人臉識別技術(shù)的研究與實現(xiàn)【畢業(yè)論文】

1、<p><b>　　本科畢業(yè)設(shè)計</b></p><p><b>　?。?0 屆）</b></p><p>　　人臉識別技術(shù)的研究與實現(xiàn)</p><p>　　所在學院 </p><p>　　專業(yè)班級 通信工程

2、 </p><p>　　學生姓名 學號 </p><p>　　指導教師 職稱 </p><p>　　完成日期 年 月 </p><p><b>　　摘 要</b><

3、/p><p>　　生物特征識別技術(shù)使用了人體本身固有的生物特征，與傳統(tǒng)的身份識別方法不同，具有更高的安全性、可靠性和有效性，越來越受到人們的重視。人臉識別技術(shù)作為生物特征識別技術(shù)的重要組成部分，在近三十年里得到了廣泛的關(guān)注和研究，已經(jīng)成為計算機視覺、模式識別領(lǐng)域的研究熱點。人臉識別在公共安全、證件驗證、門禁系統(tǒng)、視頻監(jiān)視等領(lǐng)域中都有著廣泛的應(yīng)用前景。</p><p>　　本文主要介紹了人臉識別

4、的研究背景、發(fā)展歷程和研究意義，比較分析當前常用的人臉識別技術(shù)，以及存在的主要困難。并實現(xiàn)了人臉識別系統(tǒng)，該系統(tǒng)是在ORL人臉數(shù)據(jù)庫的基礎(chǔ)上首先通過灰度變換、幾何校正、直方圖均衡化、二值化等手段對人臉圖像的預(yù)處理再使用了主成分分析法（PCA）、K-L變換來實現(xiàn)人臉特征提取和識別的。最后給出了基于MATLAB環(huán)境的編程及實驗結(jié)果。</p><p>　　關(guān)鍵詞：人臉識別；主成分分析；K-L變換；特征臉</p&g

5、t;<p><b>　　Abstract</b></p><p>　　Biometric technology uses the human body itself inherent biological characteristics, and traditional identification method is different, has a higher secur

6、ity, reliability and validity, more and more attention by people. Face recognition technology as biometric technology important constituent, in the last three years received extensive attention and research, has become a

7、 computer vision and pattern recognition of the popular research fields. Face recognition in public safety, certificate verif</p><p>　　Face Recognition introduces the research background, development process

8、, meaning, comparative analysis of the current commonly used face recognition technology, and the main difficulties. Realized face recognition system, which is in ORL face database based on the first face image preproces

9、sing through re-use the principal component analysis (PCA), K-L transform to achieve facial feature extraction and recognition. Finally, the programming environment based on MATLAB and experimental results.</p>&l

10、t;p>　　Key words: Face Recognition;Principal component analysis;K-L Transform; Eigenfaces </p><p><b>　　目 錄</b></p><p><b>　　1 引言1</b></p><p>　　1.1 研究的背景和

11、意義1</p><p>　　1.2 人臉識別的發(fā)展及現(xiàn)狀1</p><p>　　1.3 人臉識別的研究范圍及方法2</p><p>　　1.3.1 PCA算法2</p><p>　　1.3.2 Fisher方法2</p><p>　　1.3.3 彈性圖匹配方法3</p><p>　　

12、1.3.4 隱馬爾可夫模型方法3</p><p>　　1.3.5 人工神經(jīng)網(wǎng)絡(luò)方法3</p><p>　　1.3.6 支持向量機方法4</p><p>　　1.4 本文主要研究內(nèi)容4</p><p><b>　　2 總體設(shè)計6</b></p><p>　　3　人臉圖像的預(yù)處理8<

13、/p><p><b>　　3.1 概述8</b></p><p>　　3.2 人臉區(qū)域的檢測與定位8</p><p>　　3.3 人臉圖像的標準化10</p><p>　　3.3.1 灰度變換10</p><p>　　3.3.2 幾何校正10</p><p>　　3.

14、3.3 直方圖均衡化13</p><p>　　3.3.4 二值化15</p><p>　　4　基于PCA的人臉識別17</p><p>　　4.1 K-L變換的原理17</p><p>　　4.2 PCA算法的原理19</p><p>　　4.3 PCA人臉識別方法22</p><p&g

15、t;　　4.4 PCA的優(yōu)缺點分析23</p><p>　　4.5 實驗結(jié)果及討論23</p><p>　　5　結(jié)論與展望25</p><p>　　致 謝錯誤!未定義書簽。</p><p><b>　　參考文獻26</b></p><p>　　附錄1 源代碼28</p>

16、<p><b>　　1 引言</b></p><p>　　1.1 研究的背景和意義</p><p>　　人臉識別因其在公安（罪犯識別等）、安全驗證系統(tǒng)、信用卡驗證、醫(yī)學、檔案管理、視頻會議、人機交互系統(tǒng)等方面的巨大應(yīng)用前景而越來越成為當前模式識別和人工智能領(lǐng)域的一個研究熱點[1]。迄今為止，機器視覺技術(shù)的發(fā)展已經(jīng)歷了一個較為漫長的旅程。它最初只是應(yīng)用于

17、生產(chǎn)流水線，簡單的模擬人的視覺來執(zhí)行一些繁瑣、重復(fù)性的任務(wù)。經(jīng)過研究者們的不懈努力，今天我們已經(jīng)可以利用它實現(xiàn)更有效、友好、自由的人機交互界面，并且隨著人臉研究的進一步發(fā)展，更可以讓計算機實現(xiàn)通過觀察一個人以及這個人的表情變化等做出相應(yīng)的反映。</p><p>　　近幾年電子商務(wù)的蓬勃發(fā)展對安全性提出更高要求，這也推進了人臉研究的發(fā)展和應(yīng)用，最終將促使人類進入了一個全新的人機世界[2]。比如，目前的監(jiān)控正逐步過渡

18、到第三代數(shù)字智能監(jiān)控的過程。新一代的監(jiān)控系統(tǒng)在現(xiàn)場的攝像機可以接入視頻服務(wù)器，運行在視頻服務(wù)器上的人臉識別系統(tǒng)對攝像機傳回的圖像進行分析，自動捕捉監(jiān)控區(qū)域的人臉圖像，并根據(jù)需要與數(shù)據(jù)庫中的照片比對匹配。通過這種方式將人臉識別技術(shù)融合到數(shù)字錄像監(jiān)控系統(tǒng)中，使監(jiān)控系統(tǒng)具備智能化功能，在監(jiān)控錄像過程中，自動地從動態(tài)視頻流中捕捉人的面像，從周圍背景中抽取出來，保存清晰的正面圖像，存檔備查，為監(jiān)控錄像建立起人臉索引等[3]。</p>

19、<p>　　1.2 人臉識別的發(fā)展及現(xiàn)狀</p><p>　　最早的關(guān)于人臉識別的研究可以追溯到19世紀末。1893年，Bertillon采用語句描述方法對人臉分類。而當代學者參與這一課題的研究是從本世紀六十年代開始的。</p><p>　　20世紀50到60年代，主要研究人臉識別所需的面部特征。在Bledsoe系統(tǒng)中，Bledsoe提出了人臉識別的半自動系統(tǒng)模型與特征提取方法

20、。為了提高臉部識別率，Allen為待識別人臉設(shè)計了一種有效逼真的摹寫，Parke則用計算機實現(xiàn)了這一想法[5]，并且產(chǎn)生了較高質(zhì)量的人臉灰度圖模型。這一時期的特點是識別過程要依賴于操作人員，顯然不是一種全自動識別的系統(tǒng)。</p><p>　　70到80年代，美、英等發(fā)達國家開始重視人臉識別的研究工作并取得進展。1972年，Harmon用交互式人臉識別方法在理論上與實踐上進行了詳細的論述。就在這一年，Sakai設(shè)計

21、了人臉圖像自動識別系統(tǒng)。實現(xiàn)人臉識別從半自動化道全自動化的發(fā)展。</p><p>　　90年代，由于計算機技術(shù)、數(shù)字圖象處理、模式識別技術(shù)的發(fā)展，加上人們對人臉圖像自動識別的迫切需求，使人臉識別的研究真正的向?qū)嵱没l(fā)展的機器識別，各國軍、警方及有關(guān)部門高度重視，大公司鼎力相助，對它的研究變得非常熱門。</p><p>　　近年來，人臉識別技術(shù)研究更加活躍，除了基于KL變換的特征臉方法與以奇

22、異值特征為代表的代數(shù)特征方法取得了新進展外，人工神經(jīng)網(wǎng)絡(luò)、小波變換技術(shù)在人臉識別研究中都得到了很廣泛的應(yīng)用，而且出現(xiàn)了不少人臉識別的新方法[6]。</p><p>　　1.3 人臉識別的研究范圍及方法</p><p>　　人臉識別提出迄今為止已形成了幾十種較為成熟的識別方法，如：主成份分析、彈性圖匹配、Fisher、人工神經(jīng)網(wǎng)絡(luò)、支持向量機、隱馬爾可夫模型等，很多學者對這些方法進行了比較和

23、總結(jié)[7]。下面主要介紹幾種常用的識別方法。</p><p>　　1.3.1 PCA算法</p><p>　　PCA是一種經(jīng)典的算法。它利用K-L變換抽取人臉的主要成分，構(gòu)成特征臉空間，識別時將測試圖像投影到此空間，得到一組投影系數(shù)，通過與各個人臉圖像比較進行識別[8]。這種方法使得壓縮前后的均方誤差最小，且變換后的低維空間有很好的分辨能力，但是容易受光照、人臉旋轉(zhuǎn)和小形變，光照改變及位移

24、改變等因素的影響[9]。</p><p>　　1.3.2 Fisher方法</p><p>　　在PCA算法的基礎(chǔ)上提出了線性鑒別分析（LDA）方法，也就是Fisher[10]識別方法。LDA利用了類別信息，它選擇類內(nèi)散布正交的矢量作為特征臉空間，強調(diào)了不同人臉之間的差別，使得類間間距變大；它同時弱化了同一人臉由于外界條件而引起的變化，從而使得類內(nèi)間距變小，獲得了比特征臉更好的識別效果[1

25、1]。Belhumeur等提出的Fisher人臉識別方法是Fisher方法的典型代表，該方法首先采用主成分分析二維方法計算量小，特征提取速度快，但該算法的判別準則沒有充分考慮類別信息[12]。</p><p>　　1.3.3 彈性圖匹配方法</p><p>　　彈性圖匹配法[13]的基本思想是在二維空間中為人臉建立屬性圖來描述人臉，對輸入的人臉圖像或視頻，預(yù)先定義若干關(guān)鍵特征點，通過某種優(yōu)

26、化搜索策略來定位，從而得到輸入圖像的屬性圖。通過應(yīng)用彈性圖匹配技術(shù)將待識別的人臉和庫中人臉的彈性圖進行匹配，也即計算其與已知人臉屬性圖的相似度來找出最相似的人臉圖像。彈性圖匹配方法既保留了面部的全局結(jié)構(gòu)特征，也對人臉的關(guān)鍵局部特征進行了建模，對光照、視角及尺度變化都不敏感，它的識別性能要優(yōu)于特征臉方法，但是由于計算量和存貯量都比較大，識別的速度慢，實際應(yīng)用還有一定的難度。</p><p>　　1.3.4 隱馬爾可

27、夫模型方法</p><p>　　隱馬爾可夫模型用于描述信號統(tǒng)計特性的一組統(tǒng)計模型，它用馬爾可夫鏈來模擬信號統(tǒng)計特性的變化，因此，用隱馬爾可夫模型對人臉進行描述和識別不是孤立地利用各個器官的數(shù)值特征，而是一個雙重的隨機過程[14]。HMM的基本理論是由Baum和Welch等人在20世紀60年代末70年代初建立，在語音識別中應(yīng)用較多。在HMM中，節(jié)點表示狀態(tài)，有向邊表示狀態(tài)之間的轉(zhuǎn)移，一個狀態(tài)可以具有特征空間中的任意

28、特征，對同一特征，不同狀態(tài)表現(xiàn)出這一特征的概率不同。該方法不需要進行復(fù)雜的人臉圖像特征提取，對姿態(tài)和環(huán)境的變化具有較好的魯棒性[15]，識別率高。</p><p>　　1.3.5 人工神經(jīng)網(wǎng)絡(luò)方法</p><p>　　神經(jīng)網(wǎng)絡(luò)方法是一種基于連接機制的識別方法[16]。早期用于人臉識別的神經(jīng)網(wǎng)絡(luò)主要是Kohonen自聯(lián)想映射神經(jīng)網(wǎng)絡(luò)，用于人臉的“回憶”。所謂“回憶”是指當輸入圖像上的人臉受噪

29、聲污染嚴重或部分缺損時，能用Kohonen網(wǎng)絡(luò)恢復(fù)出原來完整的人臉[7]。神經(jīng)網(wǎng)絡(luò)方法在人臉識別上比其它類型的方法有其獨到的優(yōu)勢，即它避免了復(fù)雜的特征提取工作，可以通過學習的過程獲得其它方法難以實現(xiàn)的關(guān)于人臉識別的規(guī)律和規(guī)則的隱性表達，但應(yīng)用該方法神經(jīng)元數(shù)目多，訓練時間長，速度慢。</p><p>　　1.3.6 支持向量機方法</p><p>　　支持向量機方法的基本思想是把一個低維的線

30、性不可分的問題轉(zhuǎn)化為一個高維的線性可分的問題[11]，目標是得到現(xiàn)有信息的最優(yōu)解而不是當樣本數(shù)目趨于無窮時的最優(yōu)解，較好地解決了小樣本情況下的學習問題。該算法最終將轉(zhuǎn)化成為一個二次型尋優(yōu)問題，理論上得到全局最優(yōu)點。該方法計算復(fù)雜度高，當訓練樣本個數(shù)較大時，會得到大量支持向量，使分類器計算量也很大[17]。</p><p><b>　　1.4主要研究內(nèi)容</b></p><

31、p>　　特征臉方法是從主成分分析（PCA）導出的一種人臉識別技術(shù)，雖然PCA方法存在著許多缺陷，比如受光照的影響，以及人臉表情的變化會造成識別率的急劇下降，但由于其具有簡單、快速和易行等特點，并且從整體上反映了人臉圖像的灰度相關(guān)性，因此，關(guān)于PCA方法方面的研究和改進依然層出不窮。</p><p>　　本文由五個章節(jié)組成，第一章為緒論，主要介紹了人臉識別的研究意義，當前國內(nèi)外的研究成果，和現(xiàn)今主要流行的人臉

32、識別方法。</p><p>　　第二章簡單得人臉檢測識別系統(tǒng)進行總體的介紹，其中人臉檢測識別人臉檢測，人臉預(yù)處理，人臉表示和人臉鑒別。</p><p>　　第三章對人臉圖像的預(yù)處理做了一些介紹，包括人臉區(qū)域的檢測與定位，人臉圖像的標準化，在人臉圖像標準化中重點介紹了人臉圖像的幾何校正和方圖修正，但由于人臉圖像的預(yù)處理不是本文內(nèi)容的重點，而關(guān)于這方面的研究近年正成為熱點方向，所以在本文中不作

33、過多介紹。</p><p>　　第四章是本文內(nèi)容的重點。首先對K-L變換的原理和PCA算法的原理進行了分析，并詳細介紹了特征臉空間的構(gòu)建過程及人臉識別過程。分析了論文中提出的改進算法的優(yōu)點，并對該算法的缺點進行了分析。最后用該理論設(shè)計出人臉識別系統(tǒng)程序，并利用MATLAB運行，獲取系統(tǒng)的精確度。</p><p>　　第五章為論文的結(jié)論部分，該部分總結(jié)了本論文所做的主要工作，并對未來人臉識別

34、技術(shù)做了簡單的展望。</p><p><b>　　2 總體設(shè)計</b></p><p>　　一個基本的人臉檢測識別系統(tǒng)應(yīng)該包括以下幾個方面：人臉檢測，人臉預(yù)處理，人臉表示和人臉鑒別，其中后兩步也就是通常所說的人臉識別，本文中我們將沿用這一概念。人臉檢測識別系統(tǒng)的完整框架如圖2-1所示。首先，由傳感器如攝像機捕獲人臉圖像，接著經(jīng)預(yù)處理來提高圖像的品質(zhì)，然后根據(jù)人臉檢測來

35、定位人臉并將人臉圖像設(shè)置成預(yù)先定義的尺寸[18]。特征提取用于抽取有效特征以降低原模式空間的維數(shù)，分類器則根據(jù)特征做出決策分類，最后，利用特征及分類器信息做出鑒別結(jié)果。</p><p>　　圖2-1 人臉檢測識別系統(tǒng)</p><p>　　人臉檢測是人臉識別系統(tǒng)的第一步工作，它是指從不同條件下獲取的圖像中，根據(jù)一定的規(guī)則和先驗知識，利用選擇的特征進行檢測。先確定有無人臉，若檢測到有人臉存在，

36、則對人臉進行定位并獲取其尺度姿態(tài)等信息，將圖像分割成人臉區(qū)域和非人臉區(qū)域，這一步預(yù)處理的工作直接影響著后面的特征提取和識別工作，所以是極其重要的。但是，由于各種因素的影響導致人臉檢測成為一個極困難的問題。因為在許多實際應(yīng)用中，人們對于場景，光照，成像系統(tǒng)，人臉方向等是不作限制的，也沒有有關(guān)人臉的尺度，姿態(tài)，位置的先驗知識，而且在多人存在時還可能出現(xiàn)相互遮擋問題，這些都會給檢測帶來困難，可能造成漏檢或虛檢的情況?？傮w來說，對于人臉檢測，要

37、求簡單，快速，高效，否則可能難以滿足實時性的要求。對于人臉檢測可以針對不同的應(yīng)用場合，選用不同的檢測手段以便盡量減少不可控制的外界因素影響。</p><p>　　人臉圖像預(yù)處理，作為特征提取和識別的前提步驟，是計算機人臉識別系統(tǒng)中的必要環(huán)節(jié)。其目的是在去除噪聲，加強有用信息，對輸入設(shè)備或其他因素造成的退化現(xiàn)象進行復(fù)原，為后續(xù)的特征提取和識別作準備。不同的人臉識別系統(tǒng)根據(jù)其采用的圖像來源和識別算法需要不同，采用的預(yù)

38、處理方法也不同。常用的人臉圖像預(yù)處理方法有：濾波去噪、灰度變換、圖像二值化、邊緣檢測、尺寸歸一化、灰度歸一化等。用在同一系統(tǒng)中的可能只有其中一種或幾種預(yù)處理方法，但一旦庫中采集到的原始圖像質(zhì)量發(fā)生較大變化（如人臉大小、光照強度、拍攝條件、成像系統(tǒng)等方面變化），原有的預(yù)處理模塊便不能滿足特征提取的需要，還要更新，這是極不方便的。</p><p>　　特征提取是指采取某種表示方式表征檢測出的人臉和數(shù)據(jù)庫中的人臉，也可

39、以把它看作一個人臉表示的過程。這些特征可以是較直觀的人臉器官的幾何特征，如眼，耳，口，鼻的位置，形狀，距離等，也可以是比較抽象的代數(shù)特征，如K-L變換所得的主成分特征，奇異值分解得到的奇異值特征等，還可以是模板特征，顏色特征，紋理特征等。</p><p>　　人臉識別這一步的主要工作，是把待識別人臉數(shù)據(jù)和數(shù)據(jù)庫中的已知人臉數(shù)據(jù)進行匹配，以得到相關(guān)信息，實際上可以看作是一個分類過程，關(guān)鍵在于選擇適當?shù)姆诸惼骱头诸惒?/p>

40、略，對表示人臉的特征進行分類。根據(jù)對人臉的不同的特征表示，分類器選擇也不同，可以是傳統(tǒng)的最小距離法，最近鄰法等，也可以是較新的神經(jīng)網(wǎng)絡(luò)，支持向量機等，而且利用多特征和多分類器組合來改善識別效果也是近年來的一個研究方向。</p><p>　　3　人臉圖像的預(yù)處理</p><p><b>　　3.1 概述</b></p><p>　　圖像識別系統(tǒng)的

41、第一階段的工作是最為關(guān)鍵的。在獲得原始圖像后，當把圖像輸入到計算機的時候，由于輸入轉(zhuǎn)換器件及環(huán)境的影響等，使輸入到計算機中的圖像因含有各種各樣的噪聲而失真。為穩(wěn)定地進行特征提取等處理，必須消除噪聲，校正失真，把圖像變換成標準形狀。我們把這一過程叫做圖像的預(yù)處理[19]。需要對圖像進行預(yù)處理，如：去噪、信息加強、補償、復(fù)原等。此階段如果處理的不好，將會影響到后續(xù)的工作，甚至導致整個圖像識別工作的失敗。如果處理得好，則能夠提高圖像識別的成功

42、率和準確率。通常情況下，預(yù)處理包括以下兩個步驟：</p><p>　　1、對人臉區(qū)域進行檢測和定位。</p><p>　　2、通過灰度變換、幾何校正、直方圖均衡化、二值化等手段對人臉圖像進行標準化處理。</p><p>　　預(yù)處理之所以重要，其原因主要有以下兩個。第一，由于各種原因，系統(tǒng)獲得的原始圖像通常都是不完美的。如，光照強度不均會導致圖像的灰度元素分散不均，局

43、部區(qū)域的灰度過于集中。圖像在傳輸?shù)倪^程中會產(chǎn)生噪聲污染。通過數(shù)碼相機或攝像頭等設(shè)備獲得的圖像經(jīng)過模擬/數(shù)字轉(zhuǎn)換后也會被噪聲污染。對圖像進行預(yù)處理操作有利于圖像識別系統(tǒng)提取出有用的信息。第二，系統(tǒng)從原始圖像獲取的信息不一定符合后面兩個步驟的要求，因此，需要按一定的要求對圖像進行嚴格的預(yù)處理[20]。</p><p>　　3.2 人臉區(qū)域的檢測與定位</p><p>　　在以往的人臉識別研究中

44、，人們一般都假定是在標準圖像上進行的，但近幾年來，人們越來越認識到人臉檢測和定位在人臉識別系統(tǒng)中的重要作用，現(xiàn)在關(guān)于這方面研究的人比較多，而且也出了不少成果，但由于本文的側(cè)重點不在這里，所以下面只進行簡單的介紹。人臉檢測（Face Dctection）是指在輸入圖像中確定所有人臉（如果存在）的位置、大小和位姿的過程[21]。從一幅圖像中檢測人臉的方法主要從兩方面來講，一方面是基于特征的方法，另一方面是基于圖像的方法[22]，還可以進一步

45、細分如下：</p><p>　　其中基于特征的人臉檢測方法主要分為基于低層特征的方法和基于模型的方法?；诘蛯犹卣鞯姆椒ǎ幕舅枷胧抢脠D像的像素特征，如灰度特征、膚色特征、紋理特征等，對視覺信息進行分割。由于本身的固有的特點，由底層處理得到的這些基本特征可能比較模糊，不夠明確，而在特征分析中可以利用人臉的幾何分布特征把這些視覺特征組織成人臉和面部特征的更具全局概念的表示。通過特征分析減少特征的模糊性后，關(guān)于

46、人臉面部特征的位置確定溫特可以得到解決?；谀Ｐ偷姆椒?。該方法一般是：首先認為建立一個標準感興趣的目標模型，比較所有可能的待檢測區(qū)域與目標模型的匹配程度，即計算輸入圖像與模板的相似度，然后確定一個相似度閾值，用以判斷該輸入圖像中是否包含所需要的目標，從而檢測出感興趣的目標可能所在的位置區(qū)域，也就是判斷檢測區(qū)域為人臉。</p><p>　　由于人臉圖像的復(fù)雜性，描述人臉特征具有一定的困難，因此另一類方法——基于圖像

47、的方法越來越受到重視。與基于特征的人臉檢測方法不同的是，基于圖像的方法無需檢驗各個面部特征?；趫D像的人臉檢測方法主要分為基于線性子空間方法、基于人工精神網(wǎng)絡(luò)的方法和基于統(tǒng)計的方法?；诰€性子空間方法。他的思想就是根據(jù)一定的性能目標來尋找一個線性或非線性的交換空間，把原始信號數(shù)據(jù)壓縮到一個低維子空間，是數(shù)據(jù)在子空間中的分布更加緊湊，為更好地描述數(shù)據(jù)提供了手段，計算復(fù)雜度大大降低?；谌斯ぞ窬W(wǎng)絡(luò)的方法。它是一種有效的模式識別方法，它利用

48、神經(jīng)網(wǎng)絡(luò)的學習能力和分類能力，對“人臉”樣本集合和“非人臉”樣本集合進行學習，以產(chǎn)生分類器，從而達到人臉檢測的目的。用精神網(wǎng)絡(luò)進行人臉檢測的好處是很容易訓練一個用于檢測人臉模式的系統(tǒng)。基于統(tǒng)計的方法。它的人臉檢測方法不是針對人臉的某一特征，而是從整個人臉的角度出發(fā)，利用統(tǒng)計學原理，將人臉圖像視為一個高維向量，將人臉檢測問題轉(zhuǎn)化為高維空間中分布信號的檢測問題，從成千上萬張人臉圖像中提取出人臉共有的一些規(guī)律，利用這些規(guī)律進行人臉檢測。<

49、;/p><p>　　3.3 人臉圖像的標準化</p><p>　　3.3.1 灰度變換</p><p>　　數(shù)字圖像在計算機上是以位圖的形式存在的。位圖是一個矩形點陣，上面的每一個點稱為象素。一幅大小的圖像，是由個明暗不等的象素組成的。在數(shù)字圖像中各個象素所具有的明暗程度是由一個稱為灰度值的數(shù)字所標識的。所謂“圖像處理”，是對這些象素的灰度值進行或增或減的計算處理。因此

50、，在對圖像進行處理前，對圖像整體或局部的灰度分布情況作一些分析了解，是很有好處的。對圖像的灰度分布進行分析的重要手段就是建立灰度直方圖。</p><p>　　對于一幅特定的圖像，其直方圖是唯一的。對于一幅數(shù)字圖像，如果對應(yīng)于每一個灰度值，統(tǒng)計出具有該灰度值的象素數(shù)，并根據(jù)它們繪制出象素數(shù)——灰度值圖形，則該圖形被稱為該圖像的灰度直方圖，簡稱直方圖。直方圖是對一幅圖像的所有象素灰度，按灰度值的大小顯示出其出現(xiàn)頻度的

51、統(tǒng)計圖。由直方圖可直觀地看出一幅圖像總的亮度和對比度情況，及圖像象素值的動態(tài)范圍等一系列該圖像的特征信息。直方圖一般以灰度值和象素數(shù)作為X和Y兩個坐標，有時也用某一灰度值的象素數(shù)占全圖總象素數(shù)的百分比（即某一灰度值出現(xiàn)的頻數(shù)）作為一個坐標。當一幅圖像被壓縮成直方圖后，所有的空間信息都丟失了。</p><p>　　有些人臉圖像給人一種模糊的感覺，我們可以把它從一個較窄的灰度區(qū)中擴展到整個灰度定義域中，即對圖像進行灰

52、度變換。灰度變換是圖像增強處理的重要方法。從圖像輸入裝置得到的圖像數(shù)據(jù)，當以濃淡圖像表示的時候，各個象素與某一灰度值相對應(yīng)。在原圖像中，象素有r級灰度，經(jīng)過灰度變換后，象素具有級灰度。叫做灰度變換函數(shù)。選擇灰度變換函數(shù)的一個標準就是經(jīng)過灰度變換后，象素的動態(tài)范圍增加，圖像的對比度擴展，使圖像變得清晰、細膩、容易識別。例如，令圖像的灰度范圍為，線性變換后圖像的范圍，與之間的關(guān)系式為。</p><p>　　3.3.2

53、 幾何校正</p><p>　　幾何校正包括圖像的旋轉(zhuǎn)、圖像的裁剪、圖像大小的調(diào)整，對于一幅已標定人臉區(qū)域的圖像，如圖3-1所示[23]。假設(shè)已定出人眼的兩個瞳孔位置，標記為Er、El，并將瞳孔之間的中心位置O和距離ErEl作為圖像旋轉(zhuǎn)和裁剪的標準。</p><p>　　圖3-1 圖像校正</p><p>　　1）首先對圖像進行旋轉(zhuǎn)，使穿過兩瞳孔之間的直線例如Er

54、El保持水平?？梢詫θ我獠蹲降降男D(zhuǎn)圖像進行矯正，從而得到一個豎直的正臉圖像。</p><p>　　2）對圖像進行移動，使ErEl的中心O和圖像邊緣之間的距離為一個固定值，例如（0.5l，d）。</p><p>　　3）最后對圖像進行大小調(diào)整，采用雙線性插值把圖像從縮小到例如，這樣就可以保持兩眼之間的距離ErEl為一個常量。</p><p>　　經(jīng)以上處理后，任何檢

55、測到的人臉圖像都有相同的尺寸和姿勢，換句話說系統(tǒng)對檢測到的人臉圖像中人臉的位置和圖像的大小都是固定的。同時，可在很大程度上消除背景的影響，因為圖像窗口很貼近人。經(jīng)圖像預(yù)處理后的人臉圖像叫做“標準臉”，如圖所示3-2所示。</p><p>　　圖3-2 圖像（左）和幾何校正后的圖像（右）</p><p>　　圖像的幾何校正法分為直接法幾何校正和間接法幾何校正[24]。</p>

56、<p>　?。?）直接法幾何校正。從畸變圖像數(shù)組出發(fā)，按行列的順序依次對每個像素點求其在校正圖像坐標系中的正確位置。</p><p><b>　?。?.3.1）</b></p><p>　　式中，、為直接校正變換函數(shù)。同時把該像素點的灰度值移植到由式（3.3.1）計算得到的校正影像中的相應(yīng)點上去。由于畸變，經(jīng)過校正后各校正像元的位置就不再是安規(guī)則網(wǎng)格排列的，

57、必須經(jīng)過重采樣，將不規(guī)則排列的離散灰度數(shù)組變成規(guī)則的灰度數(shù)組。</p><p>　　（2）間接法幾何校正。是從空白的校正圖像數(shù)組出發(fā)，也是按照行列的順序依次對每個校正像素點反求其在畸變圖像坐標系中的位置。</p><p><b>　?。?.3.2）</b></p><p>　　式中、為間接變換函數(shù)。同時把由式（3.3.2）計算得到的畸變圖像位置

58、上的灰度值去除填回到空白校正圖像點陣中相應(yīng)的位置上去。由于計算得到的位子不一定剛好位于畸變圖像的某個像素點上，所以必須經(jīng)過灰度內(nèi)插確定位置的灰度。</p><p>　　3.3.3 直方圖均衡化</p><p>　　圖像的直方圖是圖像各像素灰度值的一種統(tǒng)計量度。它通過構(gòu)造灰度級變換，改造原圖像的直方圖，使原圖像灰度級集中的區(qū)域拉開或使灰度分布均勻，從而增大反差，使圖像的細節(jié)清晰，達到增強的目

59、的。直方圖均衡能夠降低光照對圖像的影響，提高對比度。直方圖又稱灰度直方圖，它是用來表示圖像各個灰度級的分布。直方圖的橫坐標表示灰度級，縱坐標表示該灰度級出現(xiàn)的頻率[25]。事實證明，修正圖像直方圖是一種有效的圖像增強的方法。</p><p>　　直方圖修正的方法為：把在灰度區(qū)間內(nèi)的像素點映射到區(qū)間，一般情況下，由于曝光不充分，原始圖像灰度區(qū)間常常為區(qū)間的子空間，此時，將原區(qū)間內(nèi)的像素點映射成新區(qū)間內(nèi)像素點的函數(shù)表

60、示為</p><p><b>　?。?.3.3）</b></p><p>　　該函數(shù)的曲線形狀見圖3-3所示，上述映射關(guān)系實際上將區(qū)間擴展到區(qū)間，使曝光不充分的圖像中黑的部分更黑，白的部分更白。</p><p>　　圖 3-3 圖 3-4</p><p>　　如果圖像的

61、大多數(shù)像素灰度值分布在間，則可使用以下映射函數(shù)，他的曲線形狀見圖3-4所示：</p><p><b>　　（3.3.4）</b></p><p>　　若要突出圖像中具有某些灰度值物體的細節(jié)，又不犧牲其他灰度上的細節(jié)，可以采用分段灰度變換，使需要的細節(jié)灰度值區(qū)間得到拉伸，不需要的細節(jié)得到壓縮，以增強對比度，如圖3-5所示。當然也可以采用連續(xù)平滑函數(shù)進行灰度變換，見圖3-

62、6。</p><p>　　圖 3-5 圖 3-6</p><p>　　經(jīng)過直方圖均衡化后的圖像的灰度分布趨于均勻，圖像的整體對比度大大增強，直方圖均衡化后的效果如圖3-7所示。</p><p>　　原圖 原圖直方圖</p><p>　

63、　均衡化后的圖像 均衡化后的直方圖</p><p>　　圖3-7 直方圖均衡化效果</p><p><b>　　3.3.4 二值化</b></p><p>　　圖像二值化是圖像處理中的一項基本技術(shù)，也是很多圖像處理技術(shù)的預(yù)處理技術(shù)。經(jīng)過灰度變換后的圖像仍然是具有多個灰度級的單色圖像（多值圖像），為了突出圖像的

64、特征，便于進行圖像識別，需要這些多值圖像轉(zhuǎn)換成只具有黑白兩個灰度值的二值圖像。這個轉(zhuǎn)換過程被稱為圖像的二值化。圖像的二值化一般按下述公式進行：</p><p><b>　　（3.3.5）</b></p><p>　　是經(jīng)過灰度變換和直方圖修正處理后的圖像中位于點處像素的灰度，是二值化后該處的像素值，它只能取255（白）或0（黑）。二值化后的人臉圖像中，數(shù)值為0的部分為

65、背景，數(shù)值為1的部分表示人臉。T是用于二值化處理的閾值。直方圖閾值處理是二值化的常用方法。其關(guān)鍵是閾值的選擇。選取閾值有人工選取和自適應(yīng)閾值兩種方法。人工選取就是人為的設(shè)定一個數(shù)值作為閾值。自適應(yīng)閾值是在對圖像進行像素統(tǒng)計時，通過程序計算得到一個閾值。對圖3-8（a）所示的原始圖像采用人工閾值得到的二值化圖像如圖3-8（b）所示。</p><p>　?。╝） （b）<

66、/p><p>　　圖3-8 原始圖像與二值化圖像</p><p>　　4　基于PCA的人臉識別</p><p>　　主成分分析（PCA）是一種基于代數(shù)特征的人臉識別方法，是一種基于全局特征的人臉識別方法，它基于K-L分解?；谥鞒煞址治龅娜四樧R別方法首次將人臉看作一個整體，特征提取由手工定義到利用統(tǒng)計學習自動獲取是人臉識別方法的一個重要轉(zhuǎn)變。簡單的說，它的原理就是將一高

67、維的向量，通過一個特殊的特征向量矩陣，投影到一個低維的向量空間中，表示為一個低維向量，并不會損失任何信息。即通過低維向量和特征向量矩陣，可以完全重構(gòu)出所對應(yīng)的原來高維向量。特征臉方法就是將包含人臉的圖像區(qū)域看作是一種隨機向量，因此，可以采用K-L變換獲得其正交K-L基底。對應(yīng)其中較大特征值的基底具有與人臉相似的形狀，因此又稱為特征臉。利用這些基底的線性組合可以描述、表達和逼近人臉圖像，因此可以進行人臉識別與合成。識別過程就是將人臉圖像映

68、射到由特征臉張成的子空間上，比較其與己知人臉在特征空間中的位置，從而進行判別。</p><p>　　4.1 K-L變換的原理</p><p>　　假設(shè)X為n維的隨機變量，X可以用n個基向量的加權(quán)和來表示：</p><p><b>　　（4.1.1）</b></p><p>　　其中，是加權(quán)系數(shù)，是基向量，此式還可以用矩陣

69、的形式表示：</p><p><b>　?。?.1.2）</b></p><p><b>　　其中，</b></p><p><b>　?。?.1.3）</b></p><p>　　我們?nèi)』蛄繛檎幌蛄?，?lt;/p><p><b>　?。?.

70、1.4）</b></p><p>　　由正交向量構(gòu)成，所以是正交矩陣，即</p><p><b>　?。?.1.5）</b></p><p>　　將公式（4.1.2）兩邊左乘，并考慮到為正交矩陣，得</p><p><b>　?。?.1.6）</b></p><p&g

71、t;<b>　　即</b></p><p><b>　　（4.1.7）</b></p><p>　　為了使的各個向量間互不相關(guān)，我們要選取合適的正交向量集。設(shè)隨機向量的總體自相關(guān)矩陣為</p><p><b>　?。?.1.8）</b></p><p>　　將式（4.1.2）代

72、入上式（4.1.8），得</p><p><b>　?。?.1.9）</b></p><p>　　我們要求向量的各個分量間互不相關(guān)，即滿足下列關(guān)系</p><p><b>　?。?.1.10）</b></p><p><b>　　寫成矩陣的形式是：</b></p>

73、<p><b>　　（4.1.11）</b></p><p><b>　　則</b></p><p><b>　?。?.1.12）</b></p><p><b>　　將上式兩邊右乘，得</b></p><p><b>　?。?.1.

74、13）</b></p><p>　　因為是正交矩陣，可以得</p><p><b>　?。?.1.14）</b></p><p><b>　　即</b></p><p><b>　?。?.1.15）</b></p><p>　　可以看出，是X

75、的自相關(guān)矩陣R的特征值，是對應(yīng)特征向量。因為R是實對稱矩陣，其不同特征值對應(yīng)的特征向量應(yīng)正交。</p><p>　　綜上所述，K-L展開式的系數(shù)可用下列步驟求出：</p><p>　　第一步，求隨機向量X的自相關(guān)矩陣，由于沒有類別信息的樣本集的均值向量常常沒有意義，所以也可以把數(shù)據(jù)的協(xié)方差矩陣作為K-L坐標系的產(chǎn)生矩陣，這里是總體均值向量。</p><p>　　第二

76、步，求出自相關(guān)矩陣或協(xié)方差矩陣R的特征值和特征向量，其中，同時本征向量組成的矩陣為。</p><p>　　第三步，展開式系數(shù)即為。</p><p>　　K-L變換的實質(zhì)是建立了一個新的坐標分量，將一個物體主軸沿特征矢量對齊的旋轉(zhuǎn)變換，這個變換解除了原有數(shù)據(jù)向量的各個分量之間相關(guān)性，從而有可能去掉那些帶有較少信息的坐標系以達到降低特征空間維數(shù)的目的。</p><p>

77、　　4.2 PCA算法的原理</p><p>　　主成分分析實質(zhì)上是K-L展開的網(wǎng)絡(luò)遞推實現(xiàn)，K-L變換是圖像壓縮中的一種最優(yōu)正交變換，其生成矩陣一般為訓練樣本的總體散布矩陣。特征臉方法就是將包含人臉的圖像區(qū)域看作是一種隨機向量，因此可以采用K-L變換獲得其正交K-L基。對應(yīng)于較大特征值的基與人臉有相似的形狀，因此又稱為特征臉。利用這些基的線性組合就可以描述、表達和逼近人臉圖像，因此可以進行人臉的識別與合成。識別

78、過程就是將人臉圖像映射到由特征臉張成的子空間上，比較其與已知人臉在特征臉空間中的位置，判斷此人臉圖像是否為人臉或為己知人臉庫中的那一個[21]。</p><p>　　設(shè)人臉圖像為二維灰度圖像，用維向量表示。人臉圖像的訓練集為，其中p為訓練集中圖像總數(shù)。這p幅圖像的平均值向量為：</p><p><b>　?。?.1.15）</b></p><p&g

79、t;　　圖4-2顯示了ROL數(shù)據(jù)庫中一組訓練集的平均圖像，每個人臉F，與平均人臉的差值向量是：</p><p><b>　?。?.1.16）</b></p><p>　　訓練圖像的協(xié)方差矩陣可以表示為：</p><p><b>　?。?.1.17）</b></p><p><b>　　其中

80、 。</b></p><p>　　特征臉由協(xié)方差矩陣C的正交特征向量組成。對于人臉圖像，協(xié)方差矩陣的大小為，由于協(xié)方差矩陣C的秩過大，因此當求它的特征值和特征向量時會非常困難，因此我們可以先求出它的轉(zhuǎn)置矩陣L的特征值和特征向量，再以此來求協(xié)方差矩陣C的特征值和特征向量。易知L的大小為，設(shè)L的特征向量為。</p><p><b>　?。?.1.18）</b>

81、</p><p>　　則矩陣C的特征向量可以由差值圖像。與。線性組合得到：</p><p><b>　　（4.1.19）</b></p><p>　　而實際上，我們可以只用個特征臉就足夠用于人臉的識別，因為在實際應(yīng)用中，特征空間投影的計算速度是直接與創(chuàng)建子空間所用的特征向量的數(shù)目相關(guān)，若考慮到計算時間的因素，可以適當?shù)臏p去一些信息量少的特征向量

82、，而且在去掉這些特征向量之后并不一定會不利用分類結(jié)果，有時候反而能提高識別的性能。因此，我們僅取L的前p個最大特征值的特征向量，由于這些特征向量非常像人臉圖像，所以也就稱它為“特征臉”，圖4-3為以圖4-1為訓練集按照特征值從大到小排列所對應(yīng)的特征向量的特征臉。特征值選取方法可以采用由信息量來確定特征向量的數(shù)量，該方法采用的是剩余的特征向量所包含的信息量與總的信息量相比大于一定的閾值。p可以由閾值確定：</p><p

83、><b>　?。?.1.20）</b></p><p>　　的通常取值為90%-99%。</p><p>　　圖4-1 ORL人臉庫中部分原始圖</p><p>　　圖4-2 上述圖像的平均圖像</p><p>　　圖4-3 圖4-1所對應(yīng)人臉圖像的特征臉</p><p>　　4.3 PC

84、A人臉識別方法</p><p>　　基于特征臉的人臉識別過程由訓練階段和識別階段組成。在訓練階段，每個己知的人臉只映射到由特征臉張成的子空間上，得到p維向量：</p><p><b>　?。?.1.21）</b></p><p><b>　　其中為已知人數(shù)。</b></p><p><b>

85、;　　距離閾值定義如下：</b></p><p><b>　?。?.1.22）</b></p><p>　　在識別階段，首先把待識別的圖像r映射到特征臉空間，得到向量</p><p><b>　?。?.1.23）</b></p><p>　　與每個人臉集的距離定義為：</p>

86、<p><b>　　（4.1.24）</b></p><p>　　為了區(qū)分人臉和非人臉，還需要原始圖像與其由特征臉空間重建的圖像之間的距離為：</p><p><b>　　（4.1.25）</b></p><p><b>　　其中：</b></p><p><

87、;b>　?。?.1.26）</b></p><p>　　采用最小距離法對人臉進行分類，分類規(guī)則如下：</p><p>　　(l)若：，則輸入圖像不是人臉圖像。</p><p>　　(2)若：，則輸入圖像包含未知人臉。</p><p>　　(3)若：，則輸入圖像為人臉庫中第k個人的人臉。</p><p>

88、;　　4.4 PCA的優(yōu)缺點分析</p><p>　　由于主成分分析法是基于象素點信息的特征提取方法，所以對人臉表情變化和光照變化都比較敏感。并且當圖像的維數(shù)很大時，所花費的運算時間也很驚人。雖然存在著以上的缺點，但是PCA作為目前最成功的人臉識別方法之一的特征臉法所采用的表示方法，人們對于它的研究熱情仍然未減。</p><p>　　從數(shù)學角度看，以K-L變換為基礎(chǔ)的PCA人臉識別方法是統(tǒng)

89、計最優(yōu)的，它使得壓縮前后的均方誤差最小，且變換后的低維空間有很好的分辨能力。但是PCA方法也存在著缺陷。首先，它基于圖像的灰度統(tǒng)計值，外在因素帶來的圖像差異和人臉本身帶來的差異是無法區(qū)分的。因此由于光照，角度，尺寸，姿態(tài)，表情等外界因素的變化會降識別率。從這個角度而言，進行合適的圖像預(yù)處理工作是很必要的；其次，將圖像矩陣轉(zhuǎn)化為圖像向量后，造成圖像向量的維數(shù)一般較高，使得整個特征抽取過程所耗費的計算量相當大；最后，主成分分析的訓練是非監(jiān)督

90、的，即PCA無法利用訓練樣本的類別信息。</p><p>　　4.5 實驗結(jié)果及討論</p><p>　　為了驗證前面所提的算法，本文設(shè)計了一個小型的人臉識別系統(tǒng)，本系統(tǒng)是基于MATLAB 7.0.4實現(xiàn)的，在ORL人臉庫上進行。該數(shù)據(jù)庫是劍橋大學貝爾實驗室于1994年制作，用于測試人臉識別算法的人臉圖像數(shù)據(jù)庫。該數(shù)據(jù)庫包括40個人在不同時間拍攝的每人10幅圖像，共400幅256灰度級的圖

91、像，大小為92*112。ORL數(shù)據(jù)庫中的人臉圖像的背景光線有一定變化，人臉的表情也不一樣，有睜眼和閉眼，微笑和不笑等，一些人還有戴眼睛和不戴眼鏡的圖像。并且人臉的姿態(tài)也略有變化，我們隨機選出1幅圖像作為訓練圖像，剩下的399幅圖像構(gòu)成測試集。系統(tǒng)的主界面如圖4-4所示。</p><p>　　圖4-4 系統(tǒng)的主界面</p><p><b>　　5　結(jié)論與展望</b>&

92、lt;/p><p>　　人臉識別是一個前沿性學科研究領(lǐng)域，研究內(nèi)容涉及到模式識別、計算機視覺、圖像處理、生理學等學科的基本理論，并為解決其它類似復(fù)雜模式識別問題的研究提供重要啟示。人臉識別主要有四部分構(gòu)成：人臉檢測，人臉預(yù)處理，人臉表示和人臉鑒別，其中人臉表示和人臉鑒別可以說是人臉識別的關(guān)鍵，也是本文研究重點。</p><p>　　本文回顧了人臉識別發(fā)展歷程及研究現(xiàn)狀，詳細介紹了人臉識別系統(tǒng)的

93、構(gòu)成與工作等問題，對特征臉方法作了詳細介紹，并運用其設(shè)計出人臉識別程序。本文工作總結(jié)如下：</p><p>　?。?）概述了人臉識別技術(shù)的應(yīng)用及其難點，發(fā)展與現(xiàn)狀，研究內(nèi)容與主要方法及常用的人臉識別標準數(shù)據(jù)庫。</p><p>　?。?）詳細介紹了人臉識別的流程，K-L變換并對主成分分析理論基礎(chǔ)做了相關(guān)介紹，并用其求取人臉特征。該方法以樣本點在空間中變化最大方向，即方差最大的方向作為判別矢

94、量，在最大程度保持原始數(shù)據(jù)信息前提下，實現(xiàn)了數(shù)據(jù)的壓縮和特征提取，降低了數(shù)據(jù)的維數(shù)，從而降低了計算的復(fù)雜度，使數(shù)據(jù)分布更為緊湊，有利于分類。</p><p>　?。?）用特征臉理論設(shè)計出人臉識別系統(tǒng)程序，并利用MATLAB運行實現(xiàn)。</p><p>　　人臉識別是模式識別和計算機圖形圖像領(lǐng)域中的一個極富有挑戰(zhàn)性的研究課題，今后的研究工作的重點是根據(jù)各種圖像的特點，開發(fā)一個支持更多格式、具有

95、更高的質(zhì)量、更高的分辨率、更多功能的數(shù)字圖像處理模塊；對基于膚色模型的人臉檢測系統(tǒng)，調(diào)整和改善檢測算法，建立一個適應(yīng)性強的膚色模型；在進行人臉識別的特征提取過程中，現(xiàn)有的一些人臉識別算法，本質(zhì)上都是從二維的人臉灰度圖像中提取對識別有用的特征，但是基于人臉圖像的灰度特征不足以表征人臉的全部信息。真正識別人臉需要利用人的三維信息，所以如何結(jié)合二維和三維信息，用這些信息來提取有用的人臉識別特征，值得研究和探討；每一種人臉識別方法都有其自身的優(yōu)

96、缺點，如何充分利用現(xiàn)有的、各種人臉識別方法，發(fā)揮某一類方法的優(yōu)點，克服另一類方法的缺點，將它們進行有效的融合，是今后的一個探索方向。</p><p><b>　　參考文獻</b></p><p>　　[1] 周激流，張曄等.人臉識別理論研究進展[J].四川：四川聯(lián)合大學，1999.</p><p>　　[2] 李月敏，陳杰等.快速人臉檢測技術(shù)綜

97、述[J].北京：北京工業(yè)大學，2007.</p><p>　　[3] 錢鋒，淺談人臉識別技術(shù)的現(xiàn)狀與應(yīng)用[J].信息與電腦，2009年第11期：26.</p><p>　　[5] Parker F I.Computer Generated Animation of Faces.In Processing ACM ann Conference，1972，1：451-457</p>

98、<p>　　[6] 姚建，人臉識別技術(shù)研究[D].蘇州：蘇州大學，2009.</p><p>　　[7] 周昕，基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別技術(shù)的研究[D].南京：南京理工大學，2007.</p><p>　　[8] 李奇，數(shù)字圖像清晰度評價函數(shù)研究[J].光子學報，2002，31（6）：736-738.</p><p>　　[9] 周桐，基于PCA的人

99、臉識別系統(tǒng)的設(shè)計與實現(xiàn)[D].哈爾濱：哈爾濱工業(yè)大學，2007.</p><p>　　[10] Ming Li，Baozong Yuan.A novel statistical linear discriminant analysis for image matrix：Two-Dimensional Fisherfaces[C].Proc of ICSP’04，Beijing，2004：1419-1422.<

100、;/p><p>　　[11] 劉鷺，董立文等.人臉識別技術(shù)的研究與應(yīng)用[J]. 科技信息，2010，14期 ：492.</p><p>　　[12] 梁淑芬，甘俊英.基于圖像分塊的改進Fisher人臉識別算法[J].計算機工程與應(yīng)用.2009，45（19）：165-167</p><p>　　[13] 孫大瑞，吳樂南.基于特征的彈性圖匹配人臉識別算法[J].應(yīng)用科學學報

101、.2002，12，20（4）：377-381</p><p>　　[14] 齊興敏，基于PCA的人臉識別技術(shù)的研究[D].武漢：武漢理工大學，2007.</p><p>　　[15] Zhuang Zhenquan，Cheng Yimin.ROBUST FACE DETECTION AND ANALYSIS[J].JOURNAL OF ELECTRONICS，2000.</p>

102、<p>　　[16] 陳念，基于Gabor小波的人臉識別技術(shù)研究[D].安徽：安徽大學，2006.</p><p>　　[17] 張彩甜，人臉識別技術(shù)研究[J]. 電腦知識與技術(shù)，Vol.5，No.20，2009.</p><p>　　[18] 付慶，基于支持向量機的人臉識別技術(shù)[D].青島：青島大學，2008.</p><p>　　[19] 黃雪琳.

103、 人臉圖像的預(yù)處理方法及其實現(xiàn)[J].福建電腦，2006，11：43～50.</p><p>　　[20] 林敏，基于小波變換與主成分分析的人臉識別技術(shù)研究[D].湖北：華中師范大學，2009.</p><p>　　[21] 孫順利，基于小波變換的PCA人臉識別方法[D].大連：大連理工大學，2006.</p><p>　　[22] 王映輝。人臉識別——原理、方法與

104、技術(shù)[M].北京：科學出版社，2010：160～173</p><p>　　[23] 周賢君，胡金演，郭鳳?；赑CA 算法的人臉圖像預(yù)處理研究[J].上海:上海大學通信學院 </p><p>　　[24] 李弼程。智能圖像處理技術(shù)[M].北京：電子工業(yè)出版社，2004：115~118</p><p>　　[25] 杜鵬，基于支持向量機的人臉識別技術(shù)[D].青島：青

105、島大學，2008.</p><p><b>　　附錄1 源代碼</b></p><p>　　1、直方圖均衡處理程序</p><p>　　I=imread('1.pgm');</p><p>　　J=histeq(I);</p><p>　　imshow(I);</p>

106、<p><b>　　figure;</b></p><p>　　imshow(J);</p><p><b>　　figure;</b></p><p>　　imhist(I);</p><p><b>　　figure;</b></p><p

107、>　　imhist(J);</p><p>　　2、將ORL數(shù)據(jù)庫調(diào)入（文件名load_database.m）</p><p>　　function out=load_database(); %調(diào)入數(shù)據(jù)庫</p><p>　　persistent loaded;</p><p>　　persistent w;</p

108、><p>　　if(isempty(loaded))</p><p>　　v=zeros(10304,400);</p><p>　　for i=1:40</p><p>　　cd(strcat('s',num2str(i)));</p><p>　　for j=1:10</p><p&

109、gt;　　a=imread(strcat(num2str(j),'.pgm'));</p><p>　　v(:,(i-1)*10+j)=reshape(a,size(a,1)*size(a,2),1);</p><p><b>　　end</b></p><p><b>　　cd ..</b></p&

110、gt;<p><b>　　end</b></p><p>　　w=uint8(v); %8位無符號轉(zhuǎn)換到數(shù)字來節(jié)省存儲空間。</p><p><b>　　end</b></p><p>　　loaded=1; %避免載荷加載數(shù)據(jù)庫了</p><

111、p><b>　　out=w;</b></p><p>　　3、基于主成分分析法的人臉識別 </p><p>　　w=load_database();</p><p>　　ri=round(400*rand(1,1)); %隨機選擇一張圖片作為測試圖像</p><p>　　r=w(:,ri);

112、 %測試對象</p><p>　　v=w(:,[1:ri-1 ri+1:end]); % 樣本集</p><p><b>　　N=20;</b></p><p>　　O=uint8(ones(1,size(v,2))); </p><p>　　m=uint8(