基于PCA与LDA方法的人脸识别研究Word下载.docx
《基于PCA与LDA方法的人脸识别研究Word下载.docx》由会员分享，可在线阅读，更多相关《基于PCA与LDA方法的人脸识别研究Word下载.docx（21页珍藏版）》请在冰豆网上搜索。
Inthispaper,analysisofthefacerecognitionandrelatedtechnologies（forexampleLDA）areanalyzed,includingalgorithmsbasedonPCA,themodifiedPCAalgorithm,andthetwo-dimensionalPCA-basedalgorithm.Firstl,thepreprocessingforfaceisintroduced,itspurposeistoenhancetheimagecontrastandsmoothness.Preprocessingmainlyincludesthegraychanging,smoothhandlingandgray-scaletransformation;
andthen,usingtheclassicPCAalgorithmtotheimageafterpreprocessing.Bythisway,sub-spacewithfeaturesandprojectioncoefficientsfortrainingimagesinsub-spacewithfeaturesareobtained.Finally,aPCA-basedfacedetectionrecognitionsystemareanalyzedanddesigned.
Keywords：
FaceRecognitionfeatureFacePCAPreprocessing
目录
一引言1
1.1研究背景和意义1
1.2人脸识别技术的发展和现状1
1.3人脸识别研究内容2
1.4论文组织与安排2
二人脸识别算法研究3
2.1算法分类3
2.1.1基于几何特征的人脸识别方法3
2.1.2基于相关匹配的方法3
2.1.3基于子空间方法3
2.1.4基于统计的识别方法4
2.1.5基于神经网络的方法4
三系统的需求分析和方案选择5
3.1可行性分析5
3.2需求分析5
3.2.1开发环境的需求分析5
3.2.2运行环境的需求分析6
四系统的详细设计7
4.1PCA算法7
4.2.1应用程序的总体设计流程图11
4.2.2图像预处理的层次图12
4.3各模块功能简介12
4.4图像处理具体算法14
五实验结果分析18
5.1实验数据库简介18
5.2实验结果18
六结论19
谢辞20
参考文献21
一引言
1.1研究背景和意义
社会在不断的进步，同时社会生产生活等各方面也都有了飞速的发展。
与此同时对人们身份的认证就有了更高的要求，人脸识别技术就应运而生了。
人脸识别技术是一种生物特征识别技术，在近几十年中得到了飞速的发展。
作为人自身的一种内在属性，具有固定不变性和个体差异性，人脸特征成为了身份验证的一个理想的依据。
人脸识别直接、友好、还很方便，易于为用户所接受，从而得到了广泛的研究与应用。
除此之外，我们甚至还能够对人脸识别的结果作更高一层次的分析，得到有关人的性别、年纪等的很多其他信息。
这就扩展了人脸识别的应用前景。
人脸识别系统现在在大多数领域中起到非常重要的作用。
最明显的是用在一些单位的安全和考勤、网络安全、银行、海关边检、物业管理、军队安全、智能身份证、司机驾照验证、计算机登录系统。
我国在这方面也取得了较好的成就。
当前的人脸识别技术主要被应用到了以下几个方面：
公安部门在破获案件时有了人脸识别系统就可以事半而功倍，大大提高了刑侦破案的准确性和效率。
另外证件检查也正是应用到了这个系统。
除此以外闭路电视，录像等等在获得图像之后也可以应用人脸识别系统进行识别。
人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一，同时也具有较为广泛的应用意义。
人脸识别技术是一个非常活跃的研究领域，它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。
它具有十分广泛的应用意义，人脸识别应用于电脑网络安全，司机驾照验证，自动门系统，各类银行卡，智能玩具和虚拟游戏等等。
1.2人脸识别技术的发展和现状
人脸识别的研究已经有了很长的一段历史，它的发展大致可以分为以下四个阶段，第一阶段：
人类对人脸识别最早的研究开始于二十世纪五十年代，首先始于对心理学方面的研究。
第二阶段：
是以Allen和Parke为代表的，这个阶段的主要研究工作就是对面部特征的研究。
他们当时用最原始的计算机实现了质量较高的人脸部灰度图的模型。
这一阶段的工作比较辛苦，完全依赖于研究者的分析，技术相对来说也比较落后。
第三阶段：
人机交互式识别阶段。
Harmon和Lesk用几何特征参数来表示了人脸正面的图像。
他们采用多维特征矢量表示人脸面部特征，并设计了基于这一特征表示法的识别系统。
Kaya和Kobayashi则采用了统计识别方法，用欧氏距离来表征人脸特征。
欧氏距离即各维内积之和的开方，简而言之就是两点之间的直线距离。
但这类方法需要利用操作员的某些先验知识，所以仍然摆脱不了人的干预。
第四阶段：
20世纪90年代以来，计算机技术得到了突飞猛进的发展，计算机的性能也有了很大程度的提高。
人脸识别方法有了重大的突破，目前进入了相对的利用计算机的自动识别阶段。
在用静态图像或视频图像做人脸识别的领域中，国际上形成了基于几何特征的、基于相关匹配的、基于统计的识别的、基于神经网络的人脸识别方法[1]。
1.3人脸识别研究内容
人脸识别，就是指利用分析、比较人脸视觉特征信息进行身份鉴别的计算机技术。
广义的人脸识别实际上包括构建人脸识别系统的一系列相关技术，包括人脸图像采集技术、人脸定位技术、人脸识别预处理技术、身份确认以及身份查找等技术；
而狭义的人脸识别就是指通过人脸进行身份确认或者身份查找的技术或系统。
人脸识别是一个非常热的计算机技术研究领域，它属于生物特征识别技术，人脸识别的研究范围大体上分为：
人脸定位和检测、人脸表征、人脸识别、表情分析、生理分析五个方面的内容。
1.4论文组织与安排
本文分析研究了基于PCA的人脸识别方法，其中主要介绍和比较了基于PCA的各种方法。
第一部分介绍了人脸识别研究的背景和意义，人脸识别技术的发展和现状，及人脸识别研究的内容。
第二部分描述了人脸识别算法及其分类，主要包括基于几何特征的人脸识别方法、基于相关匹配的方法、基于子空间的方法、基于统计的识别方法和基于神经网络的方法。
第三部分介绍了系统的需求分析和方案选择，主要有可行性分析、开发环境和运行环境的分析。
第四部分阐述了系统的详细设计。
具体包括基于PCA的人脸识别、改进的PCA人脸识别、基于二维的PCA人脸识别算法、应用程序的具体流程和图像预处理知识等等。
第五部分对实验结果进行了分析和说明。
第六部分是对本文工作的总结。
二人脸识别算法研究
我们在日常生活中很多都在进行模式识别。
比如说各个国家目前对流动人口的身份安全性的要求已经越来越高，同时身份的验证也具有各种各样的手段：
可以运用指纹识别、可以使用人脸识别、又可以使用语音识别，总之这样的手段是多种多样的。
人脸识别理论在此领域进行研究开发有着广泛的前景，本文就是对人脸识别问题进行了初步的探讨，并给出了实现实例，仅仅当作是在此领域的一次小小的探讨吧。
2.1算法分类
2.1.1基于几何特征的人脸识别方法
最常采用的几何特征是基于人脸的五官的，比如说嘴巴、鼻子、眼睛等的这些局部的形状特征。
最早期的人脸识别方法之一就是基于几何特征的方法。
在对人的脸部提取特征时，往往要对人脸的结构知识有一定的了解。
人脸识别所采用的几何特征是以人脸所包括的器官的形状和几何关系为基础的特征矢量，实质上就是对特征矢量进行匹配，它的分量通常包括在人的面部指定两点间的距离、角度等等。
基于几何特征的识别方法相对而言还是比较简单的，容易理解，但是从人脸图像中抽取稳定的特征还是困难的，特别是当人脸的一些器官受到遮挡时；
对有较大的表情变化或姿态变化时，识别效果还是比较差的。
2.1.2基于相关匹配的方法
基于相关匹配的方法包括等强度线方法和模板匹配法：
对等强度线法的描述是这样的：
等强度线是对于灰度图像而言的。
利用灰度图像的多级灰度值的等强度线作为比较特征，进行两幅人脸图像的匹配识别。
反映人脸的凸凹信息的一种方法就是等强度曲线。
这些等强度线法要求比较严格，必须在背景与头发均为黑色，表面光照均匀的前提下才能求出符合人脸真实形状的等强度线。
专门比较基于几何特征的人脸识别方法和基于模板匹配的人脸识别方法就是模板匹配法。
并且由此得出一个结论：
基于几何特征的人脸识别方法具有识别速度快和内存要求小的优点，但在识别率上模板匹配要优于基于几何特征的识别方法。
2.1.3基于子空间方法
一种方法是采用本征脸方法实现人脸识别。
由于每一个本征矢量的图像形式都类似于人脸，所以称为本征脸。
对原始图像和再一次重构的图像的差分图像再次进行K-L变换，就得到二阶的本征空间，又称二阶本征脸。
对于眼部、鼻子和嘴等特征部位分别建立一个本征子空间，并联合本征脸子空间的方法获得了好的识别结果。
又有人采用特定人的本征空间法获得了好于本征脸方法的识别结果。
TPCA（TopologicalPCA）方法，识别率有所提高。
局部特征分析（LFALocalFeatureAnalysis）法的识别效果好于本征脸方法。
当每个人有多个样本图像时，本征空间法没有考虑样本类别间的信息，因此，基于线性区别分析方法，获得了较好的识别结果[2]。
2.1.4基于统计的识别方法
基于统计的识别方法包括有：
KL算法，隐马尔可夫（HMM）法。
KL变换就是将人脸图像按行展开所形成的一个向量看作是一种随机的向量，再采用K-L变换获得其正交K-L基底，然后相互比较，对应
升级会员 