基于PCA的人脸识别（MATLAB实现）

论文总字数：22120字

目 录

摘要...............................................................................................................................................1

Abstract........................................................................................................................................3

1. 绪论

1.1 人脸识别 6

1.2人脸识别的意义 6

1.3人脸识别发展史 6

1.4发展现状及相关研究成果 8

2.基于PCA的人脸识别技术理论 9

2.1什么是人脸识别 9

2.2人脸识别的主流算法 9

2.2.1 PCA（主成成分分析） 9

2.2.2 Discrete Cosine Transform(离散余弦变换) 10

2.2.3 linear discriminant analysis（高斯判别分析） 11

2.2.4 back propagation（反向传播） 12

2.3 PCA算法的理论基础 12

2.3.1矢量运算 12

2.3.2方差 17

2.3.3协方差 18

2.3.4协方差矩阵对角化 19

3. 基于PCA的人脸识别算法设计 21

3.1特征脸空间 21

3.1.1奇异值定理 21

3.1.2 特征脸空间的构造 21

3.2基于PCA人脸识别训练和识别算法设计 22

3.3识别人脸的仿真流程............................................................................................................23

3.4 小结 23

4. MATLAB的仿真分析 24

4.1基于主成成分分析的人脸识别 24

4.2 MATLAB GUI界面 24

4.2.1 GUI界面的设计 25

4.2.2MATLAB设计的识别人脸GUI界面如下 25

4.2.3 GUI界面的仿真效果 25

4.3 PCA人脸识别效果分析 29

4.4本章小结 30

5.总结 30

参考文献 31

致谢 32

1. 绪论

1.1 人脸识别

在广泛的模式识别领域内，人脸识别时其中一个分支。识别已经渗透到我们生活的方方面面。现如今，人类在人脸识别领域做得很棒，这也为科学技术带去了很多的研究的课题。一般情况下的人脸识别，尤其是在自然环境中移动的人，需要一系列可视化的任务去研究。人脸识别的研究分为三分部份，人脸采集，特征提取，人脸识别。采集就是在动态或者静态场景中捕捉有关人脸的图像补丁。提取就是将采集的图像信息转化成一系列数字信息，用于计算机处理。

1.2人脸识别的意义

给定了鉴定人脸的任务以后，显而易见的是什么技术最适合提供这些信息。人类进行识别的方式有很多，机器也同样。现在有很多不同的识别技术可以获取，其中很多技术以及被应用了很多年。现如今，人们普遍使用的识别还是基于密码。这种或者其它类似的技术所带来的问题是他们时独一无二的，人们可能会忘记或者丢失，甚至是被盗走。为了避免这些情况的发生，已经对生物识别系统产生了很大的兴趣，已经对“生物识别”识别系统产生了相当大的兴趣，该系统使用模式识别技术来识别使用其特征的人。指纹和视网膜现在也逐渐普及。虽然这些技术不容易使用。例如人们进入监控区域时，用户必须相对于传感器固定住自己的身体，然后暂停一秒钟让及其有时间对人体进行识别。当然，这并不意味着脸部识别不需要特定的位置。 虽然暂停和现在的互动在高安全性方面是有用的，但它们恰恰与建立识别其最佳客户的商店或记住您的信息亭或者知道居住在那里的人的房屋相反。来自视频和语音识别的人脸识别在这些下一代智能环境中具有自然的地位，它们是不引人注目的，通常是被动的，不限制用户移动，现在都是低功耗和便宜的。然而，也许最重要的是，人类通过他们的面部和声音识别别人，因此很可能对使用面部和语音识别的系统感到舒适。

表1-1

1.3人脸识别发展史

人脸识别发展先驱者包括Woody Bleddoe,Helen Chan Wolf和Charles Bisson.

在1964和1965这两年间，他们三人使用电脑成功识别出了人脸，这是项让他们感到自豪的成就，遗憾的是，他们的研究自己是一个不愿意透露信息的机构提供，所以他们工作的很多细节没有被公布。随后的数十年，人脸识别的发展也在稳步前进。

所以当从机器开始变得越来越“聪明”的时候，人脸识别就变得越来越多，并且能够提前填补，纠正或帮助人类在能力和感官上的不足。

人脸识别的发展由来已久，都是认知和理论研究的重点和热点。人脸识别不是识别他人的唯一方法。即使是彼此之间的人也会使用感官来识别他人。机器具有更广泛的范围用于识别目标，其使用诸如指纹或虹膜扫描之类的思想。尽管这些识别方法可以更准确，但由于其非侵入性，面部识别一直是研究的主要焦点，因为它是人们识别人的主要方法。

从技术领域开始，有两种主要方法。面对认可的两个主要方法是

• 几何方法
• 绘画方式

几何方法使用面部特征的空间配置。这意味着首先定位了诸如眼睛，鼻子和嘴部的脸部的主要几何特征，然后根据各种几何距离和特征之间的角度对脸部进行分类。另一方面，图形方法使用面部特征的模板。该方法使用主要面部特征和整个脸部的模板来进行面部正面视图的识别。基于这两种方法的许多项目都有一些常见的扩展，可以处理不同的姿势背景。除了这两种技术之外，我们还有其他最近的基于模板的方法，从图像梯度形成模板，以及主成分分析方法，可以将其视为次优模板方法。

图1-1

自从早期开始人脸识别以来，与神经网络的科学有很强的关系和联系。神经网络将在稍后进行更详细的分析。使用神经网络的人脸识别“系统”的最着名的早期例子是Kohonen模型。该系统是一个简单的神经网络，能够对齐和归一化的脸部图像进行人脸识别。他所采用的网络类型通过逼近面部图像的自相关矩阵的特征矢量来计算面部描述; 这些特征矢量叫做特征脸空间。之后，还有更多的其他方法，基于老技术开发。如果我们想总结面部识别的“想法”所基于的方法，我们有一个几何方法或图形方法，之后我们有一些方法，如特征面，主成分分析或其他方法，结合神经网络处理图像或其他专家系统。

在识别阶段，将输入与每个人的所有模型视图进行比较。为了将输入与特定模型视图进行比较，该面首先与模型视图进行几何对齐。对输入应用仿射变换，使由系统自动定位的面部特征与模型上的相同特征对应。使用基于变换输入和模型之间的光流的技术来补偿两者之间的任何剩余小变换。然后将来自模型的模板与使用归一化相关的图像进行比较。模型和输入图像都使用差分算子进行预处理，如上所述。将来，当只有一张面孔可用时，我们打算解决识别面孔的问题。这个工作的关键将是一个以示例为基础的学习系统，利用神经网络的帮助，使用原型面孔的多个图像进行姿势变化来学习。该系统将应用这些知识来合成人脸的新虚拟视图。

1.4发展现状及相关研究成果

随着人脸识别近年来科研成果的不断突破，其在市场的发展也是异常迅猛。但是随着而来的是我们个人身份信息也越来越难得到保障。随之而来的是反面部识别系统的问世。2013年，日本国立信息研究所的日本研究人员创建了‘隐私遮阳帽’眼镜，使用红外光使脸部识别软件无法识别。最新版本使用钛框架，光反射材料和面罩，其使用角度和图案通过吸收和反射光源来破坏面部识别技术。同样，在2016年的12月份，一种形式的反CCTV和面部识别太阳眼镜被称为‘反射镜’，由位于芝加哥的定制眼镜工匠命名，它们反射红外线和可选的可嘉光，使得用户对照相机面临白色模糊。该项目一出，得到了很多的众筹项目，该产品将在经年6月份面世，这种技术未来可能与头戴式显示器显示在一起。

随着技术的飞速发展和技术成果的商业化，人脸识别也越来越受欢迎，不仅用于研究，也用于安全系统的使用。这为许多研究人员以及公司开发了自动识别能够发现许多应用程序（包括安全和人机交互）的面孔的技术的动机。然而，大多数现有的面部识别系统仅用于面部的正面或近似正面图像。通过识别不同姿势下的面部，可以使人脸识别系统运行的条件不那么严格。从表图-2图1-3可以清晰的看到，人脸识别近几年的所产生的经济效益正逐年增加，所产生的市场份额也在稳步增长。我们看到，无论是面部识别系统还是反人脸识别系统，人脸识别的相关研究正在不断发展，而且随着这一两年人工智能的兴起，未来人脸识别将会有一个质的飞跃。

表1-2近几年人脸识别的市场行情

图1-2

表1-3生物识别2012-2016增长速度、

表1-3

2.基于PCA的人脸识别技术理论

2.1什么是人脸识别

人脸识别，是生物识别技术的一种。他通过采集人脸图像，提取人脸的相关信息，进而通过计算机识别数字图像的一种识别技术。

2.2人脸识别的主流算法

2.2.1 PCA（主成成分分析）

PCA（principal component analysis）即主成成分分析，这是模式识别中用的最多且被引用次数最多的数据方法之一。它是使用正交变换将原始数据中具有相关性变量的值转换成线性不相关变量的过程。这种变换提取了原始数据的主要成分，并且第一主成分具有最大的方差，并且后续分量在约束条件下具有尽可能大的方差，而且与前面的向量正交。因此，通过PCA得到的向量都是不相关的正交集。在应用方面，PCA主要作探索性数据分析和预测模型的工具。PCA是基于实特征向量的多变量分析中最简单的方法。它通过解释数据方差的方式来揭示数据的内部结构。如果提供高维空间的一组数据集，则通过PCA可以对该对象进行投影，为用户提供一个较低维度的图像。这通过仅仅使用主要几个分量来完成，使得该数据的维度降低。

2.2.2 Discrete Cosine Transform(离散余弦变换)

剩余内容已隐藏，请支付后下载全文，论文总字数：22120字

相关图片展示：