PCA人脸识别.docx

PCA人脸识别.docx

《PCA人脸识别.docx》由会员分享，可在线阅读，更多相关《PCA人脸识别.docx（11页珍藏版）》请在冰豆网上搜索。

PCA人脸识别

PCA人脸识别

数字图像处理

题目基于PCA的人脸识别

基于PCA的人脸识别

摘要

人脸识别技术是基于生物特征的识别方式，与指纹识别等传统的识别方式相比，具有实时、准确和非侵扰等特性，较容易被用户接受，因此人脸识别技术在诸多领域都有广泛的应用。

人脸识别是利用计算机对人脸图像进行处理、分析，并从中提取能表征人脸图像的识别信息，用以进行人脸鉴别的一门技术。

目前人脸识别技术比较多，优缺点各不相同。

本文介绍了人脸识别的背景、研究范围以及方法。

并使用基于主成份分析方法（PCA）提取人脸图像特征（特征脸），结合欧氏距离进行分类识别，实现人脸识别程序。

一、研究的背景与意义

随着经济的发展，安全问题越来越成为人们关注的焦点，社会各个方面对快速有效的自动身份验证需求与日俱增。

当前用于身份识别的方法较多，如密码、磁卡、人体生物多种方式，且各具特点。

其中生物识别技术是近些年来发展最快、应用最多一种识别技术，它提供了一种基于唯一、高可靠性和稳定性的人体生物特征新的身份

定，安全、可靠、准确。

其次，生物识别技术产品均借助于现代计算机以技术来实现，很容易配合电脑和安全、监控、管理系统结合，实现远程的自动化管理。

此外，由于人体特征具有人体所固有的不可复制的唯一性，这一生物密钥无法复制、失窃或被遗忘。

而常见的口令、IC卡、条纹码、磁卡或钥匙则存在着丢失、遗忘、复制及被盗用诸多不利因素。

因此采用生物“钥匙”，您可以不必携带大串的钥匙，也不用费心去记或更换密码。

而系统管理员更不必因忘记密码而束手无策。

正是由于生物特征所具有的这些优势，使得其获得了长足的发展，其在国家安全、军事安全和公安、司法、民政、金融、民航、海关、边境、口岸、保险及民用等领域有了实际应用，具有极广阔的前景。

如：

公安布控监控、监狱监控、司法认证、民航安检、口岸出入控制、海关身份验证、银行密押、智能身份证、智能门禁、智能视频监控、基于PCA的人脸识别研究入控制、司机驾照验证、各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证，社会保险身份验证等多个方面，同时还可以应用到医疗和视频会议等方面，表现出了其强大的生命力。

在各种不同的识别技术中，由于人脸识别对人体的无侵害性、自然直观，以及其良好的交互性，已成为最容易被接受的生物特征识别技术，而受到人们越来越多的重视，人脸自动识别技术是利用计算机分析人脸图像，并从人脸图像中提取有效的识别信息，用来“辨认”身份的一门技术。

人脸自动识别技术涉及模式识别、图像处理、计算机视觉、神经网络、生理学以及心理学等诸多学科，是一个典型多学科交叉的边缘应用。

人脸识别系统可以处理脸部图像的变化，但是人脸图像会受到年龄、心情、拍摄角度、光照条件、发型等诸多因素的影响，因此人脸自动识别也是一项极具挑战性的工作。

二、研究现状

目前，国内外许多科研机构都设立了专门的研究组从事人脸检测和识别的理论研究。

国外著名的人脸检测和识别研究机构包括美国的卡奈基梅隆大学（CMU）机器人研究所、麻省理工学院（MIT）媒体实验室和人工智能实验室、英国的Surrey大学视觉语音和信号处理研究中心、法国的INRIA研究所、瑞士IDIAP研究所、日本ART研究所、芬兰的赫尔辛基大学CIS研究所等。

一些模式识别、计算机视觉领域著名的国际会议（如国际计算机视觉会议ICCV、国际计算机视觉和模式识别会议CVPR、国际模式识别会议ICPR、亚洲计算机视觉会议ACCV等）和知名的国际期刊（如IEEE、PatternRecognition,ImageandVisionComputing等）也纷纷设立了人脸识别专题。

国内关于人脸识别的研究开始于20世纪80年代，目前主要有清华大学、北京大学、中国科技大学、大连理工大学、哈尔滨工程大学、南京理工大学、北方交通大学等高校，中科院计算机研究所、自动化研究所及声学研究所等科研单位也开展了相关的研究。

其中中科院自动化研究所和计算机研究所的研究工作处于国内领先水平。

在2004-年12月和2005年12月举行的第一届、第二届中国生物特征识别竞赛（BV2004、Bv2005）公布的人脸识别评测结果中，大连理工大学分别名列第三位和第一位。

现今常用的人脸识别方法有很多，可以把这些方法分为基于几何特征的方法、基于模型的方法、基于统计的方法、基于神经网络的方法和多分类器集成方法。

1

2

2.1基于几何特征的方法

文献中记载最早的人脸识别方法就是Bledsoe提出的基于几何特征的方法，该方法以面部特征点之间的距离和比率作为特征，通过最近邻方法来识别人脸。

以该方法建立的人脸识别系统是一个半自动系统，面部特征点必须由人手工定位．也正是由于人工的参与，该系统对光照变化和姿态变化不敏感。

2.2基于模型的方法

隐马尔可夫模型（HiddenMarkovModel，HMM）是一种常用的模型，基于HMM的方法首先被用于声音识别等身份识别上，之后被Nefian和Hayes引入到人脸识别领域。

它是用于描述信号统计特性的一组统计模型．HMM用马尔可夫链来模拟信号统计特性的变化，而这种变化又是间接通过观察序列来描述的，因此马尔可夫过程是一个双重的随机过程。

在HMM中结点表示状态，有向边表示状态之间的转移，一个状态可以具有特征空间中的任意特征，对同一特征，不同形态表现出这一特征的概率不同。

在人脸识别过程中，Nefian首先采用两维离散余弦变换（DiscreteCosineTransform，DCT）抽取人脸特征，得到观察向量，构建HMM人脸模型，然后用EM（ExpectationMaximization）算法训练。

利用该模型就可以算出每个待识别人脸观察向量的概率，从而完成识别。

HMM方法的鲁棒性较好，对表情、姿态变化不太敏感，识别率高。

2.3基于统计的方法

基于统计的方法将人脸图像视为随机向量，从而用一些统计方法来分析人脸模式，这类方法有着完备的统计学理论支持，得到了较好地发展，出现了一些较成功的算法。

比如本文使用的PCA算法，就是先由Kirby和Sirovich引入到人脸识别领域，是使原始图像与重构图像之间的均方误差极小化的最佳压缩方式。

本文之后将详细介绍PCA算法。

2.4基于神经网络的方法

神经网络在人脸识别领域有很长的应用历史，1994年就出现了神经网络用于人脸处理的综述性文章。

Kohonen最早将自组织映射（Self-OrganizingMap，SOM）神经网络用于人脸识别。

他利用SOM的联想能力“回忆”人脸。

即使当输入人脸图像具有较大噪音干扰或者有部分图像丢失时，也能恢复出完整的人脸。

动态链接结构（DynamicLinkArchitecture，DLA）是用于人脸识别的最有影响的神经网络方法。

DLA试图解决传统的神经网络中一些概念性问题，其中最突出的是网络中语法关系的表达。

DLA利用突触的可塑性将神经元集合划分成若干图结构，同时保留了神经网络的优点。

DLA使用Gabor小波来表示图像的特征。

神经网络方法较其他人脸识别方法有着特有的优势，通过对神经网络的训练可以获得其他方法难以实现的关于人脸图像的规则和特征的隐性表示，避免了复杂的特征抽取工作，并有利于硬件的实现。

缺点主要在于其方法的可解释性较弱，且要求多张人脸图像作为训练集，只适合于小型人脸库。

2.5多分类器集成方法

将多个学习系统（例如分类器）组合是目前机器学习的热门课题之一，这种技术已经被广泛运用到模式识别之中。

当前人脸识别方法都只能在特定约束条件下取得较好的性能，然而在现实应用中，人脸的表象会因为光照方向、姿态、表情变化而产生较大的变化，每种特定的识别器只对其中一部分变化比较敏感。

因此，将可以整合互补信息的多个分类器集成能够提高整个系统的分类准确率。

Gutta等人提出将集成的RBF与决策树模（DecisionTree）结合起来进行人脸识别。

结合了全局的模板匹配和离散特征的优点，在一个350人的人脸库上测试，取得了较好的实验结果。

Huang等人在多特征脸空间的基础上，采用神经网络集成（NeuralNetworkEnsemble）的方法，实现了对多视角人脸的识别。

首先将人脸深度方向的偏转角度人为的分为几组（多个视角），然后为每个视角训练一个神经网络，最后对所有视角对应的多个神经网络的输出进行集成。

实验表明，该方法不必预先估计偏转角度就可以取得较好的识别性能，而且能实现人脸偏转角度的自动判断。

三、基于PCA的人脸识别

人脸识别的基础是特征提取，如何提取出有效的特征用于后期的识别匹配，对于提高人脸识别的效率和精度至关重要。

而PCA算法是一种降维算法，其实质是过滤图像中的高频干扰信息，留下比较本质的，识别效果较好的低频部分特征信息来提高识别匹配的效率。

但高频部分的一些有效信息也同时被过滤，这样就降低了系统的识别率。

3.1PCA算法

PCA（principalcomponentsanalysis）即主成分分析技术，又称主分量分析。

主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。

在统计学中，主成分分析PCA是一种简化数据集的技术。

它是一个线性变换。

这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标（称为第一主成分）上，第二大方差在第二个坐标（第二主成分）上，依次类推。

主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。

这是通过保留低阶主成分，忽略高阶主成分做到的。

这样低阶成分往往能够保留住数据的最重要方面。

主成分分析（PCA）的原理就是将一个高维向量x,通过一个特殊的特征向量矩阵U，投影到一个低维的向量空间中，表征为一个低维向量y，并且仅仅损失了一些次要信息。

也就是说，通过低维表征的向量和特征向量矩阵，可以基本重构出所对应的原始高维向量。

在人脸识别中，特征向量矩阵U称为特征脸（eigenface）空间，因此其中的特征向量Ui进行量化后可以看出人脸轮廓。

以人脸识别为例，设有N个人脸训练样本，每个样本由其像素灰度值组成一个向量xi，则样本图像的像素点数即为xi的维数，M=width*height，由向量构成的训练样本集为

。

该样本集的平均向量（又叫平均脸）为：

样本集的协方差矩阵为：

 求出协方差矩阵的特征向量Ui和对应的特征值

，这些特征向量组成的矩阵U就是人脸空间的正交基底，用它们的线性组合可以重构出样本中任意的人脸图像，并且图像信息集中在特征值大的特征向量中，即使丢弃特征值小的向量也不会影响图像质量。

将协方差矩阵的特征值按大到小排序：

。

由大于

的

对应的特征向量构成主成分，主成分构成的变换矩阵为：

这样每一幅人脸图像都可以投影到

构成的特征脸子空间中，U的维数为M×d。

有了这样一个降维的子空间，任何一幅人脸图像都可以向其作投影

，即并获得一组坐标系数，即低维向量y，维数d×1,为称为KL分解系数。

这组系数表明了图像在子空间的位置，从而可以作为人脸识别的依据。

3.2训练过程

1）读取训练集图像数据

读取测试集目录下的图像，然后将其保存在一个二维数组中。

如果图像个数为m，图像长宽为i、j，则我们创建一个Mat矩阵A[m][i*j=n]用来保存图像数据。

数组的每一行表示一个图像的所有像素信息，每一列表示一个随机变量，也即不同图像同一位置的像素信息，降维也即用更少的列来代表图像。

2）减去均值后求协方差矩阵

将步骤一的得到的Mat矩阵每列减去该列的均值，这样每列的数据均值为0。

而协方差矩阵表示不同随机变量之间的相互关系，图像中也即求任意两个像素之间的关系。

如果两个随机变量的协方差为正或为负，表明两个变量之间具有相关性，如果为零表示两个变量不相关。

通过计算协方差矩阵，我们就可以获得不同像素之间的关系。

针对人脸识别，计算的协方差矩阵大小为n*n，其中n表示图像的像素点个数。

3）计算协方差矩阵的特征值和特征向量

由于协方差矩阵是实对称阵，所以可以求得其所有的特征值和特征向量，其共有n个特征值和特征向量。

4）选择主成分

所谓主成分即是具有最大特征值的特征向量，所以我们需要将特征向量按照特征值由大到小排序，然后根据精度要求选择不同数量的特征向量，

5）将训练集降维

将原始的训练集进行降维变换，原始的图像数据是m*n的矩阵，只包含主成分的特征向量构成一个n*p的矩阵（每一列都是一个特征向量）。

将两个矩阵相乘，我们即可获得降维之后的图像矩阵m*p，这个矩阵远小于原始的图像数据。

3.3识别过程

将测试集中的每一幅降维图像与降维的训练集进行匹配，然后将其分类到距离最小的训练集头像中，如果两个头像表示一个人，表示识别成功，否则表示识别失败。

四、实验结果

4.1采用数据库

ORL（Olivettiresearchlaboratory）是英国剑桥大学Olivetti研究所制作的人脸数据库。

该数据库包括40个不同人，每人I0幅图像，共400幅。

每幅原始图像为256个灰度级，分辨率为II2X92。

ORL人脸图像是在不同时间、不同视角、各种表情（闭眼/睁眼、微笑/吃惊/生气/愤怒/高兴）和不同脸部细节（戴眼镜/没戴眼镜、有胡子/没胡子、不同发型）的条件下拍摄的。

4.1ORL数据库

测试集，即从400张人脸图片中任意抽出20张进行测试。

4.2运行结果

左边图片为输入测试的图片，右边为得到的结果图，终端输出的是训练构成的脸空间跟测试构成的脸空间的求欧式距离，欧式距离最小，即最符合这一种类型。

经过20次测试，每一次都能够正确找到相应的分类，说明PCA算法的效果还是很不错的。

五、总结

本文基于PCA算法实现了人脸识别程序，使用的数据库是ORL人脸数据库，采用最小欧式距离来分类，实验得到的结果比较好。

但是还是存在很多问题，所使用的数据比较少，而且人脸比较好，没有光照的影响，这些都是需要考虑的。