基于pca算法的eigenfaces人臉識別算法

1、<p>　　河北農業(yè)大學現(xiàn)代科技學院</p><p><b>　　畢業(yè)論文(設計)</b></p><p>　　題 目：基于PCA算法的Eigenfaces人臉識別算法</p><p>　　學 部： 工程技術學部 </p><p>　　專業(yè)班級： 計算機科學技術1002班 <

2、/p><p>　　學 號： 2010614140501 </p><p>　　學生姓名： 盧天南 </p><p>　　指導教師姓名： 劉 博 </p><p>　　指導教師職稱： 講 師 </p><p>　　二〇

3、一四 年 六 月 一 日</p><p><b>　　摘要</b></p><p>　　人臉識別技術就是利用計算機分析人臉圖像，提取有效的識別信息來辨認身份或者判別待定狀態(tài)的一門技術。它涉及模式識別、圖像處理、計算機視覺等諸多學科的知識，是當前研究的熱點之一。然而影響計算機人臉識別的因素非常之多，主要是人臉表情豐富，人臉隨年齡增長而變化，人臉所成圖像受光照、成像角度及

4、成像距離等影響，極大地影響了人臉識別走向實用化。</p><p>　　基于PCA算法的人臉識別過程大致分為訓練、測試、識別這三個階段完成，在訓練階段，通過尋找協(xié)方差矩陣的特征向量，求出樣本在該特征向量上的投影系數(shù)；在測試階段，通過將測試樣本投影到特征向量上，得到測試樣本在該特征向量上的投影系數(shù)。</p><p>　　最后，采用最小歐氏距離，找到了與測試樣本最相近的訓練樣本圖像。</p

5、><p>　　關鍵詞 Eigenfaces、PCA算法、人臉識別算法、matlab、SVD。</p><p><b>　　Abstract</b></p><p>　　Face recognition technology is the use of computer analysis of facial images to extract va

6、lid identification information to identify or determine the identity of a technology Pending state. It involves knowledge of pattern recognition, image processing, computer vision, and many other disciplines, is one of t

7、he hotspots of current research. However, factors affecting the computer face recognition very much, mainly rich facial expression, face changes with age, face a picture of the affected ligh</p><p>　　PCA alg

8、orithm based recognition process is roughly divided into training and testing, the identification of these three stages, in the training phase, to find the eigenvectors of the covariance matrix is obtained on the sample

9、feature vector projection coefficient; in the test phase by the test feature vector is projected onto the sample to obtain a test sample on the projection of the feature vector of coefficients. </p><p>　　Fin

10、ally, the minimum Euclidean distance, the test sample to find the closest sample images.</p><p>　　Keywords Eigenfaces PCA Algorithm、Face Recognition Algorithm、matlab、SVD.</p><p><b>　　目錄&l

11、t;/b></p><p><b>　　1 緒論1</b></p><p>　　1.1計算機人臉識別技術及應用1</p><p>　　1.2常用的人臉識別方法簡介1</p><p>　　1.3本論文內容安排1</p><p><b>　　2 PCA3</b>&

12、lt;/p><p>　　2.1 PCA簡介3</p><p>　　2.2 PCA的實質3</p><p>　　2.3 PCA理論基礎3</p><p><b>　　2.3.1投影3</b></p><p>　　2.3.2最小平方誤差理論4</p><p>　　2.3.

13、3 PCA幾何解釋8</p><p>　　2.4 PCA降維計算8</p><p>　　3 PCA在人臉識別中的應用11</p><p>　　3.1 人臉識別技術簡介11</p><p>　　3.2 圖片歸一化11</p><p>　　3.3 基于PCA的人臉識別11</p><p>

14、;　　3.3.1 人臉數(shù)據(jù)特征提取11</p><p>　　3.3.2計算均值12</p><p>　　3.3.3計算協(xié)方差矩陣C12</p><p>　　3.3.4求出協(xié)方差C的特征值和特征向量12</p><p>　　3.4奇異值分解定理12</p><p>　　3.5 基于PCA的人臉識別的訓練13&

15、lt;/p><p>　　3.5.1 訓練集的主成分計算13</p><p>　　3.5.2 訓練集圖片重建13</p><p><b>　　3.6 識別14</b></p><p><b>　　4 實驗15</b></p><p>　　4.1 實驗環(huán)境15</p&

16、gt;<p>　　4.2 PCA人臉識別實驗過程15</p><p>　　4.2.1 訓練階段15</p><p>　　4.2.2 測試階段21</p><p>　　4.2.3 采用歐氏最小距離識別23</p><p>　　4.3實驗結果23</p><p><b>　　5 總結26

17、</b></p><p>　　5.1.1內容總結：26</p><p>　　5.1.2工作總結：26</p><p><b>　　6致謝27</b></p><p><b>　　參考文獻28</b></p><p><b>　　1 緒論</

18、b></p><p>　　1.1計算機人臉識別技術及應用</p><p>　　計算機人臉識別技術就是利用計算機分析人臉圖像，進而從中提取出有效的識別信息，用來“辨認”身份的一門技術，它涉及圖像處理、模式識別、計算機視覺、神經網絡、生理學、心理學等諸多學科領域的知識。這諸多因素使得人臉識別成為一項極富挑戰(zhàn)性的課題，這也是研究的熱點之一。</p><p>　　人臉

19、識別已成為計算機視覺及相關領域中的關鍵技術，而且人臉識別技術應用背景比較廣泛，在身份驗證、刑偵破案、罪犯身份識別、視頻監(jiān)視、駕駛執(zhí)照及護照、銀行及海關的監(jiān)控系統(tǒng)以及自動門衛(wèi)系統(tǒng)、機器人智能化和醫(yī)學等諸多方面具有廣闊的應用前景和商業(yè)價值。</p><p>　　然而影響計算機人臉識別的因素非常之多，主要是人臉表情豐富；人臉隨年齡增長而變化；人臉所成圖像受光照、圖像角度及圖像距離等影響；所以使得人臉識別技術的普遍使用具

20、有挑戰(zhàn)性。</p><p>　　1.2常用的人臉識別方法簡介</p><p>　　目前國內外研究人臉識別的方法層出不窮，所采用的研究角度也各不相同，從不同的研究角度，可以對人臉識別方法進行分類，比如，根據(jù)輸入圖像中人臉的角度的不同，可以分為基于側面、正面、傾斜人臉圖像的人臉識別；根據(jù)圖像來源的不同，可以分為靜態(tài)和動態(tài)的人臉識別；根據(jù)圖像的特點，可以分為灰度圖像和彩色圖像的人臉識別。本文的主

21、要是采用正面，靜態(tài)的灰度圖像[4]。</p><p>　　根據(jù)對灰度圖像的特征提取方式的不同，人臉識別方法大致可以分成三種：基于局部特征的人臉識別方法，基于整體的人臉識別方法和基于將局部和整體結合起來的人臉識別方法。而基于局部特征的人臉識別方法主要有：結構匹配的方法、隱馬爾可夫模型(Hidden Markov Model，簡稱H瑚)的方法、彈性圖匹配(E1astic Bunch Graph Matching簡稱髓

22、GM)的方法；基于整體的人臉識別方法主要有：基于主成分分析(Principal component Analysis簡稱PCA)的方法、線性鑒別分析法（LDA）、基于三維可變性模板(3D M0rphable Model)的方法、基于人工神經網絡(Artificial Neural Networks簡稱ANN)的方法、支持向量機(support Vector Machine簡稱sⅧ)的方法、小波變換(Wavelet Translation

23、)的方法等，另外，第三種方法結合了前兩種方法的優(yōu)點，比如多分多分類器等[4]。</p><p>　　本論文主要采取基于主成分分析的方法，雖然這種方法比較的簡單，但技術卻非常的古老、是人臉識別中比較經典的一種方法。</p><p>　　1.3本論文內容安排</p><p>　　第一章簡單介紹了計算機人臉識別技術的主要方法及其應用，和本論文的主要論證與實現(xiàn)的典型的人臉識

24、別方法。</p><p>　　第二章講述了PCA的理論基礎以及通過例子說明PCA的降維、重建過程。</p><p>　　第三章講述了PCA在人臉識別中的具體應用，采用簡單的圖片的歸一化方法對人臉圖像進行歸一化出來，通過介紹SVD原理計算出協(xié)方差矩陣，計算人臉主成分，最后重建圖片，再采用歐氏最小距離進行人臉識別。</p><p>　　第四章仔細地講解了基于PCA算法在

25、matlab中的實現(xiàn)過程。</p><p>　　第五章總結本編論文的成果。</p><p><b>　　2 PCA</b></p><p><b>　　2.1 PCA簡介</b></p><p>　　Principal Component Analysis簡稱PCA，它是多分量分析中最老的技術之一，

26、來源于通信理論中的K-L變換。1901年由Pearson 第一次提出主要成分分析方法，主要經過Karhuman和Loeve歸納修改[1]。</p><p>　　2.2 PCA的實質</p><p>　　PCA的實質是在盡可能好地表達原始數(shù)據(jù)的前提下，通過線性變換將高維空間中的原始樣本數(shù)據(jù)投影到底維空間中[1]，即利用低維空間來表示高維空間的樣本數(shù)據(jù)，也就是降維。其本質是轉換坐標表示。<

27、;/p><p>　　2.3 PCA理論基礎</p><p><b>　　2.3.1投影</b></p><p>　　設d維樣本，，···，以及一個d維的基，那么標量H為： </p><p>　　H相當于在基上的坐標值。如果為單位向量，那么H就是把向方向為的直線進行投影的結果。如圖2-1<

28、;/p><p>　　以上是一維的情況，我們推廣到m維，這樣就有一組基（m個）組成的空間，若樣本投影到基上，可以得到：</p><p><b>　　其中可以寫成：</b></p><p>　　為均值，是單位向量，且直線經過。</p><p>　　2.3.2最小平方誤差理論</p><p><b&g

29、t;　　問題1：</b></p><p>　　如上圖2-2，假設在二維坐標上有N個樣本點，如何能找出一點（紅色）能夠很好的代表這N個樣本點呢？</p><p><b>　　問題2：</b></p><p>　　如上圖2-3，假設有這樣的二維樣本點，如何能求出一個線性函數(shù)使得直線能夠最佳擬合樣本點呢？</p><p

30、><b>　　問題3：</b></p><p>　　若存在n個b維的樣本，如何能用一個m（m≤b）維空間來代表這n個樣本呢？以上問題歸納為：對于d維空間中的樣本，，···，如何能把d維空間的n個樣本投影到（≤d）維空間中來呢？</p><p><b>　　（1）=0</b></p><p&g

31、t;　　此時和問題1相似，即對于d維空間中的n個樣本，，···，將樣本點在d維向量（d維空間中的一點）上投影記為，則相當于要最小化</p><p>　　這個公式稱作最小平方誤差，即當</p><p>　　取值為最小時，向量能夠代表這n個樣本，，···。假設表示樣本，，···均值，均值公式為</p

32、><p><b>　　則有：</b></p><p>　　由于第二項式與無關，顯然，在=時取得最小值。這表明在最小平方誤差意義下能夠最好的代表這n個樣本，，···的d維向量就是這n個樣本的均值。換句話說，樣本均值是這n個樣本，，···在零維下的表達，所有的樣本都在零維空間下被投影到同一個點上。</p>

33、<p><b>　　（2）=1</b></p><p>　　如把所有的樣本都投影到同一個點上，這將無法反映出各個樣本之間的差異，也無法對樣本進行分類，所以進一步考慮一維的情況。</p><p>　　當=1時，和問題2一樣，通過用一直線表示樣本。同樣是在最小平方誤差意義下，把樣本點投影到直線上，因此這條直線通過點，并確定直線的方向為，是這條通過均值的直線的

34、單位方向向量，所以樣本，，···可以用直線可以表示為：</p><p>　　如下圖2-4，其中k是一個實數(shù)，表示直線上的點到的距離。是點在直線上的垂直投影。</p><p>　　我們把作為的在直線的一維表示，記作 上標（1）表示一維。因此樣本，，···在一維空間上的表達式為：</p><p>　　把看做是

35、在一維空間中的近似值。那么接下來怎么確定直線呢？我們知道確定一條直線，一般只需要確定一個點，再確定直線的方向即可，現(xiàn)在我們已經確定了點，所以只要確定的方向就行了。同樣要在最小平方誤差意義下使得最小。就是最小平方誤差函數(shù)。所以我們求的是的最小值，如下：</p><p>　　其中a1，a2···an和是未知變量，將式（2.3-10）展開得：</p><p>　　其

36、中，對進行求導得：</p><p>　　這個結果意思是說，如果知道了，那么將與e做內積，就可以知道了在上的投影離的長度距離。</p><p>　　我們的目標是在最小平方誤差意義下，尋找的方向，因此消去，把（2.3-12）式帶入（2.3-10）式得：</p><p><b>　　其中S為：</b></p><p>　　S稱

37、為散布矩陣，是協(xié)方差矩陣C的n-1倍。</p><p>　　在式（2.3-13）中，第二項跟無關，所以，要使最小，必須要讓最大，在這我們采用了拉格朗日數(shù)乘法來求解，這里有一約束條件是。</p><p>　　令，其中為拉格朗日乘數(shù)，對求偏導得：</p><p>　　令偏導為0得。在式中，S為一個d階方陣，是一個d維向量，為一個實數(shù)，顯然這是線性代數(shù)中的特征方程的典型形

38、式，是特征值，是散布矩陣的特征向量。而對式（2.3-16）</p><p><b>　　兩邊同時乘以得：</b></p><p>　　為此得出結論，要使最大化，應當選取散布矩陣S的最大特征值所對應的特征向量作為投影直線的方向。也就是說，通過將全部n個樣本，，···向以散布矩陣最大的特征值對應的特征向量為方向的投影，可以得到最小平方誤差意義

39、下這n個樣本的一維表示?；氐街暗娜龁栴}上，發(fā)現(xiàn)我們都在把n個樣本進行投影變換，那么投影變換的本質是什么呢？從本質上來說，我們所做的投影變換實際上就是基的轉換。</p><p>　　在原來的d維空間中，d個基分別是每個坐標軸方向上的單位矢量，因此在原空間中樣本由這組基表示為：</p><p>　　投影到直線之后，在新的一維空間中，單位矢量成為了唯一的1個基，這樣n個樣本在一維空間中通過基可

40、以表示為：</p><p>　　因此就是原始樣本經過投影變換降維后的一維空間下的描述。</p><p>　?。?）當接近d維時，即≤d</p><p>　　同樣可以把n個樣本點投影到二維（=2）及其高維（2≤≤d）空間，所以樣本，，···可以表示為：</p><p>　　新的最小平方誤差函數(shù)為：</p>

41、;<p>　　不難證明在散布矩陣S的前個（從大到?。┨卣髦邓鶎奶卣飨蛄繒r取得最小值。這些特征向量構成了在低維空間中的一組基向量，因此在低維（）空間下n個樣本，，···表示為：</p><p>　　我們把上式稱為重構式，其中</p><p>　　稱為分解式。對應于基的系數(shù)被稱為主成分。而是原來d維空間的n個樣本在基為所張長的維空間中的低維表示。

42、是原來樣本的一種近似。</p><p>　　2.3.3 PCA幾何解釋</p><p>　　經以上計算，我們找到了一組基來表示樣本數(shù)據(jù)，參見如下圖2-5：</p><p>　　如圖2-5，PCA實際上是尋找樣本散布最大的那些主軸方向，通過向這些方向向量所張長的空間投影達到了對原樣本降維的目的。從上圖不難看出，PCA投影轉換坐標的過程實際上就是去除數(shù)據(jù)的線性相關的過程

43、[1]。</p><p>　　2.4 PCA降維計算</p><p>　　本章的上一節(jié)的已經介紹了PCA降維的理論，下面我們以一個實例來幫助我們更好的了解上節(jié)的理論知識。</p><p>　　【例2.4-1】主成分的計算</p><p>　　計算下面的二維數(shù)據(jù)集合的主成分分量，并利用PCA方法降維至1維和2維。然后嘗試用1個和2個主成分實現(xiàn)對

44、第一個樣本進行重構。</p><p>　　T1=（1，2）、T2=（3，3）、T3=（3，5）、T4=（5，4）、</p><p>　　T5=（5，6）、T6=（6，5）、T7=（8，7）、T8=（9，8）。</p><p>　　解：我們使用matlab軟件幫助計算</p><p>　　錄入數(shù)據(jù)，算出了樣本數(shù)據(jù)集T，如T=[T1;T2; T3

45、; T4; T5; T6; T7; T8]，結果T為：</p><p><b>　　計算樣本均值</b></p><p><b>　　根據(jù)公式：</b></p><p>　　Matlab計算結果為：</p><p>　　計算協(xié)方差均值C（散布矩陣S和協(xié)方差均值的關系是C=S/樣本數(shù)）</p&g

46、t;<p>　　根據(jù)以上（2.3-14）式求得散布矩陣S為：</p><p>　　首先令求出A，A=[T1-m;T2-m;T3-m;T4-m;T5-m;T6-m;T7-m;T8-m] ，令，則。再由散布矩陣和協(xié)方差矩陣的關系可知，協(xié)方差矩陣C為：。</p><p>　　計算S的特征值和特征向量</p><p>　　解式（2.3-16）中的特征方程，，其

47、中I為2*2的單位矩陣</p><p><b>　　解以上行列式得：</b></p><p><b>　　，</b></p><p>　　再將分別代入式（2.3-16）中，解得：</p><p><b>　　，</b></p><p>　　而且是相互正交

48、的單位向量。、是S矩陣的特征值，、對應特征值、的S的特征向量。</p><p><b>　　將樣本降至一維</b></p><p>　　通過將8個樣本向其主軸投影，可以得到8個樣本點的一維表示，如下：根據(jù)公式（2.3-23）有：</p><p><b>　　得：</b></p><p><b&

49、gt;　　從而一維表示為：</b></p><p><b>　　降至二維</b></p><p>　　通過將8個樣本向其主軸、投影，根據(jù)式：，得：</p><p><b>　　因此二維表示為：</b></p><p><b>　　重構</b></p>

50、<p>　　根據(jù)重構式（2.3-22）有：</p><p>　　算出樣本的一維和二維重構：</p><p><b>　　一維重構：</b></p><p><b>　　二維重構：</b></p><p>　　近似度可以由重構值與原樣本的歐氏距離來衡量：</p><p&g

51、t;　　這是用1個主分量重構的歐氏距離，接下來用2個主分量重構的歐氏距離為：</p><p>　　我們注意到了，，顯然，近似度隨著主成分的數(shù)目的增加而增加。</p><p>　　3 PCA在人臉識別中的應用</p><p>　　3.1 人臉識別技術簡介</p><p>　　人臉識別技術是基于人的臉部特征，利用計算機對人臉圖像進行特征提取，并通

52、過對提取的人臉特征信息進行分析，最終確定人的身份的一門計算機技術。它涉及模式識別、圖像處理、計算機視覺等諸多學科的知識，是當前研究的熱點之一。</p><p>　　然而，由于識別結果往往容易受到表情，姿態(tài)和光照變化的影響，同時還要保證識別系統(tǒng)的實時性，極大地影響了人臉識別走向實用化。</p><p>　　我們所說的人臉識別主要包括三個環(huán)節(jié)：圖像預處理、特征提取、識別。</p>

53、<p><b>　　3.2 圖片歸一化</b></p><p>　　對圖片歸一化屬于圖像預處理的工作，而圖像預處理包括了圖像的幾何歸一化、圖像的灰度圖歸一化、圖像的邊緣檢測及銳化等處理，而我們的實驗所使用的人臉數(shù)據(jù)庫是ORL，這個人臉數(shù)據(jù)庫比較規(guī)范，而且光照變化不大，所以減去了好多圖片預處理的工作，而在這我們只是簡單的介紹一種歸一化的方法。</p><p>

54、;　　圖片歸一化就是對圖片進行統(tǒng)一的標準，也就是標準化的意思，這個概念通常是一個整體的概念，主要的原理就是把圖片歸一到均值為0，方差為1的情況下，類似于一般正態(tài)分布向標準正態(tài)分布的轉化[3]：</p><p><b>　　如式：</b></p><p>　　所以要對一組圖片集中的一張圖片進行歸一化（標準化），只需減去均值，除以方差就可以了。均值為</p>

55、<p><b>　　方差為：</b></p><p>　　3.3 基于PCA的人臉識別 </p><p>　　在這一節(jié)當中，以結合上一章的PCA理論知識，講解PCA算法在人臉識別中的應用。</p><p>　　3.3.1 人臉數(shù)據(jù)特征提取</p><p>　　這一小節(jié)代表著人臉識別的開始，屬于人臉采集階段，也

56、是重要的一步。我們把人臉數(shù)據(jù)庫</p><p>　　中的圖片分為兩部分，一部分稱為訓練集，另一部分稱為測試集。訓練集是人臉數(shù)據(jù)庫的重要組成部分，主要擔任著人臉數(shù)據(jù)庫的多張人臉的庫存信息，而測試集是要與訓練集進行比較相似度的相片信息，在識別的過程中，人臉識別系統(tǒng)只提取其中的一張相片作為測試用。</p><p>　　假設現(xiàn)在訓練集用M張人臉圖片，那么我們采集到的人臉數(shù)據(jù)特征為：</p&g

57、t;<p>　　為人臉訓練集圖像矩陣，共存有M張人臉。</p><p><b>　　3.3.2計算均值</b></p><p>　　計算出訓練集中的均值，根據(jù)均值公式：</p><p>　　我們把稱為平均人臉。</p><p>　　3.3.3計算協(xié)方差矩陣C</p><p>　　由第

58、二章中的（2.3-14）式可知，協(xié)方差矩陣C為：</p><p><b>　　令，有</b></p><p>　　（其實分母M對識別沒有多大的影響）。</p><p>　　3.3.4求出協(xié)方差C的特征值和特征向量</p><p>　　這一步是PCA計算中的主要工作，計算協(xié)方差均值C的特征值和特征向量由第一章的（2.3-1

59、6）式：</p><p>　　可以求得。假設樣本矩陣的大小為n*d（n個d維的特征向量），則協(xié)方差矩陣C將是一個大小為d*d的方陣，如果當d比較大的時候，比如d=10000，那么C的大小將是10000*10000的矩陣，如果直接計算C的特征值和特征向量的話，那非常的困難，那么怎么辦？由此引入奇異值分解定理來解決維數(shù)過高的問題。避免了直接計算高維矩陣的問題。</p><p>　　3.4奇異值

60、分解定理</p><p>　　奇異值分解定理(Singular Value Decomposition簡稱 SVD定理)原理如下：</p><p>　　設A（和上式的A相同）是一個秩為P的d*M維矩陣，則存在兩個正交矩陣和一個對角矩陣滿足下式：</p><p><b>　　其中、為：</b></p><p>　　其中為

61、矩陣（協(xié)方差矩陣C）和的非零特征值。與分別為 和對應于的正交歸一特征向量。而由（3.4-1）式推論得：</p><p>　　令，稱L為構造矩陣。而構造矩陣L的大小為M*M，很容易求得特征值和特征向量，因此，只要計算出構造矩陣L的特征向量，再通過（3.4-5）式就能算出協(xié)方差矩陣的特征向量來。如下式：</p><p>　　為的特征向量，特征值為。這樣就避免直接計算協(xié)方差矩陣特征的特征向量了[

62、5]。</p><p>　　3.5 基于PCA的人臉識別的訓練 </p><p>　　經以上的準備之后，我們已經計算出了協(xié)方差矩陣的特征值和特征向量（不需要單位化）。也就是找到了能很好的表示訓練集圖像的一組基。下面我們把樣本投影到這組基上，得到了在新的基下的坐標表示形式。</p><p>　　3.5.1 訓練集的主成分計算</p><p>　

63、　根據(jù)式（2.3-23），我們可以計算出訓練集樣本在方向向量為下的投影，如下式：</p><p>　　其中i為所降的維數(shù)，這里的i=m=M，維數(shù)和之前的維數(shù)相等，k是圖片數(shù)。稱為主成分，是M張訓練集圖片降至m（m=M）維的在基下的系數(shù)。</p><p>　　3.5.2 訓練集圖片重建</p><p>　　在新的基下對訓練集圖片進行表示，根據(jù)重構式（2.3-24）得：

64、</p><p>　　是訓練集的近似表示。</p><p><b>　　3.6 識別</b></p><p>　　基于特征臉的人臉識別過程由訓練階段和識別階段兩個階段組成。在訓練階段：計算訓練集圖片的所有主成分：</p><p>　　在識別階段：把待識別的圖像R映射到特征臉空間，得到主成分向量：</p>&

65、lt;p>　　把待識別的主成分分別和訓練集的所有主成分取歐氏距離，如下：</p><p>　　取的最小值，最小值的索引號對應的訓練集中的圖片就是和測試圖片最相似的。其主要的缺點是，當測試的圖像不在訓練集里，那么得到的歐氏距離最小結果并不是我們要的結果，基于這點，所以我們使用基重建測試圖像，看看顯示結果是不是我們要找的人，當測試圖片不在訓練集里，那么重建的結果將顯示面目模糊，看不清的現(xiàn)象，識別是我們可以控制的

66、，雖然最小歐氏距離識別不是那么理想。</p><p><b>　　4 實驗</b></p><p>　　這一章我們主要根據(jù)上二章的理論作為基礎，主要實現(xiàn)了基于PCA算法的人臉識別。</p><p><b>　　4.1 實驗環(huán)境</b></p><p>　　操作系統(tǒng)：win7，實驗所使用的軟件是：ma

67、tlab。版本為：7.0 。</p><p>　　4.2 PCA人臉識別實驗過程</p><p>　　在matlab當前路徑：‘C:\MATLAB7\work’下準備了訓練圖片集TrainDatabase和測試圖片集TestDatabase，TrainDatabase和TestDatabase作為我們的人臉庫，如圖4-1。</p><p>　　本實驗所采用的人臉圖片

68、來自著名的人臉數(shù)據(jù)庫ORL。其中訓練集TrainDatabase中的人臉原圖像如下圖4-2，實驗主要分為訓練階段和測試階段。</p><p>　　4.2.1 訓練階段</p><p>　?。?）獲得訓練集圖片</p><p>　　設S為存儲訓練集人臉圖片的矩陣，則獲取訓練集圖片信息的源代碼如下：</p><p>　　在matlab中執(zhí)行以上代

69、碼后，得到的結果為：</p><p>　　S是36000*20的矩陣，可以看出S存儲20張人臉圖片。其中T為36000*1的列向量。代碼的執(zhí)行還顯示了我們采集到的圖片如圖4-3，之所以要加顯示功能，是為了能夠很好的跟蹤代碼實現(xiàn)的步驟。當我們采集到了訓練集的圖片數(shù)據(jù)，并已經保存在了變量S中。</p><p>　　（2）對訓練集圖像進行規(guī)格化</p><p>　　對訓練

70、集圖像S進行規(guī)格化，matlab源代碼為：</p><p>　?。?）顯示規(guī)格化的圖像</p><p>　　執(zhí)行這段代碼后，訓練集S的圖片規(guī)格化后顯示如圖4-4：</p><p>　?。?）計算訓練集S的平均臉并顯示</p><p>　　根據(jù)式3.3-2，計算出訓練集圖像的平均值，使用mean函數(shù)計算，代碼如下：</p><

71、;p>　　為平均圖片，稱為平均人臉，如下圖4-5：</p><p>　　（5）計算構造矩陣L</p><p>　　計算構造矩陣L的目的是通過它的特征值和特征向量來求出協(xié)方差矩陣C的特征向量和特征值，根據(jù)式，matlab代碼為：</p><p><b>　　構造矩陣L為：</b></p><p>　　我們發(fā)現(xiàn)L矩陣的

72、維數(shù)比較小，這樣我們就很容易計算L的特征值和特征向量了。</p><p>　?。?）計算出構造矩陣L的特征值和特征向量并對其進行規(guī)格化</p><p>　　求出矩陣L的特征值dd與特征向量vv，代碼為：</p><p>　　為構造矩陣L的特征向量，大少為20*20。</p><p>　　為構造矩陣L的特征值，是對角陣，我們可以看看dd的具體內

73、容，如下圖4-6：</p><p>　　是個對角陣，以上面的理論一致。</p><p>　　消去為零的特征值對應的特征向量并對特征值進行從小到大的排序，代碼為：</p><p>　　執(zhí)行后，消去為零的特征值，vv、dd變量保存在v、d里，如下：</p><p>　　v為構造矩陣L的特征向量。</p><p>　　d為構

74、造矩陣L的特征值。同樣我們也可以看看d到底是什么樣了，如下圖4-7：</p><p>　　把L的特征值和特征向量進行適應處理，如下代碼：</p><p>　　對構造矩陣L的特征向量進行規(guī)格化，代碼如下：</p><p>　　（7）求出協(xié)方差矩陣C的特征向量</p><p>　　完成對構造矩陣的特征值和特征向量的規(guī)格化后，接下來將通過L的特征值

75、和特征向量求出協(xié)方差矩陣C的特征向量，計算式為：</p><p><b>　　代碼為：</b></p><p><b>　　結果為：</b></p><p>　　U是我們要找的協(xié)方差矩陣C的特征向量，是新的一組基，也就是我們所說的主成分臉，也稱特征臉。接下來對U進行規(guī)格化并顯示特征臉，如下代碼：</p>&l

76、t;p><b>　　特征臉如圖4-8：</b></p><p>　?。?）將每個已知人臉，映射到由特征臉組成的子空間U上，得到訓練集的主成分</p><p><b>　　計算式為：</b></p><p>　　Omega變量就是訓練集主成分。</p><p>　　以上部分即完成了圖像的讀入、規(guī)

77、格化、特征空間的訓練、特征臉的形成，并且顯示出訓練圖像、規(guī)格化圖像、均值圖像和特征臉。以下部分為識別的部分。</p><p>　　4.2.2 測試階段</p><p>　　這節(jié)主要的工作是識別輸入的圖片。其主要的步驟如下：</p><p>　?。?）獲得一個新圖片 并對輸入的圖片進行規(guī)格化</p><p><b>　　代碼如下：&l

78、t;/b></p><p>　　在命令行處輸入：1.jpg，回車。這樣就測試集輸入第一張圖片。顯示輸入的圖片4-9：</p><p>　　對輸入的測試集圖片進行規(guī)格化：</p><p>　?。?）把待識別的圖像R投影到特征臉空間，得到輸入圖像的主成分</p><p><b>　　計算式為：</b></p>

79、;<p><b>　　代碼為：</b></p><p>　　P就是輸入圖像的再上的投影，p就是，稱為主成分，是在上的系數(shù)。</p><p>　　4.2.3 采用歐氏最小距離識別</p><p>　　現(xiàn)在我們已經計算出了訓練集的主成分和測試集的主成分，如下：</p><p>　　omega和p，omega是，

80、p是，根據(jù)式：</p><p>　　把p與omega做差，再求最小，得出最小的就是與輸入圖片相近的圖片，代碼實現(xiàn)如下：</p><p>　　但是，如果輸入的圖片不在訓練集里，那么致使最小的那張圖片，也不是和測試的圖片。為此我們把測試圖片重建并顯示，代碼如下：</p><p>　　MaximumValue=max(e)</p><p>　　Ma

81、xnimumValue=max(e)</p><p>　　這兩行代碼顯示圖3.4-2</p><p><b>　　4.3實驗結果</b></p><p>　　除此之外還顯示圖4-11：</p><p>　　如圖4-11，紅圈里的是訓練集的第一張圖片，和輸入的圖片符號。雖然顯示重建效果并不是理想，但還是過得去，重建效果取決

82、于在訓練集里的圖片數(shù)。</p><p><b>　　5 總結</b></p><p>　　5.1.1內容總結：</p><p>　　文章主要的內容是通過結合PCA理論知識實現(xiàn)一個典型的基于PCA計算的人臉識別算法，重點講述了PCA的理論基礎以及如何實現(xiàn)PCA在人臉識別中的應用。在理解他人的研究成果基礎上，按照另一種思路重新編寫并實現(xiàn)了基于PCA

83、算法的人臉識別，文章中提到了，人臉圖像的歸一化，人臉特征的提取，并通過奇異值分解定理間接計算出訓練集圖像的協(xié)方差矩陣的特征向量以特征值，把人臉原始圖像投影到協(xié)方差矩陣的一組特征值上，得到在這組向量上的坐標表示，再通過這組向量對原始圖像就行近似重建。本算法采用的分類識別方法是最小歐氏距離，通過比較找出輸入圖像的與訓練集圖像之間的歐氏距離的最小值，找出了最為相近的圖像。</p><p>　　5.1.2工作總結：<

84、;/p><p>　　學習了matlab基本編程，基本熟悉matlab編程語法。</p><p>　　由于本文作者知識淺薄，所以經過查閱有關線性代數(shù)的教程，理解了本文章所需的相關的線性代數(shù)概念。</p><p>　　閱讀關于PCA的有關資料并理解和實現(xiàn)基于PCA人臉識別算法過程。</p><p>　　（4）通過研究學習、分析前人PCS算法的實現(xiàn)程序

85、，并吸取了養(yǎng)分，以致文章完成。</p><p><b>　　6致謝</b></p><p>　　首先，我要感謝我的導師劉博老師的給予我指引與督促，其次，感謝爸媽的養(yǎng)育之恩，再次，感謝我的宿舍同學給我一個良好的宿舍環(huán)境，最后，感謝所有給過我?guī)椭耐瑢W、朋友、老師、親戚朋友。</p><p><b>　　參考文獻</b><

86、;/p><p>　　[1]張錚、王艷平、薛桂香 編著《數(shù)據(jù)圖像處理與機器視覺》人民郵電出版社　2010年４月</p><p>　　[2] JerryLead《主成分分析（Principal components analysis）-最小平方誤差解釋》2011年4月18日 </p><p>　　[3] 龔勛《PCA 與人臉識別及其理論基礎》2007年4月29日</p

87、><p>　　[4] 鄧楠《基于主成分分析的人臉識別研究》2006年6月15日</p><p>　　[5] 作者：田印中，董志學，黃建偉《基于PCA的人臉識別算法研究及實現(xiàn)》2010年7月1日</p><p>　　[6] Stephen Chapman 著 邢樹軍、鄭碧波譯《matlab編程》第二版　清華大學出版社　2008年01月</p><p&g

88、t;　　[7] 陳維新 編著《線性代數(shù)》第二版　科學出版社　2006年1月</p><p>　　[8] Santiago Serrano Drexel University http://www.pages.drexel.edu/~sis26/Computer%20Vision.htm</p><p>　　[9] 張翠平、蘇光大《人臉識別技術綜述》 來自“中國圖像圖形學報”2000 年