信息与软件工程学院基地班课程报告模板

1、信息与软件工程学院工程训练研修基地班研 修 报 告研修题目： 指导老师： 序号学生姓名学号班号成绩12345678910（注：若以小组进行研修，学生姓名填写按学生对该研修课题的贡献及工作量由高到底排列，分数按排名依次递减。序号排位为“1”的学生成绩最高，排位为“10”的学生成绩最低。）指导老师评语： 指导签字： 本小组成员任务分工情况序号姓名学号任务分工完成情况12345678910摘 要摘 要文字（宋体小四号，两端对齐，行距固定20磅）关键词： 关键词1，关键词2，。- III -AbstractABSTRACTText.Keywords:目 录目录（自动插入目录）第一章 绪论11.1 选题

2、背景及意义11.2 国内外研究现状11.3 主要内容与章节安排11.4 本章小结1第二章 人脸识别的需求分析32.1 环境需求32.2 功能需求32.3 性能需求32.3 本章小结3第三章 人脸识别的设计53.1 总体设计53.2 功能模块设计53.3 本章小结5第四章 人脸识别的实现74.1 开发环境介绍74.2 主要功能模块的实现74.3 本章小结7第五章 测试及成果展示95.1 测试环境95.2 测试用例和结果95.3 成果展示95.4 本章小结9第六章 总结与展望11参考文献12第一章 绪论第一章 绪论（本章内容根据项目情况自行组织）1.1 选题背景及意义正文文字（宋体小四号，两端对齐

3、，行距固定20磅，段前后距离为0行）1.2 国内外研究现状1.3 主要内容与章节安排1.4 本章小结- 18 -第二章 *的需求分析第二章 人脸识别的需求分析2.1 环境需求2.2 功能需求2.3 性能需求2.3 本章小结第三章 *的设计第三章 人脸识别的设计3.1 总体设计3.2 功能模块设计3.3 本章小结第四章 人脸识别的实现第四章 人脸识别的实现4.1 开发环境介绍 一、硬件环境1、硬件配置原则具有可靠性，可用性和安全性，具有完善的技术支持。能够满足个人学习和设计需要。2、运行本软件硬件资源CPU： 800M及以上；内存： 128M及以上二、软件环境1、系统软件配置原则 能够满足该软件

4、的可靠性，可用性和安全性的要求2、系统软件配置方案 配置有持续工作能力、高稳定性、高度可集成的开放式标准的操作系统，如Windows 7，Windows 8，UNIX，Linux等。 配备Matlab软件。4.2 主要功能模块的实现 一、创建数据库在本环节中主要分为两个阶段，分别为：1. 读入系统人脸数据库。2. 同时将二维人脸灰度图像变换为一维人脸向量矩阵一个大小为M*N的二维人脸图像可以看成长度为MN的人脸图像列向量。为了将二维人脸图像变为以为列向量，我们采取的措施为：首先计算出人脸图像的大小，然后将人脸图像经行转置，最后按列依次取出，取出所有灰度值形成大小为MN的一维向量，其实整个阶段的

5、效果相当于将图像的灰度值按行取出依次连接成一维图像向量。本环节完成后将会产生由一维图像向量组成的矩阵T。二、计算特征脸本环节主要包括三个阶段，分别为：1. 对图像矩阵T进行规范化首先计算出图像矩阵中一维列向量的平均值m，然后对图像矩阵的每一列都减去平均值形成规范化的图像矩阵A。2. 计算特征脸人脸训练图像的协方差矩阵为，其中人脸训练样本为，维度为，则协方差矩阵C的维度为。这就出现问题，C的维度过高，在实际中直接计算它的特征值和特征向量非常困难。因此，本文使用奇异值分解定理来解决这个问题。奇异值分解定理：假设B为维秩为p的矩阵，则存在两个正交矩阵和一个对角矩阵：正交矩阵为 （4.23） （4.2

6、4）其中 （4.25） （4.26）对角矩阵为 则可以得到，而且和有共同的非零特征值，和分别为和对应特征值的正交特征向量。由上述定理可以得到 （4.27）则可以由协方差矩阵，构造出矩阵，从而容易求出L的特征值和特征向量，再根据上述（4-27）式可以求得协方差C的特征值和特征向量。实际上我们并不需要协方差所有的特征值和特征向量， m个（m<M，M为特征值的数目）特征值足够用于人脸识别。所以，实际操作中，只取L的前m个最大特征值对应的特征向量用于计算特征脸。在本环节，本文通过直接构造，来计算出L的特征值，再挑选L特征值大于100的作为C的特征值，最后通过C的特征值计算出它的特征向量，从而形成

7、特征脸。三、人脸识别人脸识别过程分为训练和测试两个阶段。在训练阶段，主要是提取数据库人脸图像的特征，并形成特征库。在测试阶段，主要是提取待识别图像的特征和计算提取的特征和特征库中特征之间的距离测度，并输出最小距离测度对应的人脸图像作为结果。 具体步骤如下：1. 训练阶段将规范化的图像矩阵A中的每一列向量投影到特征子空间，形成特征库。2. 测试阶段假设测试人脸图像为Y，在人脸识别前，先对其进行标准化，即。把标准化后的人脸图像向特征子空间进行投影得到向量。本文使用最近邻法分类器欧几里德距离14,15进行判决分类。测试图像与每个人脸图像间的距离为 (k=1,2,P)，并将最小距离对应的训练图像作为测

8、试图像的匹配图像。可以看出，在人脸姿态、表情有略微变化的情况下依旧可以成功识别出正确的人脸。人脸姿态发生变化下的人脸识别结果人脸表情变化下的人脸识别结果之后我们利用ORL人脸库和自建人脸库分别进行了测试。在ORL人脸库的识别过程中，我们选取了250个人，每人2张照片作为训练样本。并对这250个人每人选取了其中一张照片作为测试样本，并将人脸库中的这张图片对应的数据置空，每个人测试后最终统计成功识别73个人，识别失败177人。因为我们采用的是最近邻法分类器欧几里德距离进行判决分类，因此对于识别失败的人同样会显示与其距离最小的照片。识别成功率：第一组：成功73 人，失败177人 成功率：29.2%第二组：成功67 人，失败183人 成功率：26.8%总 共：成功140人，失败360人 成功率：28.0%4.3 本章小结本章由创建数据库，计算特征脸，人脸识别三个小节构成。在创建数据库小节主要讲解将图片转化为单维矩阵建立数据库的基本思想。在计算特征脸小节主要讲解计算特征脸的数学原理和数学方法。在人脸识别小节主要讲解训练和测试两大流程。第五章