人脸识别作业-贵州大学解读

1、图像处理与模式识别课程报告报告题目：欧式距离分类器学院：大数据与信息工程学院专业：电子与通信工程学 号：学生姓名：任课教师：刘本永教授2015年6月摘要： 首先对人脸识别相关的技术进行了简要的介绍， 并列举了它们进行了简要的分析， 做了简要的对比。 本文首先把人脸分为训练样本和测试样本， 由于 样本里生成的特征向量的维数过高，我们得通过 PCAT法降维压缩，最后用欧式 距离完成测试样本和训练样本的人脸识别 , 通过实验得出最后相匹的人脸。关键词： 人脸识别 PCA 特征提取 欧式距离Abstract ： First, face recognition technology related to

2、 a brief introduction, and lists them in a brief analysis, a brief comparison.Firstly, the human face into training and testing samples, due to the dimension of the sample in the generated feature vectors are too high, we have to go through PCAdimension reduction compression algorithm, and finally c

3、ompleted the Euclidean distance face recognition test samples and training samples, by experiment last matches of the persons face.Key words: face recognitionPCA feature extractionEuclidean distance1、引言计算机人脸识别技术是近20年才发展起来的，90年代更成为科研热点。仅1990年到199孙之间，IE可检索到相关的文献就多达数千篇。计算机人脸识别技术就是利用计算机分析人脸图象, 进而从中提取出有效

4、的识别信息， 用来 “辨认”身份的一门技术。 人脸识别技术应用非常广泛， 在国家安全、 军事安全和公共安全领域，智能门禁、智能视频监控、公安布控、司机驾照验证等是典型的应用。在民事和经济领域， 各类银行卡、 金融卡储蓄卡的持卡人的身份认证， 社会保险人的身份验证等具有重要的应用价值。 虽然人类的人脸识别能力很强， 并且能够记住并辨别上千个不同的人脸， 但对于计算机就困难得多。 其表现在 : 人脸表情丰富； 人脸随年龄增长而变化 ; ； 人脸所成图象受光照、 成象角度及成象距离等影响；而且从二维图象重建三维人脸是病态( illposed) 过程。目前尚没有很好的描述人脸的三维模型。另外，人脸识别

5、还涉及到图象处理、计算机视觉、模式识别以及神经网络等学科。 也和人脑的认识程度紧密相关。 这诸多因素使得人脸识别成为一项极富挑战性的课题。 因此， 研究好人脸识别， 不仅能推动图像处理，模式识别理论与应用的发展， 更能推动其他相关学科的进步， 比如认知科学、 生 理学的。、人脸识别相关技术介绍、基于几何特征的人脸识别判别方法人脸的几何特征主要有： 眉毛的厚度以及与眼睛中心的垂直距离， 鼻子的垂 直位置和宽度， 嘴巴的垂直位置、 宽度以及它和上下嘴唇的高度等。 基于几何特 征的人脸是被的主要思想是： 首先找出这些特点的具体位置， 测出他们之间的距 离，组成一个特征矢量，然后用这些特征矢量与人脸库

6、中的特征矢量进行比较，找出最佳匹配。 所以， 基于几何特征的人脸识别方法最终归结为特征矢量之间的匹配， 基于欧式距离的判据是最常用的识别方法。 同时， 识别所采用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量， 其分量通常包括人脸指定两点间的欧式距离、曲率、角度等。基于几何特征的识别方法易于理解，而且对每幅图像只需存储一个特征矢量， 对光照不敏感。 但从图中提取稳定的特征比较困 难，对强烈的表情变化和姿势变化的鲁棒性差，因此它比较适合与粗分类。、基于模板匹配的人脸识别模板匹配法是一种经典的模式识别方法， 它充分利用了人脸的纹理和灰度特征。 它的识别方法就是将待识别的人脸图像与数据库中所

7、有的模板进行比较， 找 出最相近的脸。 模板分为一般模板和弹性模板。 其中， 一般的模板包括人脸的形状、眼睛、鼻子、眉毛等，而弹性模板是由一组根据特征形状的先验知识来设计可调参数来定义的。 这个参数是由能量函数来决定的， 首先利用图像的边缘、 峰 值、 谷值和强度信息以及特征形状的先验知识设计能量函数， 然后将参数向能量函数减小的方向调整， 当能量函数达到最小时， 这组参数所对应的模板形状最符 合特征形状。模板匹配法要由于几何特征法。、基于 K-L 变换的特征脸识别方法K-L变换是图像压缩中的一种最优正交变换。人们将它用于统计特征提取， 从而形成了子空间法模式识别的基础。它的思想是：通过 K-

8、L变换，得到高维图 像空间的一组正交基， 保留其中较大特征值对应的正交基， 组成特征脸空间， 然 后将新的人脸图像投影到特征脸空间中， 得到一组投影向量， 作为识别的特征向 量， 比较其与已知人脸在人脸库中的位置， 从而判断它是否是库中人脸， 如果是，是哪一幅人脸。其中，K-L变换的特征脸识别方法所用的最简单的分类做法是最 小距离分类，而最小距离大多数是利用欧式距离来算。基于K-L变换的特征脸识别法的识别比较简单且有效。、支持向量机的识别方法支持向量机(SupportVectorMachine , SVM起源于统计学习理论，它研究如何构造学习机， 实现模式分类问题。 其基本思想是通过非线性变换

9、将输入空间变换到一个高维空间， 在高维空间求取最优线性分类面， 以解决那些线性不可分的分类问题。而这种非线性变换是通过定义适当的内积函数( 即核函数 ) 来实现的。SVM技术中核函数及其参数的选取难度较大。由于它基于结构风险最小化原理，而不是传统统计学的经验风险最小化， 因而表现出很多优于已有方法的性能。 由 于SVM勺训练需要大量的存储空间，非线性SV/类器需要较多的支持向量，所 以速度很慢。2、实验原理首先对图像预处理，转换成向量，再通过PCAa法对训练样本人脸数据库图像进行降维特征提取， 再利用欧式距离对特征向量进行分类识别， 寻找和待识别 图片最为接近的训练样本图片。、图像预处理通过从

10、训练样本集中读取数据， 先统计训练样本中的图片， 再对二维图片进行转换， 转为一维的向量， 由于本样本集中的图片为黑白图片， 因此对它的灰度 先暂时没做处理，最后使每张图片的信息作为一列。、 Matlab 代码的实现TrainFiles = dir(TrainDatabasePath);% 训练集路径Train_Number = 0;%训练集中图片数量初值for i = 1:size(TrainFiles,1)%目录中除图片本身外，还保存(.| |Thnmbs.db)ifnot(strcmp(TrainFiles(i).name,. )|strcmp(TrainFiles(i).name,.)

11、|strcmp(TrainFiles(i).name,Thumbs.db )Train_Number = Train_Number + 1;%统计训练集中的图片end end T = ; for i = 1 : Train_Number%对每一张图片str = strcat( ,int2str(i), .bmp ); %字符串拼接，得到i.jpgstr = strcat(TrainDatabasePath,str);%字符串拼接，得到每一张训练图片的完整路径img = imread（str）;%读入训练图片irow icol = size（img）;%导到图片大小temp = reshape（

12、img,irow*icol,1）;%等二维图片转换为一维向量T = T temp；%每张图片的信息作为 T的一列End、特征值的提取PCA!行特征值提取算法具体步骤：初始化，获得人脸图像的训练集并计算特征脸，定义为人脸空间，存储在模板库中，以便系统进行识别；输入新的人脸图像，将其映射到特征脸空间，得到一组关于该人脸的特征数据；通过检查图像与人脸空间的距离判断它是否是人脸；若为人脸，根据权值模式判断它是否为数据库中的某个人，并做出具体的操作。PCAA脸识别流程通过图像预处理后，PCAAJ佥识别还包括以下几个步骤：读入人脸库，训练成特 征子空间；把训练图像和测试图像投影到上一步骤得到的子空间上；选

13、择一定的距离函数进行识别。下面详细描述整个过程：读入人脸库归一化人脸库后，将库中的每人选择一定数量的图像构成训练集，其余构成测试集。2一一 2设归一化后的图像是 NX N的，按列相连就构成 N维向量，可看作是 N维空间中的一个点，可以通过 K-L变换用一个低维子空间描述这个图像。计算K-L变换的生成矩阵，并求取图像的特征值和特征向量假设人脸图彳库中有 N幅人脸图像，用向量表本为 X3X2，Xn （向量维数设为L）, 其人脸平均图像如式（2-1）所示:(2-1)(2-2)1，Xave=NyXi由此可得到每幅图像的均差，如式（2-2）所示:Xi = Xi - Xav：i =1,2,，N这样可计算协

14、方差矩阵，如式（2-3）所示:_1 TC= Xi(Xi)(2-3)N i4计算矩阵C的特征值入k和对应特征向量Mk。2 一一 2但是在实际计算中，矩阵 C的大小是N MN ,即使对尺寸较小的图像计算量还是很大。为了减小运算量，现将每幅图像的均差形成一个矩阵，如式(2-4)所示： TOC o 1-5 h z HYPERLINK l bookmark16 o Current Document X =X1,X2，X N(2-4)则式(2-3)可以写成式(2-5):1, TC= - X(X)T(2-5)N因此，根据线性代数理论，将计算x(X)t的特征值均和对应特征向量 j的问题转化为求(x)Tx的特征

15、值 猫和对应的特征向量 ；的问题。(x)Tx的大小仅为 NX N远 远小于N2MN2,故简化了计算。在求出 ;后，j可以通过式(2-6)得到：工1= j = -1 X j(2-6)m j把训练图像和测试图像投影到特征空间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，将人脸图像库中所有 N个图像的均差向此空间投影，得到各自的投影向量 丫,，,，Yn，如式(2-7)和(2-8)所示： TOC o 1-5 h z HYPERLINK l bookmark22 o Current Document (Y ) = y1i , y2i ,yMi , i =1,2,，N(2-7)，、T、， HYP

16、ERLINK l bookmark24 o Current Document 山=(叼)Xj, j =1,2,，M(2-8)对于待识别人脸图像I,计算其与k差的投影向量，如式(2-9)所示： HYPERLINK l bookmark26 o Current Document Pj =5 j)T(Ii -Xave), j =12 ，M(2-9)再与人脸图像库中 n个人脸图像对应的投影向量Y,y2,，YN比较，按照一定的距离准则完成识别。比较测试图像和训练图像，确定待识别样本类别这里可以采用多种不同的分类器进行分类：L范式、L2范式、最小距离、角度以及Mahalanobis 距离等。Matlab代

17、码的实现A =；for i = 1 : Train_Number%寸每一列temp = double(T(:,i)-m;%每一张图与均值的差异% set Ai = Ti-mA = A temp;%方差矩阵end %条维L = A*A;% L是协方差矩阵C=A*A 的转置V D = eig(L);%寸角线上的元素是 L|C的特征值。V:以特征向量为列的满秩矩阵，D:特征值对角矩阵。即 L*V=V*D.。特征向量选取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。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，且rWN,但是通常情况下，r仍然会太大，而根据应用

18、的需求，并非所有的回，都有保留意义。而特征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，若考虑到计算时间等因素，可以适当减去一些信息量少的特征向量，且去掉这些特征向量之后不一定不利于分类结果，有的情况下反而能够提高识别性能。下面将讨论几种不同的特征值选择方法：标准的特征空间投影：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。但是该方法在 r值较大时，计算速度会较慢，且不利于分类。为进一步压缩特征向量和减小运算量，将特征值按大小顺序排序，忽略小特征值所对应的特征向量，即由下式得到U 。设入1 入22,之入r ,r为X的秩，r E N ,U =U1,U2,，UmT则

19、压缩后的特征向量集如式(2-10)所示：U =U1,U2L ,UmT，M1 )%特征值大于1时L_eig_vec = L_eig_vec V(:,i);%中对应的特征向量end end距离函数的选择图像被投影到特征空间中，剩下的任务就是如何判别这些图像的相似性。通常有两种方法来判别：一种是计算在N维空间中图像间的距离，另一种是测量图像间的相似性。当测量距离时，我们希望距离尽可能地小，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。而测量相似性的时候，则希望图像尽可能地相似，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。而本实验主要采取的是欧式距离来度量的。欧式距离又称泛数

20、，它被广泛地应用于向量间的距离度量：1d =(K(x -r)2)5其中x和r分别表示输入特征向量X和参考特征向量 R的第i个元素，K表示特征向量维数。相应的点和类之间的最小欧式距离定义1d = min(K(x - r)2)2其中ci r表示参考类的第c个参考特征向量的第i个元素，min ()表示输入特征向量 和参考类c个参考特征向量欧式距离的最小值。计算向量与哪类人脸的向量距离最近，得 到识别的结果。Matlab代码的实现irow icol = size(temp);喊H式图片大小InImage = reshape(temp,irow*icol,1);%F 置后转为一维Difference =

21、 double(InImage)-m;% L_eig_vecProjectedTestImage = Eigenfaces*Difference;% 测试图像的特征向量Euc_dist =;for i = 1 : Train_Number%寸每列q = ProjectedImages(:,i);%取出训练图像%欧式距离temp = ( norm( ProjectedTestImage - q ) )A2;Euc_dist = Euc_dist temp;%end、实验主程序clear all clcclose all% You can customize and fix initial dir

22、ectory pathsTrainDatabasePath = uigetdir(strcat(matlabroot,work ), Selecttraining database path); %设置训练集路径TestDatabasePath = uigetdir(strcat(matlabroot,work ), Select testdatabase path ); prompt = Enter test image name (a number between 1 to 10):;dlg_title =Input of PCA-Based Face Recognition System

23、;num_lines= 1;def = 1 ;TestImage = inputdlg(prompt,dlg_title,num_lines,def);TestImage = strcat(TestDatabasePath, ,char(TestImage), .bmp );im = imread(TestImage);% T = CreateDatabase(TrainDatabasePath);T = CreateDatabase(TrainDatabasePath) m, A, Eigenfaces = EigenfaceCore(T);OutputName = Recognition(

24、TestImage, m, A, Eigenfaces);SelectedImage = strcat(TrainDatabasePath, ,OutputName);SelectedImage = imread(SelectedImage);figure;subplot(1,2,1);imshow(im);title( Test Image );subplot(1,2,2);imshow(SelectedImage);title( Equivalent Image);str = strcat( Matched image is : ,OutputName);disp(str);3、实验结果3

25、-2）里存放了10TrainDatabase (如图 3-1)里存放了 42 张图片，TestDatabase (如图 张图片，所有图片格式和分辨率都相同。图3-1图3-2运行主程序时，先设置好 TrainDatabase的路径（如图 3-3）,再设置好 TestDatabase的路径（如图3-4）图3-3图3-4之后还会弹出你想要匹配的图片号（1-10）（如图3-5）图3-5最终会显示出 Test Image和在TrainDatabase里匹配出来 Equivalent Image。如果所要匹配的图片和TrainDatabase里的图片相同，则匹配出来的图片则相同（如图 3-6）;图3-64、结论与不足通过这个实验报告，使我对Matlab编程有了更深刻的了解，在编程的同时， 还得把本学期学习的相关的理论知识（比如 PCAffi关算法）应用上，毫无疑问， 这巩固了本学期所学的相关知识，更有利我们深刻了解人脸识别相关的理论。通过这个实验，由于我的样本值都取得很少，同时，人脸库也是标准ORL人脸库，所以最后实现的人脸匹配度还是令人欣慰的， 可以做到只要训练样本里 有的图片，都可把匹配的图片找出来。不足：通过测试，假如训练样本里没有的图片，我们是不能找出与之相近似的图 片，这还得通过后期的修改和调试；由于本次实验的样本选得比较少， 若在样本很多的情况下，可