基于MATLAB的人脸识别说明书

洗手燕山大学课程设计（论文）任务书洗手院（系）BEEF基层教学单位BEEF学号学生姓名专业（班级）设计题目基于MATLAB的人脸识别设洗手计洗手技洗手术洗手参洗手数洗手测试数据库图片10张洗手训练数据库图片20张洗手图片大小1024768洗手特征向量提取阈值1洗手设洗手计洗手要洗手求洗手综合运用本课程的理论知识，吃饭并利用MATLAB作为工具实现对人脸图片的预处理，吃饭运用PCA算法进行人脸特征提取，吃饭进而进行人脸匹配识别。洗手工洗手作洗手量洗手一周的课程设计时间，吃饭完成一份课程设计报告书，吃饭包括设计的任务书、BEEF基本原理、BEEF设计思路与设计的基本思想、BEEF设计体会以及相关的程序代码；BEEF洗手熟练掌握MATLAB的使用。洗手工洗手作洗手计洗手划第1天按要求查阅相关资料文献，吃饭确定人脸识别的总体设计思路；BEEF洗手第2天分析设计题目，吃饭理解人脸识别的原理同时寻求相关的实现算法；BEEF洗手第3天编写程序代码，吃饭创建图片数据库，吃饭运用PCA算法进行特征提取并编写特征脸，吃饭上机进行调试；BEEF洗手第4天编写人脸识别程序，吃饭实现总体功能；BEEF洗手第5天整理思路，吃饭书写课程设计报告书，吃饭完成答辩。洗手洗手参洗手考洗手资洗手料洗手1谢平，吃饭林洪彬，吃饭王娜信号处理原理及应用机械工业出版社,2004洗手2刘敏,魏玲MATLAB通信仿真与应用国防工业出版社,2005洗手3楼顺天基于MATLAB7X的系统分析与设计西安电子科技大学,2002洗手指导教师签字基层教学单位主任签字说明BEEF此表一式四份，吃饭学生、BEEF指导教师、BEEF基层教学单位、BEEF系部各一份。洗手洗手目录洗手洗手引言1洗手1人脸识别技术2洗手11人脸识别的研究内容2洗手111人脸检测FACEDETECTION2洗手112人脸表征FACEREPRESENTATION2洗手12几种典型的人脸识别方法3洗手121基于几何特征的人脸识别方法3洗手122基于KL变换的特征脸方法4洗手123神经网络方法5洗手124基于小波包的识别方法6洗手125支持向量机的识别方法6洗手2人脸特征提取与识别6洗手21利用PCA进行特征提取的经典算法EIGENFACE算法7洗手22PCA人脸识别流程7洗手23特征向量选取9洗手24距离函数的选择10洗手25基于PCA的人脸识别11洗手MATLAB人脸识别程序12洗手3MATLAB软件程序编写13洗手31创建图片数据库13洗手32主程序13洗手33最终程序结果14洗手4心得与体会16洗手参考文献16洗手洗手洗手洗手洗手洗手洗手1引言洗手随着社会的发展及技术的进步，吃饭社会各方面对快速高效的自动身份验证的需求可以说无处不在，吃饭并与日俱增。洗手例如，吃饭某人是否是我国的居民，吃饭是否有权进入某安全系统，吃饭是否有权进行特定的交易等。洗手尤其是自2001年美国“91L”恐怖袭击发生以来，吃饭如何在车站、BEEF机场等公共场所利用高科技手段，吃饭迅速而准确地发现并确认可疑分子成了目前世界各国在反恐斗争中普遍关注的问题。洗手为此，吃饭各国都投入大量人力、BEEF物力研究发展各类识别技术，吃饭使得生物特征识别技术得到了极大的发展。洗手生物特征识别技术主要包括BEEF人脸识别、BEEF虹膜识别、BEEF指纹识别、BEEF步态识别、BEEF语音识别、BEEF笔迹识别、BEEF掌纹识别以及多生物特征融合识别等。洗手人类通过视觉识别文字，吃饭感知外界信息。洗手在客观世界中，吃饭有75的信息量都来自视觉，吃饭因此让计算机或机器人具有视觉，吃饭是人工智能的重要环节。洗手由于生物特征是人的内在属性，吃饭具有很强的稳定性和个体差异性，吃饭因此是身2份验证最理想的依据。洗手与虹膜、BEEF指纹、BEEF基因、BEEF掌纹等其他人体生物特征识别系统相比，吃饭人脸识别系统更加直接、BEEF方便、BEEF友好，吃饭易于为用户所接受，吃饭并且通过人脸的表情、BEEF姿态分析，吃饭还能获得其它识别系统难以得到的一些信息。洗手洗手人脸识别技术在国家重要机关及社会安防领域具有广泛用途。洗手例如BEEF公安系统的罪犯识别、BEEF信用卡验证、BEEF医学、BEEF档案管理、BEEF视频会议、BEEF人机交互系统等身份识别和各类卡持有人的身份验证。洗手同其他人体生物特征如BEEF指纹、BEEF掌纹、BEEF虹膜、BEEF语音等识别技术相比，吃饭人脸识别技术的隐性最好，吃饭人脸识别系统更直接、BEEF友好，吃饭是当今国际反恐和安防最重视的科技手段和攻关标志之一。洗手虽然人类能毫不费力地识别出人脸及表情，吃饭但对人脸的机器自动识别确实一个难度极大的课题，吃饭它涉及到模式识别、BEEF图像处理及生理、BEEF心理学等诸多方面的知识。洗手人脸识别技术的研究虽然己经取得了一定的可喜成果，吃饭但在实际应用中仍存在着许多严峻的问题。洗手人脸的非刚体性、BEEF姿态、BEEF表情、BEEF发型以及化妆3的多样性都给正确识别带来了困难，吃饭要让计算机像人一样方便地识别出大量的人脸，吃饭尚需不同科学研究领域的科学家共同不懈的努力。洗手洗手41人脸识别技术洗手人脸因人而异，吃饭绝无相同，吃饭即使一对双胞胎，吃饭其面部也一定存在着某方面的差异。洗手虽然人类在表情、BEEF年龄或发型等发生巨大变化的情况下，吃饭可以毫不困难地由脸而识别出某一个人，吃饭但要建立一个能够完全自动进行人脸识别的系统却是非常困难的，吃饭它牵涉到模式识别、BEEF图像处理、BEEF计算机视觉、BEEF生理学、BEEF心理学以及认知科学等方面的诸多知识，吃饭并与基于其他生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切联系。洗手与指纹、BEEF视网膜、BEEF虹膜、BEEF基因、BEEF掌形等其他人体生物特征识别系统相比，吃饭人脸识别系统更加直接、BEEF友好，吃饭使用者无任何心理障碍，吃饭并且通过人脸的表情和姿态分析，吃饭还能获得其他识别系统难以得到的一些信息。洗手20世纪90年代以来，吃饭随着需要的剧增，吃饭人脸识别技术成为一个热门的研究话题。洗手洗手11人脸识别的研究内容洗手人脸识别FACERECOGNITION是利用计算机对人脸图像进行特征提取和识别的模式识别技术。洗手在二十世纪七十年代初，吃饭对人脸识别的研究涉及心理学神经科学。洗手其直接目的是要搞清楚人是如何对人脸进行识别的。洗手七十年代中期以后，吃饭开展了用数学、BEEF物理和技术的方法对人脸自动识别的研究。洗手洗手人脸识别一般可描述为BEEF给定静止图像或动态图像序列，吃饭利用已有的人脸图像数据库来确认图像中的一个或多个人。洗手从广义上来说，吃饭计算机人脸识别的研究内容大概可以分为以下五个方面。洗手洗手111人脸检测FACEDETECTION洗手此过程包括人脸检测DETECTION、BEEF人脸定位LOCATION和人脸跟踪TRACKING。洗手所谓人脸检测，吃饭就是给定任意图像，吃饭确定其中是否存在人脸，吃饭如果有，吃饭给出人脸的位置、BEEF大小等状态信息。洗手人脸跟踪指在一纽连续静态图像所构成的动态视频中实时地检测人脸。洗手人脸检测主要受到光照、BEEF噪声、BEEF姿念以及遮挡等因素的影响，吃饭人脸检测的结果直接关系到后面两个过程的准确性。洗手近年来，吃饭人脸检测和跟踪开始成为独立的研究课题受到关注。洗手洗手112人脸表征FACEREPRESENTATION洗手人脸表征就是提取人脸的特征，吃饭是将现实空间的图像映射到机器空间的过程。洗手人脸的表示具有多样性和唯一性，吃饭这其实就是人脸共性和特性之间的关系问题BEEF只有保持这种多样性和唯一性，吃饭才能保证人脸图像的准确描述和识别。洗手洗手人脸图像信息数据量巨大，吃饭为提高检测和识别的运算速度以及提高图像传输和匹配检索速度，吃饭必须对图像进行数据压缩，吃饭降低向量维数，吃饭即用尽可能少的数据表示尽可能多的信息。洗手人脸的表征在提取人脸特征的同时，吃饭也实现了对原始图像数据的降维。洗手洗手12几种典型的人脸识别方法洗手对人脸识别方法的研究主要有两大方向BEEF一是基于人脸图像局部特征的识别方法；BEEF5二是基于人脸图像整体特征的识别方法。洗手基于人脸图像局部特征的识别通常抽取人脸器官如眼睛、BEEF眉毛、BEEF鼻子和嘴等器官的位置，吃饭尺度以及彼此间的比率作为特征。洗手进一步地可以用几何形状拟合人脸器官，吃饭从而以几何参数作为描述人脸的特征。洗手由于此类方法通常要精确地抽取出位置、BEEF尺度、BEEF比率或几何参数作为描述人脸的特征，吃饭因此对人脸图像的表情变化比较敏感。洗手同时，吃饭人脸器官分割的精确度也对人脸特征的提取有一定的影响。洗手另外，吃饭该类方法并没有充分利用到人脸图像本身具有的获度信息，吃饭该方向已经不是人脸识别技术发展的主流方向。洗手基于人脸图像整体特征的人脸识别方法由于不需要精确提取人脸图像中部件的具体信息，吃饭而且可以充分利用到人脸图像本身具有的灰度信息，吃饭因此可获得更好的识别性能。洗手目前，吃饭绝大部分关于人脸识别方法的文章都是基于人脸图像整体特征的，吃饭主要有特征脸法、BEEF最佳鉴别向量集法，吃饭贝叶斯法，吃饭基予傅立叶不变特征法，吃饭弹性图匹配法，吃饭其他相关方法有线性子空间法，吃饭可变形模型法和神经网络法。洗手这些方法中有的侧重于表述人脸图像的特征提取，吃饭如弹性图匹配法和傅立叶不变特征法；BEEF有的则侧重于分类，吃饭如最佳鉴别向量集法、BEEF贝叶斯法和神经网络法；BEEF而有的则侧重于人脸图像重构，吃饭如特征脸法和线性子空间法。洗手所有这些基于人脸图像整体特征的人脸识别方法均取得了一定的识别性能。洗手洗手121基于几何特征的人脸识别方法洗手基于几何特征的人脸识别方法主要源于人脸识别的初期研究阶段。洗手这种方法是以人脸各个器官和几何关系为基础进行算法设计。洗手对于不同人来说，吃饭脸上的各个器官，吃饭如眼睛、BEEF鼻子、BEEF嘴巴以及整个脸部的轮廓具有不同的形状、BEEF大小、BEEF相对位置和分布情况。洗手洗手在基于几何特征的人脸识别方法中，吃饭可以用一个矢量来表示提取出来的几何参数。洗手如果要获得一个准确、BEEF稳定和可靠的识别结果，吃饭就要求这些被选出的几何特征参数包含足够丰富的辨识人脸的信息，吃饭且能反映不同人脸之间的差别。洗手也就是说对这些矢量要求具有较高的模式分类能力，吃饭同时还要有一定的稳健性，吃饭能够消除由于时间变迁、BEEF光照变化等其他干扰因素所带来的影响。洗手具体来沈，吃饭这些几何参数一般包括人脸上两个指定特征点之间的欧式距离、BEEF边缘曲率、BEEF角度等等。洗手洗手在实际应用过程中，吃饭基于几何特征的人脸识别方法存在着两个方面的问题BEEF洗手1如何快速、BEEF准确地检测出入脸的重要标志点依然是一个没有很好解决的问题。洗手脸上的重要标志点，吃饭如瞳孔、BEEF嘴巴和鼻子，吃饭它们在脸上的位置是进行脸部几何参数计算和测量的基准。洗手洗手2脸部几何特征在人脸辨识中的有效性问题，吃饭即脸部几何特征能够提供多少可供识别的信息量。洗手洗手虽然各人脸的器官在形状、BEEF大小及分布上各不相同，吃饭但是这种器官上的差异性更多是体现在某些细微的感觉意义上。洗手例如眼睛显得比较小、BEEF鼻子显得比较宽，吃饭以及皮肤的6纹理、BEEF颜色上的差异等等。洗手显然，吃饭这些特征中的一部分是难以精确测量出来或者是不能用几何参数准确描述的。洗手所以仅靠增加脸上几何参数的数目来提高人脸识别率是不太现实的。洗手由于进一步改善测量精度是十分困难的，吃饭因而通过增加脸部几何参数的数量来改善识别率结果，吃饭其影响是极小的。洗手因此，吃饭基于少量人脸几何特征进行大规模人脸辨识的可靠性是不容乐观的。洗手洗手122基于KL变换的特征脸方法洗手KL变换是图像压缩的一种最优正交变换，吃饭人们将它应用于特征提取，吃饭形成了子空间法模式识别的基础。洗手将KL变换用于人脸识别，吃饭需要假设人脸处于低维的线性空间，吃饭不同人脸具有可分性。洗手高维的图像空间经过KL变换后得到一组新的正交基，吃饭保留其中重要的正交基从而形成了低维的人脸空间。洗手洗手若将所有子空间的正交基排列成图像阵列，吃饭则正交基呈现人脸的形状，吃饭因此这些正交基也被称为特征脸。洗手选择那些正交基形成的子空间则有不同的考虑，吃饭与较大特征值对应的一些正交基也称主分量能够表达人脸的大体形状，吃饭而具体细节需要那些小特征值对应的特征向量也称次分量来加以补充描述，吃饭因此低频成分用主分量表示，吃饭高频分量用次分量表示。洗手采用主分量作为新的正交空间的正交基的方法称为主分量PRINCIPALCOMPONENTANALYSIS，吃饭简称PCA方法。洗手洗手KL变换在90年代初受到了很大的重视，吃饭实际用于人脸识别取得了很好的效果，吃饭一般库德大小为100幅左右，吃饭识别率在70100之间不等，吃饭这主要取决于人脸库图像的质量。洗手洗手从压缩能量的角度来看，吃饭KL变换是最优的，吃饭变换后的低维空间对于人脸有很好的表达能力，吃饭然而这并不等同于对不同人脸具有较好的判别能力。洗手选择训练样本的散布矩阵作为KL变换的生成矩阵，吃饭其最大特征向量反映了该样本集合的最大分布的方向，吃饭但这是图像统计方法，吃饭而不是人脸统计方法。洗手它查找的是图像之间所有的差异，吃饭并根据这些差异来确定不同人脸间的距离，吃饭而不管这些差异是由于光线、BEEF发型或背景的改变引起的，吃饭还是属于人脸本身的内在差异，吃饭因此特征脸的方法用于人脸识别存在理论的缺陷。洗手研究表明，吃饭特征连的方法随着光线、BEEF角度以及人脸的尺寸的引入而识别率急剧下降。洗手主分量的方法使得变换后的表达能力最佳，吃饭次分量的方法考虑了高频的人脸区分能力，吃饭但是由于外在因素带来图像差异和人脸本身带来的差异对KL变换而言是不加任何区分的，吃饭因此，吃饭如何选择正交基并不根本解决问题。洗手改进的一个思路是针对干扰所在，吃饭对输入图像作规范化处理，吃饭包括输入图像的均值方差归一化，吃饭人脸尺寸归一化。洗手另一种改进是考虑到局部人脸图像受到外在干扰相对较小的情况，吃饭除了计算特征脸之外，吃饭还利用KL变换计算出特征眼、BEEF特征嘴等。洗手将局部特征向量加权进行匹配得到一些好的效果。洗手洗手总之，吃饭特征脸方法是一种简单、BEEF快速、BEEF使用的基于变换系数的算法，吃饭但由于它在本7质上依赖于训练集合测试集图像的灰度相关性，吃饭而且要求测试图像与训练集比较接近，吃饭所以存在着很大局限。洗手洗手123神经网络方法洗手人工神经网络是一种以大量的处理单元神经元为节点，吃饭处理单元之间实现加权值互连的拓扑结构。洗手人工神经网络中的处理单元是人类大脑神经单元的简化。洗手处理单元之间的互连则是轴突、BEEF树突这些信息传递路径的简化。洗手根据不同的应用场合，吃饭现已研究出较多的神经元网络模型及其动态过程的算法。洗手洗手人工神经元通常采用非线性的作用函数，吃饭当大量神经元连接成一个网络并动态运行时，吃饭则构成了一个非线性动力学系统。洗手人工神经网络具有自组织性、BEEF高维性、BEEF模糊性、BEEF分布性和冗余性等等特点，吃饭较冯诺依曼体系的计算机更适合模拟人类大脑的思维机理。洗手但总的来说，吃饭由于人类对自身思维机理认识的不足，吃饭所以对人工神经元作了极度的简化，吃饭这种模拟表现为极其肤浅和简单。洗手洗手很多脸部识别系统都采用了多层感知机作为人工神经网络的基本结构。洗手多层感知机由几层全互连的非线性神经组成。洗手神经元之间有权值连接，吃饭权值包含了训练模式空间的特征。洗手训练过程就是调整权值的过程，吃饭最常用的算法就是BP法则。洗手洗手多层感知机的输入形式有很多种，吃饭最简单的就是将整个人脸图像作为输入层，吃饭也可以对人脸图像进行采样，吃饭然后用低分辨率图像作为输入层。洗手洗手由此可以看出，吃饭人工神经网络有着与EIGENFACE方法非常相似的表达方法。洗手洗手一般来说，吃饭BP算法的收敛速度非常缓慢，吃饭学习过程可能需要对整个训练集进行上千次反复迭代运算，吃饭这是神经网络实际应用的一个问题。洗手此外，吃饭BP算法以误差梯度下降的方式达到极小值，吃饭但在实际应用中，吃饭容易陷入到局部极小中，吃饭无法得到全局最优解，吃饭这也是有待解决的一个问题。洗手洗手124基于小波包的识别方法洗手基于小波包的面部识别方法首先对一幅人脸图像进行小波包分解。洗手因为小波包分解得到的不同频带包含有不同的人脸信息，吃饭所以从每一个小波包中可以提取出不同的面部特征。洗手对于小波包分解得到的离散逼近稀疏，吃饭GARCAI进一步将它分解成三个部分，吃饭分别是边界区、BEEF上半部分和下半部分，吃饭然后就可以分别计算这三个区域的均值和方差，吃饭加上另外15个离散细节区域的方差，吃饭组成一个包含有21个分量的特征向量。洗手小波包分解是一种多分辨率分析方法，吃饭能够提供良好的面部纹理描述，吃饭所以有利于提取面部特征。洗手洗手125支持向量机的识别方法洗手支持向量机SUPPORTVECTORMACHINE，吃饭SVM起源于统计学习理论，吃饭它研究如何构造学习机，吃饭实现模式分类问题。洗手其基本思想是通过非线性变换将输入空间变换到一个高维空间，吃饭在高维空间求取最优线性分类面，吃饭以解决那些线性不可分的分类问题。洗手而这种非线8性变换是通过定义适当的内积函数即核函数来实现的。洗手SVM技术中核函数及其参数的选取难度较大。洗手由于它基于结构风险最小化原理，吃饭而不是传统统计学的经验风险最小化，吃饭因而表现出很多优于已有方法的性能。洗手由于SVM的训练需要大量的存储空间，吃饭非线性SVM分类器需要较多的支持向量，吃饭所以速度很慢。洗手洗手2人脸特征提取与识别洗手PCA方法将包含人脸的图像区域看作随机向量，吃饭因此可采用KL变换得到正交KL基，吃饭对应其中较大特征值的基具有与人脸相似的形状，吃饭因此又被称为特征脸。洗手利用这些基的线性组合可以描述、BEEF表达和逼近人脸图像，吃饭所以可进行人脸识别与合成。洗手识别过程就是将人脸图像映射到由特征脸组成的子空间上，吃饭并比较其在特征脸空间中的位置。洗手PCA方法认为图像的全局结构信息对于识别最重要，吃饭将图像看作一个矩阵，吃饭计算矩阵的特征值和对应特征向量进行识别。洗手这种方法利用图像的总体信息，吃饭不从图像中提取出眼、BEEF嘴、BEEF鼻等几何特征，吃饭算法较简单且具有较高的识别率。洗手洗手主成分分析法PCA是模式识别判别分析中最常用的一种线性映射方法，吃饭该方法是根据样本点在多维模式空间的位置分布，吃饭以样本点在空间中变化最大方向，吃饭即方差最大的方向，吃饭作为判别矢量来实现数据的特征提取与数据压缩的。洗手从概率统计观点可知，吃饭一个随机变量的方差越大，吃饭该随机变量所包含的信息就越多，吃饭如当一个变量的方差为零时，吃饭该变量为一常数，吃饭不含任何信息。洗手洗手21利用PCA进行特征提取的经典算法EIGENFACE算法洗手在利用PCA进行特征提取的算法中，吃饭特征脸方法EIGENFACE是其中的一个经典算法。洗手特征脸方法是从主成分分析导出的一种人脸识别和描述技术。洗手特征脸方法就是将包含人脸的图像区域看作是一种随机向量，吃饭因此可以采用KL变换获得其正交KL基底。洗手对应其中较大特征值的基底具有与人脸相似的形状，吃饭因此又称为特征脸。洗手利用这些基底的线性组合可以描述、BEEF表达和逼近人脸图像，吃饭因此可以进行人脸识别与合成。洗手识别过程就是将人脸图像映射到由特征脸张成的子空间上，吃饭比较其与己知人脸在特征空间中的位置，吃饭具体步骤如下BEEF洗手1初始化，吃饭获得人脸图像的训练集并计算特征脸，吃饭定义为人脸空间，吃饭存储在模板库中，吃饭以便系统进行识别；BEEF洗手2输入新的人脸图像，吃饭将其映射到特征脸空间，吃饭得到一组关于该人脸的特征数据；BEEF洗手3通过检查图像与人脸空间的距离判断它是否是人脸；BEEF洗手4若为人脸，吃饭根据权值模式判断它是否为数据库中的某个人，吃饭并做出具体的操作。洗手洗手22PCA人脸识别流程洗手完整的PCA人脸识别应该包括以下四个步骤BEEF人脸图像预处理；BEEF读入人脸库，吃饭训练成特征子空间；BEEF把训练图像和测试图像投影到上一步骤得到的子空间上；BEEF选择一定的9距离函数进行识别。洗手下面详细描述整个过程BEEF洗手1读入人脸库洗手归一化人脸库后，吃饭将库中的每人选择一定数量的图像构成训练集，吃饭其余构成测试集。洗手设归一化后的图像是NN的，吃饭按列相连就构成维向量，吃饭可看作是维空间中的2N2N一个点，吃饭可以通过KL变换用一个低维子空间描述这个图像。洗手洗手2计算KL变换的生成矩阵，吃饭并求取图像的特征值和特征向量洗手假设人脸图像库中有N幅人脸图像，吃饭用向量表示为向量维数设为L），NX,21吃饭其人脸平均图像如式（21）所示BEEF洗手（21）洗手NIIAVEX1由此可得到每幅图像的均差，吃饭如式（22）所示BEEF洗手AVEII，吃饭（22）洗手NI,2这样可计算协方差矩阵，吃饭如式（23）所示BEEF洗手（23）洗手TINIXC1计算矩阵C的特征值和对应特征向量。洗手洗手KK但是在实际计算中，吃饭矩阵C的大小是，吃饭即使对尺寸较小的图像计算量还是2很大。洗手为了减小运算量，吃饭现将每幅图像的均差形成一个矩阵，吃饭如式24所示BEEF洗手24洗手,21NXX，则式（23）可以写成式（25）BEEF洗手（25）洗手TC因此，吃饭根据线性代数理论，吃饭将计算的特征值和对应特征向量的问题XJJ转化为求的特征值和对应的特征向量的问题。洗手的大小仅为XTJJXTNN远远小于，吃饭故简化了计算。洗手在求出后，吃饭可以通过式26得到BEEF洗手2JJ1026洗手1JJJX3把训练图像和测试图像投影到特征空间洗手由特征向量所形成的向量空间可表示人脸图像的主要特征信息，吃饭将人脸图像库中所有N个图像的均差向此空间投影，吃饭得到各自的投影向量,如式（27）和（2NY,218）所示BEEF洗手（27）洗手IYYMITI,21（28）洗手JXYJ对于待识别人脸图像I，吃饭计算其与K差的投影向量，吃饭如式29所示BEEF洗手29洗手JPAVEITJJ，,21再与人脸图像库中N个人脸图像对应的投影向量比较，吃饭按照一定的距NY离准则完成识别。洗手洗手4比较测试图像和训练图像，吃饭确定待识别样本类别洗手这里可以采用多种不同的分类器进行分类BEEF范式、BEEF范式、BEEF最小距离、BEEF角度以及1L2MAHALANOBIS距离等。洗手洗手洗手MATLAB特征脸程序实现洗手MMEANT,2BEEF求样本的平均向量洗手TRAIN_NUMBERSIZET,2BEEF洗手计算每个样本与平均向量的差向量洗手ABEEF洗手FORI1TRAIN_NUMBER洗手TEMPDOUBLET,IMBEEF计算训练集中每幅图像的均差AITIM洗手AATEMPBEEF洗手END洗手洗手LAABEEF计算协方差矩阵洗手VDEIGLBEEF求特征向量和特征值洗手1123特征向量选取洗手上面所创建的用于投影的特征脸子空间使用的是所有R个非零的特征值对应的特征向量。洗手虽然协方差矩阵C最多有对应于非零特征值的N个特征向量，吃饭且RN，吃饭但是通常情况下，吃饭R仍然会太大，吃饭而根据应用的需求，吃饭并非所有的，吃饭都有保留意义。洗手而特征I空间投影的计算速度是直接与创建子空间所用的特征向量的数目相关，吃饭若考虑到计算时间等因素，吃饭可以适当减去一些信息量少的特征向量，吃饭且去掉这些特征向量之后不一定不利于分类结果，吃饭有的情况下反而能够提高识别性能。洗手下面将讨论几种不同的特征值选择方法BEEF洗手1标准的特征空间投影BEEF所有R个对应于非零特征值的特征向量均被用于创建特征脸子空间。洗手但是该方法在R值较大时，吃饭计算速度会较慢，吃饭且不利于分类。洗手洗手2为进一步压缩特征向量和减小运算量，吃饭将特征值按大小顺序排序，吃饭忽略小特征值所对应的特征向量，吃饭即由下式得到。洗手设,R为的秩，吃饭RN，吃饭UR21X,则压缩后的特征向量集如式（210）所示BEEF洗手TMUU,21，吃饭M1来提取特征向量洗手L_EIG_VECBEEF洗手FORI1SIZEV,2洗手IFDI,I1洗手L_EIG_VECL_EIG_VECV,IBEEF洗手12END洗手END洗手计算协方差矩阵的特征向量洗手降维洗手EIGENFACESAL_EIG_VECBEEFACENTEREDIMAGEVECTORS洗手24距离函数的选择洗手图像被投影到特征空间中，吃饭剩下的任务就是如何判别这些图像的相似性。洗手通常有两种方法来判别BEEF一种是计算在N维空间中图像间的距离，吃饭另一种是测量图像间的相似性。洗手当测量距离时，吃饭我们希望距离尽可能地小，吃饭一般选择与测试图像最近的训练图像作为它的所属的类别。洗手而测量相似性的时候，吃饭则希望图像尽可能地相似，吃饭也就是说具有最大的相似性的训练图像类别是测试图像所属的类别。洗手在此介绍几种计算方法BEEF洗手1范式洗手1L将像素间的绝对值的差值相加，吃饭也称和范式。洗手范式距离公式如式（212）所示BEEF洗手（212）洗手KIIYXY11,2范式洗手2L将像素间的平方差异相加。洗手也称为欧几里德距离。洗手范式距离公式如式213所示2BEEF洗手213洗手KIIYXYL122,3最小距离洗手首先计算各类训练样本的平均值，吃饭接下来的距离比较和上面的范式完全相同。洗手这2L样分类时每类只需要比较一次，吃饭减少了计算量。洗手样本X与第I类的距离定义如式214所示BEEF洗手214洗手ITIIXD其中为第I类所有样本的平均值。洗手洗手I25基于PCA的人脸识别洗手13基于PCA算法的人脸识别过程由训练阶段和识别阶段两个阶段组成。洗手在训练阶段，吃饭每个已知人脸X映射到特征脸组成的子空间上，吃饭得到N维向量。洗手洗手,21NIY距离阈值定义如式215所示BEEF洗手C（J,K1,2,N）215洗手MAX21,KJCY在识别的时候，吃饭首先把待识别的图像映射到特征脸空间，吃饭得出向量P及其与每个人脸集的距离（I1，吃饭2，吃饭3，吃饭，吃饭N），吃饭采用欧式距离法进行人脸识别，吃饭分类规则为BEEF洗手IE1若，吃饭则输入图像不是人脸图像；BEEF洗手IEC2若，吃饭则输入图像包含未知人脸；BEEF洗手ICIC3若，吃饭MIN，吃饭则输入图像为库中第K个人的人脸。洗手洗手IEIMATLAB人脸识别程序洗手PROJECTEDIMAGESBEEF洗手TRAIN_NUMBERSIZEEIGENFACES,2BEEF洗手FORI1TRAIN_NUMBER洗手TEMPEIGENFACESA,IBEEF将每个样本投影到特征空间洗手PROJECTEDIMAGESPROJECTEDIMAGESTEMPBEEF洗手END洗手从测试图片中提取PCA特点洗手INPUTIMAGEIMREADTESTIMAGEBEEF洗手TEMPINPUTIMAGE,1BEEF洗手洗手IROWICOLSIZETEMPBEEF洗手INIMAGERESHAPETEMP,IROWICOL,1BEEF洗手DIFFERENCEDOUBLEINIMAGEMBEEF洗手PROJECTEDTESTIMAGEEIGENFACESDIFFERENCEBEEF将待测样本投影到特征空间洗手按照欧式距离取最小的原则得出匹配的人脸洗手EUC_DISTBEEF洗手FORI1TRAIN_NUMBER洗手14QPROJECTEDIMAGES,IBEEF洗手TEMPNORMPROJECTEDTESTIMAGEQ2BEEF洗手EUC_DISTEUC_DISTTEMPBEEF洗手END洗手EUC_DIST_MIN,RECOGNIZED_INDEXMINEUC_DISTBEEF洗手OUTPUTNAMESTRCATINT2STRRECOGNIZED_INDEX,JPGBEEF洗手3MATLAB软件程序编写洗手31创建图片数据库洗手FUNCTIONTCREATEDATABASETRAINDATABASEPATH洗手读取训练库路径，吃饭并统计样本个数洗手TRAINFILESDIRTRAINDATABASEPATHBEEF洗手TRAIN_NUMBER0BEEF洗手FORI1SIZETRAINFILES,1洗手IFNOTSTRCMPTRAINFILESINAME,|STRCMPTRAINFILESINAME,|STRCMPTRAINFILESINAME,THUMBSDB洗手TRAIN_NUMBERTRAIN_NUMBER1BEEFNUMBEROFALLIMAGESINTHETRAININGDATABASE洗手END洗手END洗手将2维图像转化为一维向量洗手TBEEF洗手FORI1TRAIN_NUMBER洗手IHAVECHOSENTHENAMEOFEACHIMAGEINDATABASESASACORRESPONDINGNUMBERHOWEVER,ITISNOTMANDATORY洗手STRINT2STRIBEEF洗手STRSTRCAT,STR,JPGBEEF洗手STRSTRCATTRAINDATABASEPATH,STRBEEF洗手IMGIMREADSTRBEEF洗手IMGRGB2GRAYIMGBEEF洗手IROWICOLSIZEIMGBEEF洗手TEMPRESHAPEIMG,IROWICOL,1BEEFRESHAPING2DIMAGESINTO1DIMAGEVECTORS洗手TTTEMPBEEFTGROWSAFTEREACHTURN洗手15END洗手32主程序洗手CLEARALL洗手CLC洗手CLOSEALL洗手YOUCANCUSTOMIZEANDFIXINITIALDIRECTORYPATHS洗手TRAINDATABASEPATHUIGETDIRSTRCATMATLABROOT,WORK,SELECTTRAININGDATABASEPATHBEEF设置训练集路径洗手TESTDATABASEPATHUIGETDIRSTRCATMATLABROOT,WORK,SELECTTESTDATABASEPATHBEEF洗手PROMPTENTERTESTIMAGENAMEANUMBERBETWEEN1TO10BEEF洗手DLG_TITLEINPUTOFPCABASEDFACERECOGNITIONSYSTEMBEEF洗手NUM_LINES1BEEF洗手DEF1BEEF洗手洗手TESTIMAGEINPUTDLGPROMPT,DLG_TITLE,NUM_LINES,DEFBEEF洗手TESTIMAGESTRCATTESTDATABASEPATH,CHARTESTIMAGE,JPGBEEF洗手IMIMREADTESTIMAGEBEEF洗手TCREATEDATABASETRAINDATABASEPATHBEEF洗手M,A,EIGENFACESEIGENFACECORETBEEF洗手OUTPUTNAMERECOGNITIONTESTIMAGE,M,A,EIGENFACESBEEF洗手SELECTEDIMAGESTRCATTRAINDATABASEPATH,OUTPU