(2)令 A=x1-u x2-uxn-u,则有 Sr=AAT,其维数为 D*D。依据 K-L 变换原理，需要求得的坐标系由矩阵 AAT 的非零特征值所对应得特征向量组成。直接计算的计算量比较大，所以承受奇异值分解SVD定理，通过求解 ATA 的特征值和特征向量来获得 AAT 的特征值和特征向量。依据 SVD 定理，令 li(i=1,2,r)为

27、矩阵 ATA 的 r 个非零特征值，vi 为 ATA 对应于 li 的特征向量，则 AAT 的正交归一特征向量 ui 为：liu =1Avii(i=1,2,r)(3)则特征脸空间为：w=(u1 ,u2 ur,)。将训练样本投影到“特征脸”空间，得到一组投影向量=wTu，构成人脸识别的数据库。在识别时，先将每一幅待是识别的人脸图像投影到“特征脸”空间，再利用最近邻分类器的比较其与库中人脸的位置，从而识别出该图像是否是库中的人脸，假设是，是哪一个人脸。4.4 利用 PCA 进展人脸识别完整的 PCA 人脸识别的应用包括几个步骤：人脸图像预处理；读入人脸库，训练形成特征子空间；把训练图像和测试图像投

28、影到上一步骤中得到的子空间上；选择肯定的距离函数进展识别。本课程设计承受 matlab 作为工具平台, 实现了一个人脸自动识别的系统原型。试验在样本图库英国剑桥大学的 ORL( Olivetti Research Laboratory) 人脸库上进展,它为网上下载的国外标准人脸数据库。ORL 库包含 40 个人,每个人 10 副图像,共计 400 幅人脸正面图像,每幅图像大小为 92112,图像是在不同时间,光线稍微变化的条件下摄制的,其中包括姿势、光照和表情的差异。其中局部如图 1 所示:图 3 ORL 人脸数据库中的 5 幅图像该数据库供给了经过预处理的人脸训练集和测试集。选取前 5 张人

29、脸图像作为训练样本, 后 5 张人脸图像作为测试样本。本试验运行的环境是 IntelCelero n CPU 2.00GHz 处 理器、512MB 内 存,Window s XP 操作系统,对 ORL 人脸库样本训练时间为 70. 91s,识别率为 90% ,训练样本数目多增加人脸特征库的容量,会几何级增加人脸识别核心算法的时间和空间简单度。在识别结果的显示窗口中, 一共显示了在整个人脸图像库中最小的 10 个欧氏距离,它们的排列也是从小到大进展排列的,同时, 换句话说,这 10 个欧氏距离,也就分别代表了与试验中选取的待识别的人脸图像最相近的 10 幅人脸图像。距离最近, 固然也就是我们试验

30、所需识别的人脸图像。下面具体描述整个过程：（1） 读入人脸库归一化人脸库后，将库中的没人选择肯定数量的图像构成训练集，其余的构成测试集。设归一化后的图像时 n*m 维，按列相连就构成N=n*m 维矢量，可视为N 维空间中的一个点，可10以空过 K-L 变换用一个低维子空间描述这个图像。（2） 计算通过 K-L 变换的生成矩阵全部训练样本的协方差矩阵为以下三个等价；M x .x11C1=(kk =1kT)/M-mx.mxTC1=(A.AT)/M(1)C1=Mi=1(x - m )(x - m )Tixix/MA=(12,m), i=xi-mx，其中 mx 是平均人脸，M 是训练人脸数，协方差矩阵

31、 C1是一个 N*N 的矩阵，N 是 xi 的维数。为了便利计算特征值和特征向量，一般选用其次个公式。依据K-L 变换原理，我们所求的坐标即由矩阵 A.AT 的非零特征值所对应的特征向量组成。直接求 N*N 大小矩阵的 C1 的特征值和正交归一特征向量是很困难的，依据奇异值分解原理，可以通过求解 ATA 的特征值和特征向量来获得 AAT 的特征值和特征向量。（3） 识别利用公式 Y=UT*X，首先把全部图片进展投影，然后对于测试图片也进展同样的投影，承受判别函数对投影系数进展识别。5. 试验及结果分析试验在两个图库上测试，一个是自建人脸库，该库包含 10 个不同人物，每人有 5 张不同表情和姿

32、势下的图片，总共 50 幅。另一个是 ORL 人脸库，该库包含 40 个不同人物，每人有10 张图片，共 400 幅。用训练样本进展测试，识别率为 100%。而随着训练样本的增加，识别率会有所提升，由于标准人脸库在采集时考虑了多种因素，人脸图像比较标准，所以识别率较自建的人脸库识别率高，另外由于自建人连库的图片太少，即训练样本太少，也会对结果产生影响，效果不是很好。进展直方图均衡化比灰度归一化的识别率高，预处理对识别的效果起着至关重要的作用。而此次试验的预处理还比较粗糙，PCA 也只是起到了简洁的特征脸降维的作用，要有更好的效果，还必需查找更好的特征表达，使得可以尽量消退光照、表情、遮掩和姿势

33、的影响。以下图为测试流程截图：图4 用户使用界面12图5 图片选择后13图6 查找后6. 总结由于我以前自学过一局部GUI方面的学问，所以本次试题我承受了Matlab中的GUI图形用户界面为主要表现形式，我认为在这次的题目下GUI比单纯的M文件会有更强的应用、测试及表现效果，但由于之前对人脸识别算法不太了解，所以花了很长时间去分析理解，最终选择了较为简洁且有用的PCA算法。从使用的角度考虑，我还为库中的每个人取了一个名字，最终查找到时会在标题处显示其名字，下方显示库中与测试图片最接近的库图片。由于是利用了标准人脸库，并且识别的人数不是很多，所以最终的结果还是格外不错的，识别率可达100%。14

34、7. matlab 源码“读取图片”按钮function pushbutton1_Callback(hObject, eventdata, handles)% hObjecthandle to pushbutton1 (see GCBO)% eventdatareserved - to be defined in a future version of MATLAB% handlesstructure with handles and user data (see GUIDATA)%读取待查找图片global im;%由于要在两个按钮函数中使用，故使用全局变量filename, pathnam

35、e=.uigetfile(”*.bmp”,”选择图片”);str = pathname, filename;%合成路径+文件名im = imread(str);%读取图片axes( handles.axes1);%使用第一个 axes imshow(im);title(”待查找”)%显示图片“开头查找”按钮function pushbutton2_Callback(hObject, eventdata, handles)% hObjecthandle to pushbutton2 (see GCBO)% eventdatareserved - to be defined in a future

36、 version of MATLAB% handlesstructure with handles and user data (see GUIDATA)% PCA 人脸识别global im;%使用全局变量imgdata=;%训练图像矩阵for i=1:10for j=1:515a=imread(strcat(”C:UsersThinkDesktoporlpractice”,num2str(i),”,num2str(j), ”.bmp”);b=a(1:112*92); % b 是行矢量 1N，其中 N10304 b=double(b);imgdata=imgdata; b; % imgdat

37、a 是一个 M * N 矩阵，imgdata 中每一行数据一张图片， M50end; end;imgdata=imgdata”; %每一列为一张图片imgmean=mean(imgdata,2); % 平均图片，N 维列向量for i=1:50minus(:,i) = imgdata(:,i)-imgmean; % minus 是一个 N*M 矩阵，是训练图和平均图之间的差值end;covx=minus”* minus; % M * M 阶协方差矩阵COEFF, latent,explained = pcacov(covx”); %PCA，用协方差矩阵的转置来计算以减小计算量% 选择构成 95

38、%的能量的特征值i=1;proportion=0; while(proportion 95)proportion=proportion+explained(i); i=i+1;end; p=i-1;% 训练得到特征脸坐标系i=1;while (i0)base(:,i) = latent(i)(-1/2)*minus * COEFF(:,i); % base 是 Np 阶矩阵，用来进展投影，除以 latent(i)(1/2)是对人脸图像的标准化i = i + 1; end% 将训练样本对坐标系上进展投影,得到一个 p*M 阶矩阵为参考reference = base”*minus;%测试过程在测

39、试图片文件夹中选择图片，进展查找测试a=im; b=a(1:10304);b=double(b); b=b”;object = base”*(b-imgmean); distance=100000;%最小距离法，查找和待识别图片最为接近的训练图片for k=1:50temp= norm(object - reference(:,k); if (distance temp)which = k; distance = temp;end; end;%找出距离最近的图片所在的位置num1 = ceil(which/5);%第 num1 个文件夹num2 = mod(which,5);%第 num2 个

40、图片文件if (num2 = 0)num2 = 5;end; I=imread(strcat(”C:UsersThinkDesktoporltest”,num2str(num1),”,num2str(num2),”.bmp”);%读取该图片axes( handles.axes2);%使用第 2 个 axes%输出推断所最接近的训练样本的人脸图片并显示其人名switch num1case 1imshow(I);title(”此人为 Peter”);%显示图片及人名case 2imshow(I);title(”此人为 Ben”); case 3imshow(I);title(”此人为 Nick”)

41、; case 4imshow(I);title(”此人为 Park”); case 5imshow(I);title(”此人为 Linkin”); case 6imshow(I);title(”此人为 Andy”); case 7imshow(I);title(”此人为 Arthur”); case 8imshow(I);title(”此人为 Lisa”);case 9imshow(I);title(”此人为 Dana”); case 10imshow(I);title(”此人为 Sara”);end;“退出”按钮function pushbutton3_Callback(hObject, e

42、ventdata, handles)% hObjecthandle to pushbutton3 (see GCBO)% eventdatareserved - to be defined in a future version of MATLAB% handlesstructure with handles and user data (see GUIDATA)%退出close(gcf);参考文献1 邓楠, 基于主成份分析的人脸识别. 2023.06.2 龚勋, PCA 与人脸识别及其理论根底. 2023.04.3 田印中, 董志学, 黄建伟,基于 PCA 的人脸识别算法争论及实现. 2023.03.4 李华胜, 杨桦,袁保宗. 人脸识别系统中的特征提取. 2023,06.5 温福喜, 刘雄伟.基于 2D PCA 和 2D LDA 的人脸识别方法. 2023.08.6 李刚, 高政.人脸识别理论争论进展. 2023, 01.7 张翠平, 苏光大.人脸识别技术综述. 2023, 05.8 罗昊, 孟传良.基于特征脸和 LDA 的人脸识别.2023,12