基于主分量分析的人脸识别.doc

《基于主分量分析的人脸识别.doc》由会员分享，可在线阅读，更多相关《基于主分量分析的人脸识别.doc（26页珍藏版）》请在三一办公上搜索。

1、基于主分量分析的人脸识别 目录摘要1Abstract21 人脸识别概述31.1选题背景与意义31.2人脸识别的研究内容31.3人脸识别的优势与难点41.4人脸识别的应用领域62 人脸识别的基本方法72.1人脸的图像表示72.2图像预处理72.3人脸的检测与定位82.4特征提取82.5人脸判定93 PCA算法原理93.1 引言93.2主分量分析方法103.2.1特征选择过程103.2.2 特征提取过程113.3 PCA算法在人脸识别的实现123.3.1特征人脸空间的建立123.3.2通过特征脸空间来识别人脸134 实验结果及分析15致谢18参考文献：19附录20福建工程学院本科毕业设计（论文）作

2、者承诺保证书 本人郑重承诺：本篇论文设计（论文）的内容真实、可靠。如果存在弄虚作假、抄袭的情况，本人愿意承担全部责任。 学生签名：年 月 日福建工程学院本科毕业设计（论文）指导老师承诺保证书本人郑重承诺：我已按有关规定对本篇论文设计（论文）的选题与内容进行了指导和审核，该同学的毕业设计（论文）未发现弄虚作假、抄袭的情况，本人愿意承担指导教师的相关责任。指导老师签名： 年 月 日基于主分量分析的人脸识别摘要人脸识别技术作为生物特征识别领域中一种基于生理特征的识别技术，是以通过计算机提取人脸的特征，并根据这些特征进行身份验证的一种技术。人脸与人体的其他生物特征一样与生俱来，它们所具有的唯一性和不易

3、被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。因此，人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。本文的研究内容主要包括以下几点：（1）对人脸识别研究的内容、优势与难点、应用领域等作了详细介绍。（2） 介绍主成分分析法(PCA)，并利用三阶近邻方法实现了人脸识别。（3）给出了基于matlab环境的编程及实验结果，并对结果进行分析。关键词: 人脸识别，主成分分析，三阶近邻，特征脸Face recognition based on PCAAbstractAs a recognition techno

4、logy in the field of biometric identification ,face recognition is based on physical characteristics . It extracts facial features by computer, and according to these features to authenticate.Face ,like other body biometrics,is inherent.They provide the necessary precondition to the identity authent

5、ication since they are unique and not easily to be replicated . Compared to other biometrics, face recognition technology is simple to operation , intuitive results,good hidden and other good advantages . Therefore, face recognition has a wide range of applications in information security, criminal

6、detection, access control and other fields. This study mainly include the following tips: (1) This article introduces the research contents of face recognition,their advantages and difficulties, and application field, etc .(2) Introduces the principal component analysis (PCA), and using three-order

7、neighbor method realizes the face recognition .(3)Programed it based the matlab environment and provide the experiment result and analysised it.Key Words: Face Recongnition , PCA , three-order neighbor , Eigenface 1 人脸识别概述1.1选题背景与意义21世纪是信息技术、网络技术的世纪。随着计算机网络的高速发展，信息的安全性、隐蔽性越来越重要。网络哦信息化时代的一大特征就是身份的数字化

8、和隐蔽化。如何有效、方便地进行身份验证和识别，已成为人们日益关心的问题，也是当今时代必须解决的关键性社会问题。身份证、工作证、智能卡、口令密码、网络登录号等传统的身份认证手段，不但使用麻烦、记忆复杂、携带不便、不易保管，而且可能被遗失、忘记，或轻易被窃取、仿造和盗用。因此，目前广泛使用的依靠证件、个人识别号码、口令等传统方法来确认个人身份的技术面临着严峻的挑战，并越来越不适应现代科技的发展和社会的进步。生物特征识别做为一种高新技术，由于其独特的属性，正在悄然担负起这一重要的使命。人脸识别是人们日常生活中最常用的身份确认手段，也是当前最热门的模式识别研究课题之一。虽然人脸识别的准确性要低于虹膜识

9、别和指纹识别，但是由于它是非接触的、具有非侵犯性，因而人们对这种技术没有任何的排斥心理，所以人脸识别技术是一种最友好的生物特征识别技术。人脸识别技术作为生物特征识别领域中一种基于生理特征的识别技术，是以通过计算机提取人脸的特征，并根据这些特征进行身份验证的一种技术。人脸与人体的其他生物特征一样与生俱来，它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。因此，人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。1.2人脸识别的研究内容人脸识别一般被描述为：给定一静止或动态图像，利用已

10、有的人脸数据库来确认图像中的一个或多个人。其研究内容包括以下三个方面：（1）人脸检测。即从各种不同的背景中检测是否存在人脸，并确定其位置、大小、形状、姿态等信息的过程。它关系到后续识别工作能否正确进行，并保障最终识别结果的可靠性。这一任务主要受光照、噪声、头部倾斜度、人脸大小、表情、成像器材质量以及各种各样遮挡的影响。（2）人脸表征。即提取人脸的特征，确定检测出的人脸和数据库中的已知人脸的描述方式。通常的表示方法包括几何特征（如欧氏距离、曲率、角度等）、代数特征（如矩阵特征矢量等）、固定特征模版、特征脸、云纹图等。（3）人脸识别。即用将待识别的人脸与数据库中的已知人脸进行比较，得出相关信息。这

11、一过程的核心是选择适当的人脸表示方式和匹配策略，系统地构造与人脸的表征方式密切相关。人脸识别特征人脸表征标准人脸人脸检测图像符号首先进行人脸检测，确定图像中人脸的位置；其次通过对人脸器官进行定位与归一化，调整人脸方向，统一人脸大小，以利与数据库中的人脸比对；最后是人脸识别。人脸数据库中预先存放了已知的人脸图像或相关的特征值，识别的目的就是将待识别的图像或特征与数据库中的图像或特征进行匹配。识别的任务主要有两个：一个是人脸辨认，即确定输入图像为数据库中的哪一个人，是一对多的匹配过程；另一个是人脸证实，即验证某个人的身份是否属实，是一对一的匹配过程。识别过程完成之后输出识别结果。1.3人脸识别的优

12、势与难点有多种生物识别方法可以对人的身份进行鉴别和识别，如指纹匹配、虹膜扫描、声音识别、手型、签名比对、DNA鉴定等，但这些方法的社会公众认知度比较低。与以上生物识别技术相比，通过人脸图像进行个体识别在应用方面有着很多优点：（1）它是唯一不需要使用者配合的生物识别方法，因而操作隐蔽性强，特别适合于安全防范、罪犯监控、罪犯抓捕。（2）采用非接触式采集，没有侵犯性，容易被接受，而指纹采集、掌纹识别通常给人造成不适的感觉。（3）事后跟踪能力强，普通人即可进行判断核实，而普通人一般不具备对于指纹、虹膜的判别能力。（4）更符合人类的识别习惯，可交互性强，适合于改善人机界面。（5）实现设备通用、简单，尤其

13、是采集设备成本较低，指纹采集、虹膜图像采集仪、DNA鉴别仪等都是专用的采集设备，而且设备昂贵。现有的人脸识别系统在用户配合、采集条件较理想的情况下可以取得令人满意的结果。但是，如果对于用户不配合、采集条件不理想（如光照恶劣、有遮挡、图像分辨率低等）的情况下，现有系统的识别率将陡然下降。因此，要将人脸识别技术应用到实际中还存在着诸多挑战性的问题需要解决。人脸检测和识别受到很多因素的影响，主要包括以下几种。（1）复杂条件下人脸的检测和关键点定位问题人脸的检测和关键点定位是一个人脸识别系统的前端处理环节，此环节效果好坏直接影响着人脸识别系统的识别性能。而现有的多数特征定位算法的定位精度都随着光照、姿

14、态等外界条件变化而快速下降，因此研究复杂条件下人脸的检测和关键点定位算法是目前人脸识别研究中的当务之急。（2）光照变化问题光照问题是机器视觉中存在已久的问题，在人脸识别中的表现尤为明显，如图1.1所示。 图 1.1（3）姿态问题 与光照问题类似，姿态问题也是目前人脸识别研究中需要解决的一个技术难题，如下图1.2所示。当发生俯仰或者左右侧面比较厉害的情况下，人脸识别算法的识别率也将会急剧下降。图 1.2（4）表情问题同一种表情在不同的人面部上有不同的表现形式，而且同一个人的不同表情也没有明显的界限，所以计算机很难用统一的标准来精确的划分个各种表情。因此，如何有效地识别带有表情的图像，从而极大地提

15、高人脸识别的准确率，推动人脸识别的发展，是一个非常重要的渠道。 图 1.3（5）遮挡问题对于非配合情况下的人脸图像采集，遮挡问题是一个非常是一个非常严重的问题，如图1.4所示。 图 1.4（6）年龄变化问题随着年龄的变化，面部外观也会变化，对于不同的年龄段，人脸识别算法的识别率也不同。（7）低质量照片问题。1.4人脸识别的应用领域人脸识别技术作为生物识别技术的一种，以其特有的稳足性、方便性、唯一性等特点被愈来愈多地应用于除安全问题外的各种身份识别领域。人脸识别技术可应用于以下方面：1.在安全防范领域中的应用社会上有许多重要的部门，如军事、金融、保密等部门都需要对出入人员进行身份识别，以防止信息

16、泄漏和不法现象的发生。使用该技术可以方便地进行身份识别，而不使被识别者感到不舒服。2.在犯罪刑侦领域中的应用在刑侦工作中，对罪犯的抓捕是至关重要的一环。应用人脸识别技术可以依据犯罪嫌疑人的人脸图像对机场、车站、港口等重要交通场所进行监控，从而大大促进了罪犯抓捕工作的开展。3.在公共事业领域中的应用。在现代社会，许多领域都需要对人进行身份验证。如银行、保险、交通等公共事业部门。采用传统的密码、IC卡等手段和技术对人进行身份验证具有安全性差、易遗失、易伪造等缺点。而采用人脸识别技术进行身份验证则能够很好地克服传统身份验证手段和技术的缺点。此外，人脸识别的研究还具有重要的理论研究价值。由于人脸模式的

17、特殊性，人脸识别的研究涉及图像处理、模式识别、计算机视觉、神经网络、认知科学、生理学、心理学等多个学科领域，因此对人脸识别的深入研究能够推动这些基础研究的发展。2 人脸识别的基本方法Chellappa给出的人脸识别定义是，给出静态或者视频图像，将其中的一个或多个人脸和存储于数据库中的人脸相比较，确定出图像或视频中各个脸的身份。一般要在输入之前对图像进行预处理，若有人脸存在，则将其从背景中分割出来。一般来说，一个完整的人脸识别系统包括。图像输入、人脸检测/定位、预处理、特征提取、分类器5部分。2.1人脸的图像表示计算机处理的图像是以数字形式表示的。如果仅从识别的角度出发，我们希望数字图像能够尽可

18、能地保留原图像的信息，但在实践中，由于场合的不同，输入图像保留的信息是不一样的。灰度图像失去了颜色信息；二维图像则失去了深度等三维信息；红外图像仅和热辐射有关，分辨率太低；Sketch图像则失去了纹理信息；上述几种图像都没有运动信息。除了图像形态，输入设备也不尽相同，有的图像是由CCD摄像头拍摄的，有的则是照片扫描或报纸扫描，还有可能是在web上下载的压缩图像，等等。由于应用环境的不同，所得图像的性质也是不同的，这实际上会影响到以后提取的特征也有所不同。本论文主要是在二维灰度（2D intensity）静态图像上进行人脸识别的研究。2.2图像预处理一般情况下，系统获取的原始图像由于受到各种条件

19、的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。图像增强就是有选择性地突出图像中用户感兴趣的特征。图像增强技术主要有两种：空间域法和频率域法。空间域法主要是在空间域内对图像像素进行直接运算；频率域法就是在图像的某种变换域，对图像的变换值进行运算，即先对图像进行傅里叶变换，再对图像的频谱进行某种计算，最后将计算后的图像逆变换到空间域。常用的人脸图像预处理方法有：人脸图像的灰度化、人脸图像的二值化、人脸图像的几何校正、直方图修正、人脸图像的滤波、图像锐化，像素平均法等。2.3人脸的检测与定位 人脸检测是指在任何人脸识别系统中从输入信息中确定所有存

20、在的人脸的位置、大小、姿态的过程。检测图像中是否有人脸，若有，将其从背景中分割出来，并确定其在图像中的位置。在某些可以控制拍摄条件的场合，如警察拍罪犯照片时将人脸限定在标尺内,此时人脸的定位很简单。证件照背景简单,定位也比较容易。在另一些情况下,人脸在图像中的位置是未知的,比如在复杂背景下拍摄的照片,这时人脸的检测与定位将受以下因素的影响:(1)人脸在图像中的位置、角度和不固定尺度以及光照的影响；(2)发型、眼镜、胡须以及人脸的表情变化等；(3)图像中的噪声。人脸检测的基本思想是用统计或知识的方法对人脸建模,比较所有可能的待检测区域与人脸模型的匹配程度,从而得到可能存在人脸的区域。其方法大致可

21、分为基于统计和基于知识两类。前者将图像看作一个高维向量,从而将人脸检测问题转化为高维空间中分布信号的检测问题；后者则利用对人脸的认知知识建立若干规则,从而将人脸检测问题转化为假设/验证问题。2.4特征提取从原始图像将人脸区域检测、定位并分割出来后，接下来的关键工作就是人脸表征。由于原始图像的维数非常高，直接对原始图像进行处理将加大算法的复杂度，并且会受到计算机硬件性能的制约；另基于原始图像的描述并不能直接反映对象的本质，并且还受图像形成的角度、光照等因素的影响，因此，人脸表征成为人脸识别的主要难点所在，也是影响人脸识别准确率的关键技术环节。人脸表征，也称人脸特征提取，它是对人脸进行特征建模的过

22、程，目的是提取出原高维人脸模式的低维特征，以用于后续的分类任务。人脸表征是人脸识别中的核心步骤，直接影响识别精度。目前人脸表征的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。基于统计学习方法提取的特征又被称为代数特征，由于代数特征较易提取并且具有较高的识别精度，因此提取代数特征的统计方法成为目前人脸特征提取的主流方法。人脸样本图像特征提取（全局特征）特征子空间使用人脸样本特征进行训练2.5人脸判定 人脸判定是人脸识别的一个关键部分，主要是对检测出的人脸图像判定其与谁的脸最相似，或者判断待识别人脸是不是某个已知人脸。人脸判定过程主要分为两个阶段：训

23、练阶段和测试阶段。在训练阶段，首先从样本图像中提取特征，然后存储特征形成特征库；在测试阶段，首先提取待判定人脸样本图像的特征，然后用训练好的分类器对待判定人脸图像特征和特征库中的特征进行匹配，最后输出判定结果。如图2.1所示 训练阶段输入人脸图像提取待识别人脸的特征获取人脸特征（全局和局部）人脸特征匹配，输出结果测试阶段图 2.1 人脸判定常见的方法有：面部几何特征法、模板匹配法、神经网络法、隐马尔科夫模型法、支持向量机法、特征脸法、奇异值分解法、贝叶斯分类法和等灰度线法等。3 PCA算法原理3.1 引言主成分分析(Principle Component Analysis)是应用最广泛的一种特

24、征提取方法之一，它是一种统计学方法，在信号处理、模式识别、数字图像处理等领域已经得到了广泛的应用。它通过对原始数据的加工处理，简化问题处理的难度并提高数据信息的信噪比，以改善抗干扰能力。PCA的核心思想是利用较少数量的特征对样本进行描述以达到降低特征空间维数的目的。3.2主分量分析方法主分量分析是在统计学中分析数据的一种有效方法，其目的是在数据空间中找到一组向量尽可能解释数据的方差，通过一个特殊的矩阵，将原有的高维数据投影为较低维的数据空间，并且保留了数据主要信息，以便能更方便地处理数据信息。主分量分析也可以看作是一种特征选择和特征提取的过程，其主要目标是在大的输入空间中寻找合适的特征向量，并

25、在所有的特征中提取主要特征。特征选择是指从数据空间变换到特征空间的过程。在理论上，特征空间和数据空间的维数是一样的。但是，当变换后的特征中的有效的几个能够包含原有变量的主要信息时，就可以考虑减少特征的个数而提取主要的特征，即降低特征空间的维数（简称降维）。在降维中，假设一个m维的向量X，希望压缩到l维，lm。如果简单地对X进行截断，所带来的均方误差等于舍掉的各分量的方差之和。而特征提取的目的，正是希望在经过特征选择后，对于特征向量的截断能够保证均方误差最小。而主分量分析正是这样一种可逆的变换T，它可以保证对经过变换后T(X)的截断，在均方误差意义下是最优的。因此，可以把主分量分析的主要过程分为

26、特征选择和特征提取两个过程。在特征选择过程中，主要将输入空间映射到输出空间，从而获得输入的特征，即输入的主分量；而特征提取过程也就是降维过程，在该过程中选取主要的特征而舍去其它特征分量。3.2.1特征选择过程该过程的目的是实现从输入空间到特征空间的映射，为第二步的特征提取打下基础。因此，这个过程的关键就是选取特征向量并获得输入在所有特征上的投影，使得这些投影能够满足在特征提取中均方误差最小的要求，而这些投影就是输入的主分量。对于给定的已知概率分布函数的m维随机矢量，设其均值EX为0（当X的均值不为0时，可以令，而得到）。而协方差为 （3-1）由于EX=0，所以协方差矩阵即为自相关矩阵 （3-2

27、） 计算的特征值和对应的归一化特征向量 i=1,2，m （3-3）式中， 。理论上已经证明，特征向量就是满足条件的输入的特征。不妨设特征值，则（i=1,2，m）就是输入对特征向量的投影，即为X的第i个主分量。用矩阵表示如式（3-4）： （3-4）式中，特征向量矩阵满足，而。因此，通过特征向量矩阵U将输入的n维向量X变换成特征空间中的n维向量Y，Y的某一分量为输入X的第i个主分量。根据式（3-4），用特征向量的线性组合可以重构得到X，如式（3-5）： （3-5）也就是根据所有主分量可以恢复出原先的输入向量X，完成了从特征空间到输入空间的变换。3.2.2 特征提取过程通过特征选择获得了所有的主分量

28、，而在特征提取过程中，则选取主要的特征而舍弃次要的，从而达到降维的目的。为此对向量Y进行均值分析，对Y的均值EY，有 （3-6）因此，自协方差矩阵也就是Y的自相关矩阵 （3-7）由于U为X的特征向量矩阵，所以有 （3-8）由式（3-8）可看出自协方差矩阵取决于原输入X的自协方差矩阵。在对Y进行截断时，要保证截断是均方误差意义下最优的，可以根据决定主分量的特征向量所对应的特征值（）进行截断。特征向量所对应的特征值越大，它在重构时的贡献也越大，而特征值越小，该特征向量在重构时的贡献就越小。所以对那些特征值很小的特征向量，可以忽略。考虑中前L个最大的特征值，X用这些特征向量决定的主分量来重构时，满足

29、最小均方误差准则，重构的估计值为 （3-9） 其均方差 （3-10）从式（3-10）可看出，当的前L个最大特征值较大时，均方差可达到很小。根据矩阵理论有，式中是矩阵对角线元素，定义方差贡献率 （3-11） 当方差贡献率足够大（如达到70%、80%、或90%等），即可将前L个特征向量构成的空间作为低维投影空间，从而可以完成降维的处理。3.3 PCA算法在人脸识别的实现3.3.1特征人脸空间的建立本文选择ORL人脸图像库中的M幅人脸作为训练样本集，该样本集为11292像素的人脸图片，用向量X表示，从而训练集可以表示为。M幅人脸图像的平均人脸图像为（平均脸）： （3-12） 将训练样本集中的人脸图像

30、减去平均人脸图像，计算离散差值，将训练图像中心化。从而得到每张人脸图像与平均脸的差值（差值脸）： ，i=1,M （3-13） 首先构造样本训练集的协方差矩阵 （3-14）其中，大小为10304M，协方差矩阵C的正交特征向量就是组成人脸空间的基向量，即特征脸。注意到C是1030410304的矩阵，由于维数太大，直接求特征向量是极其困难的，因此本文采取另一种方法来计算。考虑矩阵，令该矩阵的特征向量矩阵为V，为对应的特征值矩阵，则有，其中为L的第i个特征向量，为对应的特征值，从而可导出，令，所以有，那么就是C的一个特征向量，把C的特征向量矩阵记为U，U=AV。综上所述，U就是本文要求的向量，它是通过

31、计算较低维矩阵L的特征值和特征向量间接求出的。所有的非零特征值对应的特征向量,组成特征空间，也就是所谓的“特征脸”空间。这样，每一幅人脸图像都可以投影到张成的特征脸空间中取。因此，每一幅人脸图像对应于子空间中的一点，同样子空间当中的任意一点也对应于一副图像。3.3.2通过特征脸空间来识别人脸 （1）创建特征脸空间 特征空间创建的步骤： 中心化数据：所有的训练图像数据首先必须中心化通过上面式(3-13)将每一个原始训练图像数据减去平均图像得到中心化后的图像。 中心化数据矩阵：一旦训练图像数据被中心化以后，它们可以组成大小为 10304 p的矩阵，这里p为训练图像数目。 创建协方差矩阵：将中心化后

32、的矩阵乘以它的转置，如式(3-14)所示，得到协方差矩阵。 计算特征值和特征向量，其中U为对应于特征值的特征向集。 排列特征向量：按照非零特征值，从大到小的顺序，将对应的特征向量排列。所组成的特征向量矩阵即为特征空间U，U的每一列为一个特征向量： （3-15） 这样每一幅人脸图像都可以投影到由张成的子空间中。因此每一幅人脸图像对应于子空间中的一个点，同样，子空间中的每个点对应于一幅图像，图3-1显示的是所对应的图像，由于这些图像很像人脸，所以它们被称为“特征脸”。 图3-1 特征脸 （2）训练图像投影到特征脸子空间 有了这样一个由“特征脸”组成的降维特征子空间，任何一幅中心化后的人脸图像都可以

33、通过下面的式子投影到特征脸子空间并获得一组坐标系数： （3-16）这组系数表明该图像在子空间中的位置，从而可以作为人脸识别的依据。换句话说，任何一幅人脸图像都可以表示为这组“特征脸”的线性组合。（3）识别测试样本图像 对于每一幅待识别样本图像，首先进行中心化： （3-17） 然后投影到特征脸子空间中，求出其系数向量： （3-18）将待识别样本图像的投影与所有训练图像在特征空间的投影相比较，选择最接近的训练图像，即为待识别样本图像所属的类别3.4 利用三阶近邻分类器判断待识别样本图像所属的类别三阶近邻法是计算像素的差值的绝对值。距离公式可表示为： （3-19）由式(3-19)计算所得出的具有最小

34、值的图像并不一定属于同一类别。三阶近邻法计算出与测试图像距离最小的三幅图像，计算这三幅图像所属的类分别计为classl，class2，class3，若classl和class2且class2和class3不属于同一类，则测试图像属于classl；若classl和class2相同，则测试图像属于classl，而class2与测试图像也是相似的；若class2和class3属于同一类，则测试图像属于class2，而class3与测试图像也是相似的，但classl虽然与测试图像距离最近却不属于同一类，可能是由测试图像的姿态和饰物引起的。4 实验结果及分析我们使用MATLAB软件实现了人脸识别并统计其

35、识别率。本实验采用PCA（主成分分析）方法，并采用三阶近邻法分类器得出它们的识别率。（实验程序在附件中）本论文实验采用的是是英国剑桥大学Oliveut研究所制作的ORL(Oliveut ReesarhcLbaoratoyr)人脸数据库。该数据库包括40个不同人，每人10幅图像，共400幅。每幅原始图像256个灰度级，分辨率112x92。ORL人脸图像是在不同时间、不同视角、各种表情(闭眼/睁眼、微笑/吃惊/生气/愤怒/高兴)和不同脸部细节(戴眼镜/没戴眼镜、有胡子/没胡子、不同发型)的条下拍摄的。首先选取每个人脸的前5张图片作为训练集，后5张图片作为测试集。采用三阶近邻分类器，得出结果，识别率

36、为0.88在matlab中运行程序后会出现一个名为Select image的对话框，此时我们可以导入待识别的人脸图像，如下图：导入图像后，系统会对其进行识别，判断其属于哪一类人脸。下面我们选取十个具体的例子来说明问题，如喜怒哀乐，男女老少，有无遮挡物等。 图4.1 喜 图4.2 怒 图4.3 哀 图4.4 乐 图4.5 男（老） 图4.6 男（少） 图4.7 女（老） 图4.8 女（少） 图4.9 有胡子 4.10 黑种人以上的图像我们是用函数subplot（1,2,2）将其画出的，每幅图中有两个子图，左边的为输入的待识别人脸图像，而右边的为训练样本中的代表图像。上述十个例子中，第二张图片没有

37、准确的识别出来。这是因为我们输入的待识别的图像，与训练样本中的图像存在一定的差异，加之其表情比较古怪，所以系统在识别过程中将其错误判为第17类。在某些情况下，不同人之间存在着一定的相似之处，常常导致我们认错人，所以在用计算机进行人脸识别时，存在一定的错误率也是正常的。本实验采用三阶近邻分类器，实验结果总的识别率是0.88，在上述的十个例子中，有9张被准确识别出来了，所以在上述抽取的十个例子中，其准确率为0.90。致谢大学四年时光已接近尾声，感谢福建工程学院数理系领导和老师在大学四年里对我的孜孜教诲。这次毕业论文设计得到了许多老师和同学们的帮助，在此，我表示衷心的感谢。其次，感谢学校图书馆为我提

38、供的相关知识的书籍，也感谢网络上的朋友们与我共享他们的资源。最后我要特别谢谢我的指导老师贺文武老师，我做毕业设计的每个阶段，从选题到查阅资料，论文提纲的确定，中期论文的修改，后期论文的最后成文等各个环节中都给予了我悉心的指导。参考文献：1 王映辉 编著人脸识别原理、方法与技术 科学出版社 2010.2 段锦 著人脸自动机器识别 科学出版社 2008.3 邢志恒，崔连延 基于特征脸的人脸识别系统的研究，辽宁工业大学 信息科学与工程学院 2007.4 胡华 主编MATLAB数学实验教程宁夏人民教育出版社.5 杨杰 主编 黄朝兵 副主编数字图像处理及MATLAB实现电子工业出版社.6 张德丰 编著M

39、ATLAB神经网络仿真与应用电子工业出版社.7 苏剑波，徐波，应用模式识别技术导论人脸识别与语音识别M，上海：上海交通大学出版社，2001.8 张晓光，山世光，曹波，高文，周德龙，赵德斌，CAS-PEAL大规模中国人脸图像数据库及其基本评测介绍，计算机图形学辅助设计与图形学学报.9 杨鑫，生物特征识别技术理论与应用M，北京电子工业出版社，2005.10 姜贺，基于几何特征的人脸识别算法的研究D，大连理工大学，2008.11 刘小华，崔卓，段锦等，复杂背景下的人像检测J，小型计算机系统，2004.12 Duan J, Liu M, Liu X, et al. Color image face d

40、etection: an algorithC. 5th International Symposium on Test and Measurement,2003,3: 1863 1866.13 Bledsoe W W. The model method in facial recognitionR. Panoramic Research Inc, Palo Alto, Rep RPI: 15,1996.14Kanade T. Computer Recognition of Human Faces M.Basel&Stuttgart:Birkhauser Verlag, 1977.15 Craw

41、 I.Recognizing face features and faces C. Proceedings of IEE Colloquium on Machine Storage and Recognition of Faces, London,UK,1992:711714附录clear all;allsamples=;%所有训练图像for i=1:40for j=1:5 %有四十个人，每个人取前五张作为训练样本a=imread(strcat(e:ORLs,num2str(i),num2str(j),.bmp);b=a(1:112*92); % b 是行矢量 1N，其中N10304，提取顺序

42、是先列后行，即从上到下，从左到右b=double(b);%返回双精度矩阵allsamples=allsamples; b; % allsamples 是一个M * N 矩阵，allsamples 中每一行数据代表一张图片，其中M40*5endend% M个训练图集的读取与转换samplemean=mean(allsamples); % 取平均值，1 Nfor i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % 计算差值脸xmean 是一个M N 矩阵，xmean每一行保存的数据是“每个图片数据-平均图片”end;% 获取特征值及特征向量sigma=xmean*xmean; % M * M 阶矩阵v d=eig(sigma);d1=diag(d);% 按特征值大小以降序排列dsort = flipud(d1);vsort = fliplr(v);%以下选择90%的能量dsum = sum(dsort);dsum_extract = 0;p = 0;while(