基于matlab的人脸识别课程设计.docx
《基于matlab的人脸识别课程设计.docx》由会员分享，可在线阅读，更多相关《基于matlab的人脸识别课程设计.docx（23页珍藏版）》请在冰豆网上搜索。
基于matlab的人脸识别课程设计
摘要
人脸识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。
本文介绍了多种人脸识别方法，基于对人脸识别方法优缺点的分析比较,提出了一种基于主元分析（PCA）的人脸识别方法。
通过PCA算法对人脸图像进行特征提取,再利用最邻近距离分类法对特征向量进行分类识别。
利用剑桥ORL的人脸数据库的数据进行实验仿真，仿真结果验证了本算法是有效的。
关键词：
人脸识别，主元分析，最近邻距离分类法，人脸库
第1章绪论
人脸识别是模式识别研究的一个热点,它在身份鉴别、信用卡识别,护照的核对及监控系统等方面有着广泛的应用。
人脸图像由于受光照、表情以及姿态等因素的影响,使得同一个人的脸像矩阵差异也比较大。
因此,进行人脸识别时,所选取的特征必须对上述因素具备一定的稳定性和不变性.主元分析（PCA）方法是一种有效的特征提取方法,将人脸图像表示成一个列向量,经过PCA变换后,不仅可以有效地降低其维数,同时又能保留所需要的识别信息,这些信息对光照、表情以及姿态具有一定的不敏感性.在获得有效的特征向量后,关键问题是设计具有良好分类能力和鲁棒性的分类器.支持向量机（SVM）模式识别方法,兼顾训练误差和泛化能力,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。
1.1人脸识别技术的细节
一般来说，人脸识别系统包括图像提取、人脸定位、图形预处理、以及人脸识别（身份确认或者身份查找）。
系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。
1.2人脸识别技术的广泛应用
一项技术的问世和发展与人类的迫切需求是密切相关的，快速发展的社会经济和科学技术使得人类对安全（包括人身安全、隐私保护等）得认识越来越重视。
人脸识别得一个重要应用就是人类的身份识别。
一般来说，人类得身份识别方式分为三类:
1.特征物品，包括各种证件和凭证，如身份证、驾驶证、房门钥匙、印章等;
2.特殊知识，包括各种密码、口令和暗号等;
3.人类生物特征，包括各种人类得生理和行为特征，如人脸、指纹、手形、掌纹、虹膜、DNA、签名、语音等。
前两类识别方式属于传统的身份识别技术，其特点是方便、快捷，但致命的缺点是安全性差、易伪造、易窃取。
特殊物品可能会丢失、偷盗和复制，特殊知识可以被遗忘、混淆和泄漏。
相比较而言，由于生物特征使人的内在属性，具有很强的自身稳定性和个体差异性，因此生物特征是身份识别的最理想依据。
基于以上相对独特的生物特征，结合计算机技术，发展了众多的基于人类生物特征的身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术和人脸识别技术等。
生物识别技术在上个世纪已经有了一定得发展，其中指纹识别技术已经趋近成熟，但人脸识别技术的研究还处于起步阶段。
指纹、虹膜、掌纹等识别技术都需要被识别者的配合，有的识别技术还需要添置复杂昂贵的设备。
人脸识别可以利用已有的照片或是摄像头远距离捕捉图像，无需特殊的采集设备，系统的成本低。
并且自动人脸识别可以在当事人毫无觉察的情况下完成身份确认识别工作，这对反恐怖活动有非常重要的意义。
基于人脸识别技术具有如此多的优势，因此它的应用前景非常广阔，已成为最具潜力的生物特征识别技术之一。
1.3人脸识别技术的难点
虽然人类可以毫不困难地根据人脸来辨别一个人，但是利用计算机进行完全自动的人脸识别仍然有许多困难。
人脸模式差异性使得人脸识别成为一个非常困难的问题，表现在以下方面:
1.人脸表情复杂，人脸具有多样的变化能力，人的脸上分布着五十多块面部肌肉，这些肌肉的运动导致不同面部表情的出现，会造成人脸特征的显著改变。
2.随着年龄而改变，随着年龄的增长，皱纹的出现和面部肌肉的松弛使得人脸的结构和纹理都将发生改变。
3.人脸有易变化的附加物，例如改变发型，留胡须，戴帽子或眼镜等饰物。
4.人脸特征遮掩，人脸全部、部分遮掩将会造成错误识别。
5.人脸图像的畸变，由于光照、视角、摄取角度不同，可能造成图像的灰度。
1.4国内外研究状况
人脸识别是人类视觉最杰出的能力之一。
它的研究涉及模式识别、图像处理、生物学、心理学、认知科学，与基于其它生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切联系。
人脸识别早在六七十年代就引起了研究者的强烈兴趣。
20世纪60年代，Bledsoe提出了人脸识别的半自动系统模式与特征提取方法。
70年代，美、英等发达国家开始重视人脸识别的研究工作并取得进展。
1972年，Harmon用交互人脸识别方法在理论上与实践上进行了详细的论述。
同年，Sakai设计了人脸图像自动识别系统。
80年代初T.Minami研究出了优于Sakai的人脸图像自动识别系统。
但早期的人脸识别一般都需要人的某些先验知识，无法摆脱人的干预。
进入九十年代，由于各方面对人脸识别系统的迫切需求，人脸识别的研究变的非常热门。
人脸识别的方法有了重大突破，进入了真正的机器自动识别阶段，如Karhunen-Loève变换等或新的神经网络技术。
人脸识别研究得到了前所未有的重视，国际上发表有关人脸识别等方面的论文数量大幅度增加，仅从1990年到2000年之间，SCI及EI可检索到的相关文献多达数千篇，这期间关于人脸识别的综述也屡屡可见。
国外有许多学校在研究人脸识别技术，研究涉及的领域很广。
这些研究受到军方、警方及大公司的高度重视和资助，国内的一些知名院校也开始从事人脸识别的研究。
人脸识别是当前模式识别领域的一个前沿课题，但目前人脸识别尚处于研究课题阶段，尚不是实用化领域的活跃课题。
虽然人类可以毫不困难地由人脸辨别一个人，但利用计算机进行完全自动的人脸识别存在许多困难，其表现在：
人脸是非刚体，存在表情变化；人脸随年龄增长而变化；发型、眼镜等装饰对人脸造成遮挡；人脸所成图像受光照、成像角度、成像距离等影响。
人脸识别的困难还在于图像包括大量的数据，输入的像素可能成百上千，每个像素都含有各自不同的灰度级，由此带来的计算的复杂度将会增加。
现有的识别方法中，通过从人脸图像中提取出特征信息，来对数据库进行检索的方法速度快，而利用拓扑属性图匹配来确定匹配度的方法则相对较快。
1.5人脸识别的研究内容
人脸识别技术（AFR）就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。
人脸识别技术的研究始于六十年代末七十年代初，其研究领域涉及图像处理、计算机视觉、模式识别、计算机智能等领域，是伴随着现代化计算机技术、数据库技术发展起来的综合交叉学科。
1.5.1人脸识别研究内容
人脸识别的研究范围广义上来讲大致包括以下五个方面的内容。
1.人脸定位和检测（FaceDetection）:
即从动态的场景与复杂的背景中检测出人脸的存在并且确定其位置，最后分离出来。
这一任务主要受到光照、噪声、面部倾斜以及各种各样遮挡的影响。
2.人脸表征（FaceRepresentation）（也称人脸特征提取）:
即采用某种表示方法来表示检测出人脸与数据库中的己知人脸。
通常的表示方法包括几何特征（如欧氏距离、曲率、角度）、代数特征（如矩阵特征向量）、固定特征模板等。
3.人脸识别（FaceRecognition）:
即将待识别的人脸与数据库中已知人脸比较，得出
相关信息。
这一过程的核心是选择适当的人脸表征方法与匹配策略。
4.表情姿态分析（Expression/GestureAnalysis）:
即对待识别人脸的表情或姿态信息进行分析，并对其加以归类。
5.生理分类（PhysicalClassification）:
即对待识别人脸的生理特征进行分析，得出其年龄、性别等相关信息，或者从几幅相关的图像推导出希望得到的人脸图像，如从父母图像推导出孩子脸部图像和基于年龄增长的人脸图像估算等。
人脸识别的研究内容，从生物特征技术的应用前景来分类，包括以下两个方面:
人脸验证与人脸识别。
1.人脸验证（（FaceVerification/Authentication）:
即是回答“是不是某人?
”的问题。
它是给定一幅待识别人脸图像，判断它是否是某人的问题，属于一对一的两类模式分类问题，主要用于安全系统的身份验证。
2.人脸识别（FaceRecognition）:
即是回答“是谁”的问题。
它是给定一幅待识别人脸图像，再己有的人脸数据库中，判断它的身份的问题。
它是个“一对多”的多类模式分类问题，通常所说的人脸识别即指此类问题，这也是本文的主要研究内容。
1.5.2人脸识别系统的组成
在人脸识别技术发展的几十年中，研究者们提出了多种多样的人脸识别方法，但大部分的人脸识别系统主要由三部分组成:
图像预处理、特征提取和人脸的分类识别。
一个完整的自动人脸识别系统还包括人脸检测定位和数据库的组织等模块，如图1.1。
其中人脸检测和人脸识别是整个自动人脸识别系统中非常重要的两个环节，并且相对独立。
下面分别介绍这两个环节。
图1.1人脸识别系统框图
人脸检测与定位，检测图像中是否由人脸，若有，将其从背景中分割出来，并确定其在图
像中的位置。
在某些可以控制拍摄条件的场合，如警察拍罪犯照片时将人脸限定在标尺内，此时人脸的定位很简单。
证件照背景简单，定位比较容易。
在另一些情况下，人脸在图像
中的位置预先是未知的，比如在复杂背景下拍摄的照片，这时人脸的检测与定位将受以下因素的影响:
1.人脸在图像中的位置、角度、不固定尺寸以及光照的影响；
2.发型、眼睛、胡须以及人脸的表情变化等；
3.图像中的噪声等。
特征提取与人脸识别，特征提取之前一般都要做几何归一化和灰度归一化的工作。
前者指根据人脸定位结果将图像中的人脸变化到同一位置和大小;后者是指对图像进行光照补偿等处理，以克服光照变化的影响，光照补偿能够一定程度的克服光照变化的影响而提高识别率。
提取出待识别的人脸特征之后，即进行特征匹配。
这个过程是一对多或者一对一的匹配过程，前者是确定输入图像为图像库中的哪一个人（即人脸识别），后者是验证输入图像的人的身份是否属实（人脸验证）。
以上两个环节的独立性很强。
在许多特定场合下人脸的检测与定位相对比较容易，因此“特征提取与人脸识别环节”得到了更广泛和深入的研究。
近几年随着人们越来越关心各种复杂的情形下的人脸自动识别系统以及多功能感知研究的兴起，人脸检测与定位才作为一个独立的模式识别问题得到了较多的重视。
本文主要研究人脸的特征提取与分类识别
的问题。
图1.2人脸识别结构图
第2章人脸识别方法
虽然人脸识别方法的分类标准可能有所不同，但是目前的研究主要有两个方向，一类是从人脸图像整体（HolisticApproaches）出发，基于图像的总体信息进行分类识别，他重点考虑了模式的整体属性，其中较为著名的方法有:
人工神经网络的方法、统计模式的方法等。
另一类是基于提取人脸图像的几何特征参数（Feature-BasedApproaches），例如眼、嘴和鼻子的特征，再按照某种距离准则进行分类识别。
这种方法非常有效，因为人脸不是刚体，有着复杂的表情，对其严格进行特征匹配会出现困难。
而分别介绍一些常用的方法，前两种方法属于从图像的整体方面进行研究，后三种方法主要从提取图像的局部特征讲行研究。
2.1基于特征脸的方法
特征脸方法（eigenface）是从主元分析方法PCACPrincipalComponentAnalysis导出的一种人脸分析识别方法，它根据一组人脸图像构造主元子空间，由于主元具有人脸的形状也称作特征脸。
识别时将测试图像投影到主元子空间上得到了一组投影系数，然后和各个己知人的人脸图像进行比较识别，取得了很好的识别效果。
在此基础上出现了很多特征脸的改进算法。
特征脸方法原理简单、易于实现，它把人脸作为一个整体来处理，大大降低了识别复杂度。
但是特征脸方法忽视了人脸的个性差异，存在着一定的理论缺陷。
研究表明:
特征脸方法随光线角度及人脸尺寸的影响，识别率会有所下降。
2.2基于神经网络的方法
神经网络在人脸识别应用中有很长的历史。
早期用于人脸识别的神经网络主要是Kohonen自联想映射神经网络，用于人脸的“回忆”。
所谓“回忆”是指当输入图像上的人脸受噪声污染严重或部分缺损时，能用Kohonen网络恢复出原来完整的人脸。
Intrator等人
用一个无监督/监督混合神经网络进行人脸识别。
其输入是原始图像的梯度图像，以此可以去除光照的变化。
监督学习目的是寻找类的特征，有监督学习的目的是减少训练样本被错分的比例。
这种网络提取的特征明显，识别率高，如果用几个网络同时运算，求其平均，识别效果还会提高。
与其他类型的方法相比，神经网络方法在人脸识别上有其独到的优势，它避免了复杂的特征提取工作，可以通过学习的过程获得其他方法难以实现的关于人脸识别的规律和规则的隐性表达。
此外，神经网络以时示方式处理信息，如果能用硬件实现，就能显著提高速度。
神经网络方法除了用于人脸识别外，还适用于性别识别、种族识别等。
2.3弹性图匹配法
弹性图匹配方法是一种基于动态链接结构DLACDynamicLinkArchitecture的方法。
它将人脸用格状的稀疏图表示，图中的节点用图像位置的Gabor小波分解得到的特征向量标记，图的边用连接节点的距离向量标记。
匹配时，首先寻找与输入图像最相似的模型图，再对图中的每个节点位置进行最佳匹配，这样产生一个变形图，其节点逼近模型图的对应点的位置。
弹性图匹配方法对光照、位移、旋转及尺度变化都敏感。
此方法的主要缺点是对每个存储的人脸需计算其模型图，计算量大，存储量大。
为此，Wiskott在原有方法的基础上提出聚束图匹配，部分克服了这些缺点。
在聚束图中，所有节点都已经定位在相应目标上。
对于大量数据库，这样可以大大减少识别时间。
另外，利用聚束图还能够匹配小同人的最相似特征，因此可以获得关于未知人的性别、胡须和眼镜等相关信息。
2.4基于模板匹配的方法
模板匹配法是一种经典的模式识别方法，这种方法大多是用归一化和互相关，直接计算两副图像之间的匹配程度。
由于这种方法要求两副图像上的目标要有相同的尺度、取向和光照条件，所以预处理要做尺度归一化和灰度归一化的工作。
最简单的人脸模板是将人脸看成一个椭圆，检测人脸也就是检测图像中的椭圆。
另一种方法是将人脸用一组独立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。
但这些模板的获得必须利用各个特征的轮廓，而传统的基于边缘提取的方法很难获得较高的连续边缘。
即使获得了可靠度高的边缘，也很难从中自动提取所需的特征量。
模板匹配方法在尺度、光照、旋转角度等各种条件稳定的状态下，它的识别的效果优于其它方法，但它对光照、旋转和表情变化比较敏感，影响了它的直接使用。
2.5基于人脸特征的方法
人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以作为人脸识别的重要特征。
几何特征最早是用于人脸检测轮廓的描述与识别，首先根据检测轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。
采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征。
定位眼睛往往是提取人脸几何特征的第一步。
由于眼睛的对称性以及眼珠呈现为低灰度值的圆形，因此在人脸图像清晰端正的时候，眼睛的提取是比较容易的。
但是如果人脸图像模糊，或者噪声很多，则往往需要利用更多的信息（如眼睛和眉毛、鼻子的相对位置等），而且这将使得眼睛的定位变得很复杂。
而且实际图像中，部件未必轮廓分明，有时人用眼看也只是个大概，计算机提取就更成问题，因而导致描述同一个人的不同人脸时，其模型参数可能相差很大，而失去识别意义。
尽管如此，在正确提取部件以及表情变化微小的前提下，该方法依然奏效，因此在许多方而仍可应用，如对标准身份证照片的应用。
第3章PCA人脸识别方法
3.1引言
人脸识别技术是指当输入一张正面人脸图像时，识别该照片属于人脸库的哪一个人。
其可应用于会议入场系统、罪犯识别及其它需要身份鉴别的场合。
由于人脸图像是一个复杂的对象，而且人脸会随着表情、姿态、角度、光照的不同而呈现较大的不同，这些都增加了该问题的难度，使人脸识别成为国际上的难点和热点。
解决人脸识别的方法层出不穷，如基于几何特征的方法、基于代数特征的方法等。
主成分分析法（PCA）是把人脸图像看成高维向量，由于人脸图像的高度相关性，那么可以通过K-L正交变换将其转化为低维空间的向量，后者最大限度地保留了原数据的主要信息，是沿着其方差最大的方向求得的矢量。
这样降维后的向量可以方便地用于模式识别。
识别方法是最邻近距离分类法。
3.2主成分分析
主成分分析法是统计学中用来分析数据的一种方法，它基于KL分解。
最早将其用于人脸识别中的是Pentland，并因为它的有效很快流行起来。
简单地说，它的原理就是将一高维的向量，通过一个特殊的特征向量矩阵，投影到一个低维的向征的向量和这个特征向量矩阵，可以完全重构出所对应的原来的高维向量[11]。
对应到人脸识别中，有如下的阐述:
对于一幅
的图像，将其列排列起来形成一个列向量v。
假设人脸训练集中有p幅图像，则这p个列向量罗列起来形成一个（mxn）xp维的矩阵X。
以x表示一幅图像的列向量。
则训练样本集的总体散布矩阵为：
（3-1）
为对称阵，可进行如下分解：
（3-2）
对每一幅图像xi进行变换（即在特征空间中进行投影）
，则Y的协方差矩阵为：
;故经过PCA变换去除了数据间的相关性，减小了冗余。
达到了降维的目的。
选取大的特征值，使总能量大于90%，即将特征值按从大到小排序，为：
，选取前k个特征值对应的特征向量，这叫做主成分。
记主成分矩阵为
，则样本在该特征空间上的投影为：
（3-3）
由前m个主轴决定的子空间能最大限度表达原始数据的变化，因为它在最小均方误差意义下是数据的最优表达。
这样，对于要测试的人脸，将其在该子空间上投影，得到其坐标，和样本空间上各个人脸的坐标相比较，距离最近的即为该人脸的识别结果。
在对
进行分解时，由于其维数很大，故借助于奇异值分解定理[12]。
定理：
设
是一秩为r的n×r维矩阵，则存在两个正交矩阵：
（3-4）
（3-5）
以及对角阵
（3-6）
且
（3-7）
满足
（3-8）
其中：
为矩阵
和
的非零特征值，
和
分别为
和
对应于
的特征向量。
推论：
（3-9）
可构造矩阵
，容易求出此矩阵的特征值和特征向量，那么应用以上的推论，即可得到所需的特征向量和特征值。
所选取的特征向量构成了特征脸空间，这是一个降维的子空间，所有的人脸图像都可以在此空间上投影从而得到一组坐标系数，这组系数表明了该图像在子空间中的位置，从而可以作为人脸识别的依据。
任何一幅人脸图像都可以表示为这组特征脸的线性组合，其加权系数就是K-L变换的展开系数，也可以称为该图像的代数特征。
3.3特征脸方法
特征脸方法（Eigenface）是从主成分分析导出的一种人脸识别和描述技术。
PCA实质上是K-L展开的网络递推实现。
K-L变换是图像压缩技术中的一种最优正交变换，其生成矩阵一般为训练样本的总体散布矩阵。
特征脸方法就是将包含人脸的图像区域看作是一种随机向量，因此可以采用K-L变换获得其正交K-L基底。
对应其中较大特征值的基底具有与人脸相似的形状，因此又称为特征脸（Eigenface）。
利用这些基底的线形组合可以描述，表达和逼近人脸图像，因此可以进行人脸的识别与合成。
识别过程就是将人脸图像映射到由特征脸张成的子空间上，比较其与己知人脸在特征脸空间中的位置，具体步骤如下：
1.初始化，获得人脸图像的训练集并计算特征脸，定义为人脸空间；
2.输入新的人脸图像，将其映射到特征脸空间，得到一组权值；
3.通过检查图像与人脸空间的距离判断它是否为人脸；
4.若为人脸，根据权值模式判断它是否为数据库中的某个人；
5.若同一幅未知人脸出现数次，则计算其特征权值模式并加入到人脸数据库中。
任何模式识别系统都包括两个过程，一个是训练阶段（（trainingprocess），另一个是测试阶段（testingprocess），应用PCA的人脸识别系统也不例外。
假定在训练阶段，数据库中有K个人，每个人有M幅人脸灰度图像，其中每一幅图像都用NXN的二维数组I（x,y）来表示，数组元素表示象素点的灰度值。
同样，每一幅图像都可以视为N个2x1的向量。
从一个特征集中选择有利于分类的特征子集的过程称为特征选择。
经特征选择后特征空间的维数进一步得到压缩。
特征选择也具有一些约束条件，如最小均方误差、总体熵最小化等。
模式特征可以分为物理的、结构的和数字的三大类。
本文中应用于判别研究的模式特征是数字特征，这是由于计算机抽取数字特征方面的能力远远超过于人，这些数字特征包括统计平均值、方差、协方差矩阵、和特征值、特征向量以及矩等。
特征提取所用的变换T就是基于K-L变换的PCA方法和Fishe：
判别方法，而特征选择的约束条件就是最小均方误差。
特征脸方法是一种简单，快速，实用的基于变换系数特征的算法，它存在如下优点：
（1）图像的原始灰度数据直接用来学习和识别，不需任何低级或中级处理：
（2）不需要人脸的几何和反射知识；
（3）通过低维子空间表示对数据进行压缩；
（4）与其他匹配方法相比，识别简单有效。
但是，由于特征脸方法在本质上依赖于训练集和测试集图像的灰度相关性，而且要求测试图像与训练集比较像，所以它有着很大的局限性，表现在以下方面；
（5）对尺度变化很敏感，因此在识别前必须先进行尺度归一化处理，而且由于PCA在图像空间是线形的，它不能处理几何变化；
（6）只能处理正面人脸图像，在姿态，发型和光照等发生变化时识别率明显下降；
（7）要求背景单一，对于复杂变化背景，需首先进行复杂的图像分割处理；
第4章仿真实验
4.1流程图
图4.1整体流程图
先确定训练样本和测试样本，之后经过PCA变换矩阵达到降维的目的，投影到降维子空间中形成相应的坐标，最后用最邻近距离分类法进行识别。
图4.2训练部分流程图
确定训练样本，之后去均值，计算总体散度矩阵，利用奇异值分解后经过PCA变换矩阵达到降维的目的。
4.2仿真结果
图4.4人脸识别仿真结果
提取面部特征，将人脸图像看成高维向量，将其组成一个向量矩阵，对每一幅图像进行变换（即在特征空间中进行投影）计算其协方差矩阵，故经过PCA变换去除了数据间的相关性，减小了冗余。
达到了降维的目的。
选取大的特征值，即将特征值按从大到小排序，选取前k个特征值对应的特征向量，主成分矩阵为样本在该特征空间上的投影，从而计算出特征向量和特征值，对于要测试的人脸，将其在该子空间上投影，得到其坐标，和样本空间上各个人脸的坐标相比较，距离最近的即为该人脸的识别结果。
有图可知:
上面四幅图为样本在降维子空间上的投影，下面四幅图为要检测的人脸在降维子空间上的投影，用最邻近距离分类法，阴影部分距离最近的即为识别结果。
第5章总结与展望
5.1总结
本文以人脸识别算法中特征提取、分类器设计作了系统的研究，在理论、方法和应用上进行了一系列探索，所取得的主要成果总结如下:
1.概述了人脸识别技术应用的难点，发展与现状，研究内容与主要方法，及常用的人脸识别标准数据库。
升级会员 