基于主成份分析的人脸识别系统设计

 2022-01-17 11:01

论文总字数:16200字

目 录

1 绪论 1

1.1 人脸识别研究意义与目的 1

1.2 人脸识别研究概况及发展趋势 1

1.2.1 人脸识别研究概况 1

1.2.2 人脸识别发展趋势 2

1.3 人脸识别技术的研究内容 2

1.4 常用的人脸图像库 4

1.5 本文研究的主要内容及结构安排 4

2 人脸图像预处理 5

2.1 常用图像格式 5

2.2 常用图像预处理方法 6

2.2.1 灰度变化 6

2.2.2 二值化 6

2.2.3 直方图均衡 7

2.2.4 图像锐化 7

3 基于PCA的人脸识别 7

3.1 主成份分析基本原理 7

3.2 基于PCA的人脸识别算法 8

3.2.1 K-L变换 8

3.2.2 SVD定理 9

3.2.3 距离函数 9

3.3 主成分分析在人脸识别中的应用 10

3.3.1 读入人脸数据库 11

3.3.2 特征脸空间的构造 12

3.3.3 特征提取 13

3.3.4 人脸图像的识别 14

4 人脸识别系统的实现 16

4.1 人脸识别系统的功能 16

4.2 人脸识别系统的构成 16

4.3 人脸识别的实现 17

4.4 识别结果分析 20

5 总结 22

参考文献 23

致谢 24

基于主成份分析的人脸识别系统设计

刘益翔

,China

Abstract: Face recognition is a very active research topic in the field of computer pattern recognition, and has broad application prospects in the field of security monitoring, authentication, military and so on. We design a face recognition system based on PCA (Principal Component Analysis) algorithm. Face recognition system includes face detection and location system, face image preprocessing system, face feature extraction and face recognition system. The core of PCA is to process the original complex data by reducing dimensions, effectively identifying the most major elements and structures, removing noise and redundancy, revealing the simple structure behind the complex data. In this paper, the principal component analysis algorithm is used to design a face recognition system, which can realize the input of a face image and get its recognition result, through observation and comparison, evaluating the accuracy of the result. By adding a new face image into the image database for face recognition, evaluating the recognition accuracy of this system on the self -built face database.

Key words: Face Recognition;Image Preprocessing;Principal Component Analysis Algorithm;Eigenface;Singular Value Decomposition

绪论

人脸识别研究意义与目的

现代社会,随着计算机的普及和信息技术的快速发展,人们的生活变得更加科技化、自动化,信息安全的维护也因而成为关注焦点。人体的生物识别技术以其高效性、唯一性、稳定性[1]等特点成为最受关注的识别技术。生物识别技术是基于人体独有的某个特征如虹膜、指纹、人脸结构对人的身份进行识别。人脸识别是目前模式识别领域的热门,在身份验证、安全监测、军工等领域有极好的应用前景[2]。本文就是在这样的背景下,研究人脸识别的算法和系统设计。

人脸识别的优点有:图像采集方式灵活方便,数据采集过程简单,用户体验好且识别方式直观。尤其在身份验证方面,相较传统的容易丢失忘记的密码验证方式,人脸识别更加安全方便。凭借以上诸多的优势,人脸识别有着极好的应用与发展前景。

人脸识别研究概况及发展趋势

人脸识别研究概况

人脸识别研究起源很早,在1888与1910年Galton在Nature杂志先后发表了两篇如何通过人脸来对身份进行识别的论文,论文中,他提出用一组数字来表征不相同的侧面特征的方法,并研究了人类自身对于人脸的识别能力。人脸识别的研究时间很短,至今只有50多年。目前,自动人脸识别已经成为模式识别领域的热门,研究的内容更加精细,研究队伍更加庞大,研究成果丰硕。

人脸识别研究的历史,按时间可分为3个阶段[3]

  1. 第一阶段(1964年-1990年)人脸识别研究初期。这个阶段的研究重心在人脸几何结构上,研究成果相对较少。
  2. 第二阶段(1991年-1997年)人脸识别跨越式发展阶段。这个阶段只有7年,不过成果丰硕,出现了几个有着代表意义的算法和投入实际应用的人脸识别系统,如FaceIt系统。其中最具盛名的人脸识别算法是麻省理工学院媒体实验室Turk与Pentland创造的特征脸算法。特征脸算法的提出对于后面人脸识别研究的方法有着极大的启迪作用,目前此算法被视作人脸识别的性能测试基准。
  3. 第三阶段(1998年至今)这一阶段人脸识别研究成为焦点。研究的重点是具有代表性的人脸识别算法在用户不够配合,采集条件(光照、姿态)不太理想的情况下识别效果差的处理方法。

三个研究阶段中的主要成果如下表1.1所示:

表1.1 三个研究阶段中的主要成果

第一阶段(1964年-1990年)

这个阶段研究重心在于面部剪影曲线结构特征的提取。具有影响的研究成果很少,基本没有得到应用。

第二阶段(1991年-1997年)

  1. Brunelli和Poggio对比了基于模板匹配与基于人脸结构特征两种方法的性能,证明了模块匹配方法的优越性。这一结论与特征脸方法的普及,取缔了第一阶段单纯关注人脸结构特征的研究方式,推动了基于线性子空间建模方法与基于统计方法的识别技术的研究,让后一种方法成为了具有代表性的方法;
  2. Belhumeur等人提出Fisherface方法。其先利用PCA算法对人脸图像降维处理,运用线性判别分析法,使经过降维处理的主成分替换原始空间,得到“尽可能大的类间散度与尽可能小的类内散度”。Fisherface方法至今仍然是常用的人脸识别方法;
  3. Atick等人提出局部特征分析(Local Feature Analysis, LFA)方法。局部特征分析方法是基于统计的低维对象表征方法,和PCA不同的是,LFA是在整体成分分析的基础上对局部的特征进行提取。这样不仅分析了整体性特征,也提取出了局部的特征,这样对与原始图像的表征更加具体和细化,识别效果也就更好。著名的FaceIt系统就应用了这一技术。

第三阶段(1998年至今)

  1. Georghiades提出在不同光照条件,多姿态变化下基于光照锤模型的方法;
  2. Blanz和Vetter提出在不同光照条件,多姿态变化下基于3D变形模型的方法;
  3. Shashua提出基于商图像的人脸图像识别和绘制技术

人脸识别发展趋势

现在人脸识别技术的主流发展方向,是将二维人脸识别算法应用于3D人脸图像的识别中,综合多种主流的人脸识别算法的优势,克服在不同光照条件、姿态变化较大的情况下,人脸识别效果差的难题。

人脸识别技术的研究内容

人类具有天生的识别人脸能力,而将这一能力应用与计算机则是模式识别领域的一个新大陆,目前这一技术已经成为现实,具体的应用就是“人脸识别系统”。如果把摄像头、扫描仪等当成计算机的“双眼”,人脸图像当成计算机看到的“图像”的话,这么一来,人脸识别系统则提供了计算机根据其所“看到”的人脸图像进行身份识别验证的功能[4]。人脸识别系统框架如下图:

图1.1 人脸识别系统处理流程

  1. 人脸图像采集

人脸图像的采集可以使用照相机或者扫描仪,将拍到的图像利用存储媒介保存到计算机或者系统的终端上。这是人脸识别的第一步。采集图像的过程中,需要观察测试者的姿势和表情,光照条件满不满足要求。

  1. 图像预处理

  图像预处理是为了去除噪声或者机器操作等问题对图像产生的影响。正常采集得到的人脸图像,或多或少会包含着一些无关实验需要的成份,而我们需要的是图像的特征信息,所以需要应用定位与分割算法实现特征信息的提取。常用的图像处理方法有灰度化、二值化、灰度和几何归一化、直方图修正、图像滤波与锐化。

  1. 特征提取

特征提取即提取图片中明显不同于其它普通信息的本质特征。特征大体分为三类:结构特征、物理特征和数学特征。人类自身便是通过观察事物的结构与物理特征来进行识别判断。想让计算机模拟人类的感官是很困难的,但是计算机对数学特征的处理就很容易,因此可以利用统计平均值、相关系数和协方差矩阵等数学特征来构建人脸识别系统。特征的提取归根结底是将最有代表性的特征从所有的特征中提取出来。当样本数较少时,利用特征设计分类器很方便。但是人脸图像的维数特别高,加大了分类器的设计难度。

  1. 特征匹配

特征匹配,即计算多个图像的特征量之间的相近程度。在人脸识别中即将测试图像与训练库中图像的特征量进行对比,最后从训练库中选择匹配最好的结果。

常用的人脸图像库

人脸数据库对于人脸识别的研究,系统的开发与评测起着基础性[5]的作用。其设计的优劣极大程度上影响着人脸识别的系统识别能力。设计一个适应所有变化情况的人脸识别系统是非常困难的,也没有必要,所以通常会建立满足不同需求的人脸数据库。

常用的外国人脸图像库见下表1.2:

剩余内容已隐藏,请支付后下载全文,论文总字数:16200字

相关图片展示:

您需要先支付 80元 才能查看全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找;