发布时间 : 星期五 文章SVD与KFDA相结合人脸识别-matlab-毕业论文更新完毕开始阅读9730b90d79563c1ec5da7197
XXXXxx毕业设计（论文）
确定一个变化闭值，根据图像特征向量之间的绝对范行分类。Buhr采用32个原始特征和12个辅助特征进行识别，其中原始特个距离特征4个坐标差分特征，4个三角形面积特征，2个距离比例特征以个特殊特征(两眼的面积)，然后利用线性判决树决定最佳匹配。其他采用非欧离表征人脸特征的还有:Campbell用最小二乘法实现最佳匹配，Ricca用聚术进行最佳匹配等。
Kanade设计了一个高速的且有一定知识引导的识别系统，他创造性地积分投影法从单幅图像上计算出一组人脸几何特征参数，再利用模式匹配与标准人脸相比较。Kanade的特征点定位工作有两个阶段，首先利用粗分差分图像的积分投影确定眼睛鼻子和嘴的大致位置，然后再高分辨率图像人脸分为左眼，右眼，鼻子和嘴四个区域，从中抽取16个脸部特征组成特量。为消除尺度变化的影响，在识别前还对得到的特征向量进行了归一化处相比之下，Baron所做的工作较少为人知道，他先将图像灰度归一化，再四个掩模(眼，鼻子，嘴以及眉毛以下的整个脸部)表示人脸，然后分别计算出这掩模与数据库中的每幅标准图像的相应掩模之间的互相关系函数，以此作为
总的来说，早期的人脸识别方法都需要某些先验知识，仍然摆脱不了干预。20世纪70年代中期，经典的模式分类方法都是采用正面图像或者侧脸图像中那些可计算的，比较精确的属性来识别人脸。80年代，人脸识别的研究基本上处于休眠状态。20世纪90年代以来随着高速度高性能的计算机的出现，人脸识别方法有了重大突破，进入了真正的计算机自动识别阶段，人脸识别的研究也得到了前所未有的重视。国外有很多大学在此方面取得了很大进展，研究设计的领域很广，其中有从感知和心里学角度探索人类识别人脸机理的，如美国Texas at Dallas大学的Abdi和Toole小组，主要研究人类感知人脸的规律，如漫画效应，性别识别和人脸识别的关系，种族效应等。由Stirling大学的Bruce教授和Glasgow大学的Burton教授合作领导的小组，主要研究人类大脑在人脸认识中的作用，并在此基础上建立了人脸认识的两个功能模型，他们对熟悉和陌生的人脸的识别规律以及图像序列的人脸识别规律也进行了研究。也有从视觉机理的角度进行研究的，如英国Aberdeen大学的Craw小组，主要研究人脸视觉表征方法，他们对空间频率在人脸识别中的作用也进行了分析，荷兰Groningen大学的Petkov小组，主要研究人类视觉系统的神经生理学机理并在此基础上发展了并行模式识别方法。更多的学者则从事利用输入图像进行计算机人脸识别的研究工作。
1.2人脸识别的研究内容
简单地说，人脸识别就是给定一个静止的或者动态图像，利用己有的人脸数据库来确认图像中的一个或者多个人。它主要的研究内容包括一下5个方面［6］:
(1)人脸检测 (Face Deteetion)
如何从各种不同的背景中检测出人脸的存在并确定其位置。这一部分主要受到光照、噪声、头部倾斜度以及各种遮挡的影响。
2
XXXXxx毕业设计（论文）
(2) 人脸表征 (Faee Representation)
确定表示检测出的人脸和数据库中的已知人脸的描述方式。通常的表示方法包括几何特征(如:欧式距离，曲率，角度等)，代数特征(如矩阵特征矢量)固定特征模板，特征脸等。
(3) 人脸鉴别 (Faee Identifieation)
这一部分也就是通常所说的人脸识别，将待识别的人脸和数据库中的已知人脸相比较，得出相关信息，最终确定待识别的人脸是数据库中的哪个人。这里最主要的是选择合适的人脸表示方式和匹配策略。
(4) 表情分析 (Facial ExPression Analysis) 对待识别的人脸的表情进行分析，并对其加以分类。
(5) 物理分类 (physical Classification)
对待识别人脸的物理特征进行分类，得出其年龄、性别、种族等相关信息。到目前为止，大部分的研究工作主要集中在人脸检测与定位、特征提取以及分类识别这几部分，而且很多问题尚待解决，表情分析和物理分类的研究现在还处在初步阶段，相对比较少。因此，通常所说的人脸识别系统，包括人脸检测与定位、特征提取、分类识别这几个部分，不包括表情分析和物理分类这两部分值得一提的是近年来表情分析和物理分类越来越受到研究人员的重视。
1.3人脸识别研究的意义
人脸识别技术具有广泛的应用前景，在国家安全、军事安全和公共安全领域，智能门禁、智能视频监控、公安布控、海关身份验证、司机驾驶执照验证等有典型的应用;在民事和经济领域，各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证，社会保险人的身份验证等具有重要的应用价值;在家庭娱乐领域，人脸识别也具有一些有趣的应用，比如能够识别主人身份的智能玩具家政机器人具有真实面像的虚拟游戏玩家等等主要有一下几类应用［8］:
（1） 刑侦破案。当公安部门获得案犯的照片之后可以利用人脸识别技术在罪犯照片的数据库里找出最相象的人为嫌疑犯还有一种应用就是根据目击证的描述画出草图然后用这种图到库里去找嫌疑犯罪犯数据库往往很大由几千图像组成如果这项搜索工作由人工完成不仅效率低而且容易出错因为人在看上百幅人脸图像后记忆力会下降而由计算机来完成则不会出现此问题。
（2） 证件验证。身份证驾驶执照以及其他很多证件上都有照片现在这些证是人工验证的如果用人脸识别技术这项任务就可以交给机器完成从而实现自化智能管理当前普遍使用的另一项证件是用符号或者条形码标记的比如信用自动提款机等这类卡的安全系数比较低因为卡可能丢失密码也可能被遗忘或窃取如果在这类卡上加上人脸的特征信息则可大大改善其安全性能。
3
XXXXxx毕业设计（论文）
（3） 入口控制。入口控制的范围很广它可以是设在楼宇单位或私人住宅入安全检查也可以是计算机系统或者情报系统等的入口检查在楼宇或某些安全的入口处比较常用的检查手段是核查证件当人员出入频繁时要求保安人员再三检查证件是很麻烦的而且安全系数也不高在一些保密要求非常严格的部门了用证件还要用一些另外的识别手段如指纹识别手掌识别视网膜识别和语音别等人脸识别与之相比具有直接方便和友好的特点当前计算机系统的安全管也倍受重视通常使用由字符和数字组成的口令可能会被遗忘或者破解但是如把人脸当作口令则又方便又安全。
（4） 视频监视在许多银行公司公共场合等处都设有24小时的视频监控另外察员在破案时也要用摄像机对人进行跟踪在对图像进行集体分析时也要用到脸的检测跟踪和识别技术。除了这几部分的应用外人脸识别技术还可用于视频会议机器人的智能化究以及医学等方面。
1.4本文的主要研究内容和安排
特征提取是人脸识别中一个至关重要的环节，一个人脸识别系统的识别准确率在很大程度上取决于特征提取部分，本文对人脸识别中的特征提取进行研究，内容主要包括如下几个方面:
(l)综述人脸识别技术，指出人脸识别技术的应用前景。
(2)对当前人脸识别中存在的各种主要子空间特征提取算法进行了较为系统的介绍，并对各种算法的变种和发展做了总结。
(3)Fisher准则是线性判别分析中常用的准则函数，此准则函数己被证明在低维模式识别中非常有效。但是，这种方法存在自身的局限性:基于线性提取特征。而人脸本身具有复杂的非线性特征。对此，我们介绍了核函数的基本理论，引入核Fisher判别分析方法。
（4）理论上，当两种数据或分类器具有一定的独立性或互补性时，数据融合或分类器融合能改善识别率。SVD 和KFDA 之间有着明显的互补之处,本文提出SVD与KFDA相结合的识别方法，在ORL、cas-peal人脸库上进行实验 ，与子空间特征提取算法如SVD、LDA、PCA还与SVD与LDA相结合的方法及核线性鉴别方法（KFDA）相比表明，此方法有一定的合理性和优越性。 论文组织如下:
第一章 主要介绍了人脸识别的发展概况，研究内容和实际应用。
第二章 介绍了几种线性子空间人脸识别方法，指出了各种方法的优缺点。介绍了核Fisher判别分析和核函数的基本理论，提出奇异值分解（SVD）与核Fisher判别分析（KFDA）相结合的方法。
第三章 通过在不同标准人脸库的实验，分析实验结果 ，对各种识别方法的性能进行比较。
第四章 对本文提出的方法作了总结，并提出了下一步的研究方向。
4
XXXXxx毕业设计（论文）
2. 人脸识别算法原理
2.1奇异值方法（SVD）
奇异值分解（SVD）是一种有效的代数特征提取方法[12]。基于SVD 的人脸识别方法把图像看成一个矩阵。对任何一个矩阵A?RM?N都可以利用奇异值分解为对角阵。
定理1[13 ] SVD 对于任一个秩为r的矩阵A?RM?N,必有两个正交矩阵U、V 使得
rA?U?VT???i?1iuivTi （1）
其中符号“T”表示矩阵转置; ??diag(?1,?2,...,?r.0,...,0)U?(u1,u2,...,uN)?RM?M,
V??v1,v2,...,vM??RN?N。?i(i?1,...,r)均为实数,即为A的奇异值; ui、vi (i?1,...,r)分别
称为矩阵A 的属于?i 的左、右奇异向量。将奇异值?i(i?1,...,r)按从大到小的顺序排列,不妨设?1??2?...??r。由奇异值分解的性质可知,后面的大部分奇异值几乎为零。 式（1）可以写为以下投影形式
??UAV （2）
T 定理2[5] 设矩阵A?RM?N ,且A 的秩为r。由定理1知, A 有奇异值分解
rA?U?VT???i?1iuivTi, 其中??diag(?1,?2,...,?r.0,...,0)。设k 为一整数, k?r。令
k?diag(?1,?2,...,?k.0,...,0) , 并设Ak?Uk?VT???i?1iuivTi其中‖·‖为Frobenius范数。
定理2表明, 对于Frobenius范数, 在线性空间RM?N 中,矩阵Ak是A 的最优逼近。于是式( 1)可近似表示为
kA???i?1uv(k?r) （3） iiiT该表示所产生的误差为
rkirTD???i?1uivi???iuivi?i?1T?i?k?1?iuiviTi 文献[7]给出了用式(3)近似表示图像A 所损失的能量为
5