发布时间 : 星期四 文章基于PCA算法的人脸识别系统设计毕业设计更新完毕开始阅读6101f707842458fb770bf78a6529647d2628344f
照，对图象进行人脸定位，像素的统一规划。
2、人脸样本库的建立，人脸数据库是基于PCA的人脸识别技术，人脸数据库的完善程度极大的影响着人脸识别的效果。但是对于本设计来说，数据库里的图象像素必须统一，并且过多的增加人脸数据库的数据数量，会增大训练计算过程，可能会导致内存的应用不足。此次设计一共用了7个文件夹，每个文件夹5张训练图象。如图2.2所示。
图2.2人脸样本库的建立
3、样本图象的训练，利用MATLAB对训练程序运行，对人脸样本库的照片数据进行训练并储存。生成的trainresult.mat文件，用于目标的检测。
第三章 基于PCA算法的人脸识别
3.1 PCA的基本思想
PCA：就是我们通常说的主成分分析法，它可以把确定一个事物的特征提取出来，舍去没有特点的特征值，提取事物的本质因素，从而使复杂的问题简化。PCA算法的基本思路就是把一个高维的图象降低成一个低纬图象，多矩阵降为一列的矩阵，从而使运算简单，主要过程就是算出投影矩阵与提取特征值。
3.2 PCA算法基本数学原理
一个矩阵的维数很高，如何选择一个标准正交基，让投影矩阵的正交基上可以代表矩阵的最大程度。这是PAC要解决的问题。
如果A是一个n行k列的矩阵，计算矩阵A的协方差矩阵C，C的表达方式如下：
上式中u=E(x),都是每列向量的期望值，这里指每列向量的平均值。协方差矩阵中的每个元素是表示的随机向量X的不同分量之间的协方差，如元素Cij表示的就是随机变量Xi, Xj的协方差。协方差反映变量间的相关性，如果协方差是小，然后两个变量之间的相关系数很小。
尽管协方差矩阵的计算比较简单，但可以得出一个变换矩阵，完全相关的数据，那就是找到一组数据的最佳紧凑的方式来表达。
接着求出协方差矩阵C的特征值，我们选取前q（q 3.3 人脸识别中PCA算法的具体步骤 1．将m×n的训练图象重新排列为m*n维的列向量，例如像矩阵为，则排 ?1??2????3????4?列后的列向量为?5?。计算均值向量，然后每个图象矩阵都减去均值向量。得到 ???6??7????8??9???一个新矩阵 2．对新矩阵进行协方差运算，得到一个N*N的方阵，然后求出方阵的特征值与特征向量，一般有N个特征值和N个特征向量，对特征值进行从大到小的排练。 3．选取第2步所得的15个最大特征值对应的特征向量组成投影矩阵A，将每张样本库的图象向矩阵A投影，得到15个新的矩阵。 4．选择合适的分类器，对测试图像进行分类。在人脸识别中，将图像重排为列向量，维数较高。例如若处理的图像数据为119×92，变为列向量则为119×92=10304维。 所以我们一般需要先对图像进行处理，处理图像数据为28×23，变为列向量就是28×23=644维，有助于计算。 3.4 PCA算法在人脸识别中的应用 根据PCA的原理，每一张图像被看成是一个高维的向量，所有的图像可以被视为这个高维空间中的一点，PCA要做的就是找出另外一个能尽可能多的反应图像特征的低维空间。 如果样本是n张大小为p*q的人脸图像，每个图像可以保存为一个列向量，向量维数是p*q，样本可以被视为一个行数为n，列数为p*q的矩阵，记为矩阵A。 对A矩阵进行求协方差，得到一个方阵，求出特征值与特征向量组成一个投影矩阵。 对于图像的识别，也被视为一个列向量，投影到子空间中获得一个投影矩阵，然后求出这个投影矩阵与样本图象投影矩阵之间的欧式距离，找出欧式距离最小的那张图象，这张图像就是与待识别图像最相近的。然而，不一定在人脸样本库里面，所以判断是不是相同的人脸，还需要设置阈值来判断人脸识别。 3.4 PCA人脸识别优缺点分析 主成分分析的人脸识别方法是基于提取特征值的方法，操作简单、提取快速、应用性强，它的主要优点有： (1)图象的初始灰度数据直接用来训练和识别。无需做中间的处理； (2)不需要人脸的几何和反射知识； (3)由于对图像数据采用低维子空间来表示，数据可以被压缩，从而精简计算量，提高运转速度； (4)与其它人脸识别的方法相比较，PCA人脸识别法简单且有效。 然而，由于主成分分析法要求待辨认的图像与训练集图像类似，对图象训练集和待辨认图像的灰度相关性非常依。因此该方法具有很大的局限性，主要表现在以下几个方面： (1)对于尺度变化比较敏感，因此需要在辨认前进行归一化处理。 (2)人脸图像处理只能是，侧面人脸的识别率低，另外当人的姿势、发型和环境等发生较大变化时，识别率将明显下降。 (3)在人脸样本图象库比较多的时候，训练过程就要进行很长时间。 因此，为了提高识别率，减少外部环境对辨别结果的影响，该系统的实际应用中，往往需要结合其他方法，如小波变换，Gabor算法，神经网络算法等等，使用PCA方法单独开发的系统很难在实践中应用，但与其它方法结合可以达到很好的效果，现在的人脸识别系统的产品大多数都是采用几种方法相结合的方式。 第四章 人脸识别系统的实现及实验结果分析 4.1人脸识别系统的设计 本次人脸识别的特征值的提取是基于PCA算法，训练样本分类器使用的是临近分类器，样本图象与待识别图象的距离利用的是欧氏距离的计算方法，最终在MALTAB软件中进行仿真。 4.2系统功能介绍 4.2.1主菜单界面 图4.2 人脸识别的主菜单界面