完整版基于PCA算法的人脸识别系统设计毕业设计.docx

完整版基于PCA算法的人脸识别系统设计毕业设计.docx

《完整版基于PCA算法的人脸识别系统设计毕业设计.docx》由会员分享，可在线阅读，更多相关《完整版基于PCA算法的人脸识别系统设计毕业设计.docx（19页珍藏版）》请在冰豆网上搜索。

完整版基于PCA算法的人脸识别系统设计毕业设计

本科毕业论文

基于PCA算法的人脸识别系统设计

FacerecognitionbasedonPCAalgorithmsystem

design

毕业设计（论文）原创性声明和使用授权说明

原创性声明

本人郑重承诺：

所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。

尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得安阳工学院及其它教育机构的学位或学历而使用过的材料。

对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。

作者签名：

　　　　　日　期：

指导教师签名：

　　　　　日　　期：

使用授权说明

本人完全了解安阳工学院关于收集、保存、使用毕业设计（论文）的规定，即：

按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。

作者签名：

　　　　　日　期：

摘要I

Abstract.II

引言1

第一章绪论2

1.1人脸识别的背景与发展现状2

1.2人脸识别的应用与优势2

第二章人脸图像的处理4

2.1图象的人脸定位4

2.2图象的预处理4

2.2人脸样本库图象的训练5

第三章基于PCA算法的人脸识别6

3.1PCA的基本思想6

3.2PCA算法基本数学原理6

3.3人脸识别中PCA算法的具体步骤6

3.4PCA算法在人脸识别中的应用7

3.4PCA人脸识别优缺点分析8

第四章人脸识别系统的实现及实验结果分析9

4.1人脸识别系统的设计9

4.2系统功能介绍9

4.2.1主菜单界面9

4.2.2训练图像9

4.2.3载入照片10

4.2.4人脸识别的功能与说明10

4.3功能实现及主要函数说明11

4.3.1保存图像和训练图像11

4.3.2人脸识别的过程12

4.5实验结果13

4.6影响人脸识别的因素13

4.6.1光照变化13

4.6.2人脸形态变化13

结论15

致谢16

参考文献17

附录18

基于PCA算法的人脸识别系统设计

摘要：

近年来，人脸识别在国内有着蓬勃的发展趋势，在很多领域都有应用。

例如：

家的防盗门，单位的考勤，公安系统，刑事鉴定，面对面支付，人脸解锁等。

它有一个很大的发展前景，因此成为一个具有人工智能的范畴的研究热点识别方法。

本次毕业论文主要应用了基于PCA算法的人脸识别。

主要包括人脸图片定位的预处理、人脸的输入、PCA算法对特征脸提取、人脸识别等四大模块。

本文通过MATLAB的仿真实现了基于一个PCA算法的人脸识别系统，通过对人脸的降维让一个复杂的图象用几个简单的数字表示出来，然后与人脸数据库里的图象相比较，找出最小的欧氏距离，最终输出识别图象。

首先，本文提出了人脸识别近几年的发展趋势，以及现状与背景，并且分析了人脸识别与其他识别方法的对比，以及人脸识别的优点跟人脸识别中的难点。

然后对人脸识别的过程进行详细的说明，大致分为四个阶段，接下来研究主成分分析法（PCA）提取图象特征值的原理，以及PCA算法与其他算法的对比所展现出来的优势与劣势，对设计的人脸识别进行测试、仿真,最终获得预期的结果。

本文最后总结了本次毕业设计中，自己的不足之处，以及对这次毕业设计的感悟，自己的心得体会。

关键词：

人脸识别；特征脸的提取；图片的灰度处理；欧式距离；阈值；

FacerecognitionbasedonPCAalgorithmsystemdesign

Abstract:

Inrecentyears,thedevelopmenttrendoffacerecognitionindomestichasavigorous,areusedinmanyfields.Forexample:

familysecuritydoors,institutionofattendance,thepublicsecuritysystem,criminalidentification,facepay,faceunlock,etc.Ithasgreatprospectsfordevelopment,thusbecometheresearchfocusintherecognitionmethodwithartificialintelligencecategory.PCAalgorithmhumanfacerecognitionisproposedinthispaper.Mainlyincludesthepretreatmentoffaceimagelocation,afaceofinput,PCAalgorithmforextractingfeatureface,facerecognitionandsoonfourbigmodules.Inthisarticle,throughMATLABsimulationimplementsafacerecognitionsystembasedonaPCAalgorithm,throughthedimensionreductionoffacetoacompleximagewithafewsimpleNumbers,andthencomparedwiththefaceimagesinthedatabase,findtheminimumEuclideandistance,finallytheoutputimage.First,thispaperputsforwardthedevelopmenttrendoffacerecognitioninrecentyears,aswellasthepresentsituationandbackground,andanalyzesthefacerecognitioncomparedwithotheridentificationmethod,andtheadvantagesoffacerecognitionwiththedifficultiesinfacerecognition.Anddetailtheprocessoffacerecognition,roughlydividedintofourstages,andthenextresearchprincipalcomponentanalysis（PCA）toextracttheprincipleofimagecharacteristicvalue,andPCAalgorithmcomparedwithotheralgorithmshowtheadvantagesanddisadvantages,test,simulationforthedesignoffacerecognition.Eventuallygettheexpectedresult.Finally,thepapersummarizesthegraduationdesign,theirownshortcomings,andthefeelingofthegraduationdesign,foryourowncomments.

KeyWords:

Facerecognition;Characteristicsoftheextractionofface;Imagegrayscaleprocessing;Euclideandistance;Thethresholdvalue;

引言

在当今的时代，科技飞速的发展，越来越多的安全问题困扰着大家。

随着我国经济的快速发展，国内人群的流动性增强，社会安全的不稳定性也随之增高，因此安全问题成为21世纪人们广泛关注的问题。

当前社会，很多地方都涉及到安全问题，上网娱乐、银行业务、网上购物、家庭防盗门等许多日常活动都跟密码息息相关，随着服务数量的增加，密码也随之增多，导致不能准确的记忆。

伴随着科技的提高，密码也越来越越不安全，越来越容易被破译，密码安全系数越来越低。

给人们的日常生活带来很多的安全隐患。

因此这些年，很多国家都投入大量资金、精力来研究生物识别系统，与其他原始人类的识别技术相比，生物识别技术具有更高的安全性，操作更方便。

另外人类本身就有很多生物特性，比如面目特征、DNA、指纹、虹膜、声音等。

根据人类这些特征，然后再与计算机技术相结合，进而发展成为更多的关于人类生物特征的人体身份辨别技术。

第一章绪论

1.1人脸识别的背景与发展现状

在当前社会，人脸识别系统在很多领域都有应用，人脸支付、人脸解锁、公安的破案、查缉布控。

我国也对人脸识别系统做了很深的研究。

中国已经掌握了当前热点研究领域的人脸识别核心技术。

北京，一个公司设计的人脸识别系统在2002，相机通过处理人脸图像的特征消除影响，然后提取图像的识别。

通常需要正面人脸识别使用，还需要对人脸图像识别往往采取不同时，使用摄像头将是不同的，所以本系统人脸识别是特别有价值的。

要鉴别的人脸图像是不同时期拍摄的，使用的照相机不一样。

该系统可以接受的时间间隔较长的照片，而且识别率高，2300正面图片，财政部的图片，使用1-7年，除了要查询的照片之间的差别比较大，第一率可以达到50%，20张照片是包含在输出的概率相同的照片输入图像高达70%。

该项技术在国内外都处于领先水平。

让计算机具有识别人脸特征平且能识别出身份就是人脸识别的目的。

通过面部特征来设计基于人脸检测的复杂场景的重要标识，是依靠图象理解、模式识别和计算机视觉，统计和其他技术来完成得。

人脸识别的理论发展趋势大概可以划分为三个阶段：

第一个阶段，主要以贝迪永、艾伦和帕克为代表，研究的是人脸识别需要用到的的脸部特征。

贝迪永将一个简单的语句跟庞大数据库中的某一张脸关联起来，同时结合指纹分析技术，一个很强的识别系统就此产生。

第二个阶段，是人机交互式识别阶段。

标志性的成果有：

莱斯克、格莱斯顿和哈蒙采用几何参数来表示人脸图像。

第三个阶段，时间是进入20世纪90年代，因为高性能计算机的产生，使之人脸识别系统能够更加完美的工作与应用，所以，人脸识别的研究又掀起一股热潮，人脸识别系统完成机器自动识别的新领域。

1.2人脸识别的应用与优势

人脸图像识别不仅具备庞大的表面价值和挑战性外，它也有许多隐藏的应用，比如不用连接目标就可以获得样板图像来进行身份鉴别。

与其它的认证手段相比，人脸识别具有操作方便，识别效率高等优点。

通过上面的分析。

我们可以预测出人脸图像识别在未来会有非常开阔的应用前景，如表1.1中所列举就是已经完成或正在完善的应用。

表1.1人脸识别的应用

应用

优点

存在的问题

信用卡

摄像可控

必须创造一个丰富的数据库

照片匹配

潜在的巨大图像库

图像质量不统一

互联网应用

信息视频价值高

存在不实的问题

银行储蓄安全

监控效果好

图像质量差

人群监测

图像实时性

图像质量低

人脸识别和另外的生物识别比较起来有如下几个优势:

（1）人为的行为配合对于其他生物特性识别方法不可或缺，但是人脸识别却可以没有。

（2）在视频监控中，人脸识别可以实现远距离视频识别（3）当前，每个人的身份证都有清晰的人脸照片，在这个人脸资源库中。

我们能够使用这个库来更直观、更简易的核对该人的身份。

（4）人脸识别技术在特征输入方面比较简易，包含的信息丰富。

同时人脸系统特别友好，利用面也广。

人脸识别技术由于其便利性，唯一性，稳定性，被越来越多的应用于各种标识方法。

人脸识别系统分为四大模块：

采集和人脸图像预处理，图像特征提取，人脸识别，识别结果输出。

如表4.1所示。

表4.1人脸识别系统一般框架

→→→→→→→→→

第二章人脸图像的处理

2.1图象的人脸定位

如果用一张背景各异的图象直接进行识别，会有太多不需要识别的干扰因素，比如光度、背景。

都会让识别的结果受到很大的影响，因此必须对图片进行预处理，首先第一步就是图象的人脸定位。

本次毕业设计借助的是FACESAVE对图象进行人脸定位。

如图2.1所示

图2.1图象的人脸定位

2.2图象的预处理

在人脸识别当中，图片的灰度处理对PCA算法提取特征值有很重要的作用，图象的灰度是进行图像识别与处理的基础。

一般人脸识别都是首先把图像灰度化，图象的灰度化可以更好的提取图象特征值，每个图象都有像素值。

如果识别像素过大，会导致训练速度慢、内存不足，从而影响识别效果，所以识别前需要对图象进行归一化，因为PCA算法需要输入的维度要一致。

这里我把像素都归为28*23。

利用MALTALAB软件的图象处理，对图象进行归一化处理。

2.2人脸样本库图象的训练

人脸图象的训练分为三个步骤:

1、人脸样本的采集，可以直接下载国外人脸识别科研样本，也可以自己拍照，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

3.1PCA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。

3.2PCA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

由于特征值较大，表示矩阵在对应特征向量上的“信号”越强，或者说在特征向量方向上有更多的特征。

这q个特征向量组合成一个q*k的矩阵，就是我们要求的特征矩阵。

投影矩阵的特征矩阵可以通过一个新的N×Q.获得。

我们使用这个n*q的投影矩阵“代表”样本矩阵A（n*k），从而实现了降维。

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，则排列后的列向量为

。

计算均值向量，然后每个图象矩阵都减去均值向量。

得到一个新矩阵

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。

3.4PCA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。

3.4PCA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

在主菜单界面一共有四个按钮：

训练样本，载入照片，人脸识别，退出系统。

点击“训练样本”对现有人脸数据库里的图像全部进行计算统计，然后将结果生成一个trainresult.mat文件。

点击“载入照片”将会弹出加载图象的对话框，点击“开始识别”按钮则弹出识别界面的对话框。

点击“退出系统”则退出识别界面

4.2.2训练图像

训练样本的过程没有出现界面，训练样本的过程就是计算人脸样本库里面图象的灰度值，然后根据PCA算法提取人脸样本的特征值跟特征向量。

然后将结果保存在一个叫trainresult.mat的文件。

这个文件用来进行人脸识别，只要在人脸样本库中更新数据之后都需要重新训练一次。

在人脸样本众多的情况下，样本训练过程会比较慢，人脸识别过程也会相对复杂，所以本设计只针对少量样本的人脸库。

4.2.3载入照片

为了能够快速、准确的显示出识别效果，载入的识别图象需要经过FACESAVE进行人脸定位处理过的图象。

FACESAVE软件既可以处理出灰色的照片，也可以处理出彩色的照片。

载入之后，绿色对话框会显示出图象的来源位置，有助于操作人的寻找。

图4.3识别图象的载入

4.2.4人脸识别的功能与说明

人脸识别过程与采集过程有同样的步骤，首先也是对人脸图象进行归一化的处理，本设计图象像素统一处理为28*23，,然后读取图象，判断图象是否为灰度图象。

如果是，则继续，如果不是，则把彩色图象转化为灰度图象。

转变为灰度图象后，则图象增强，调整图片矩阵样式，全部转变为1列的矩阵，最后得到的特征矩阵与训练的trainresult.mat文件的特征矩阵计算的“距离”，计算的特征矩阵的MAT文件的“距离”，这里的距离是指上述欧氏距离。

从中寻找最小值，而后与设定的阈值相比较，如果比阈值小，就表明是图人脸样本库的人脸，反之，如果最小距离比阈值大，则表明不是人脸样本库中的已知人脸，给出相应的提示。

图4.4人脸的识别

4.3功能实现及主要函数说明

本设计主要有三个函数：

dist.m、facerecg.m、mytrain.m。

其中dist.m函数是欧式距离算法函数，facerecg.m函数式人脸识别的主界面函数，mytrain.m函数是人脸识别的算法主函数。

4.3.1保存图像和训练图像

用电脑摄像头拍过照片，得到了人脸图象，但是这个人脸图象必须经过处理一下才能使用，需要将图象进行归一化。

所有图象需要像素统一，格式统一。

所以先使用FACESAVE进行人脸定位处理，得到92*112的图象。

然后将人脸样本存入人脸样本库。

本次设计一共用了7个文件夹，每个文件夹代表一个人，一个文件夹有5张样本图象。

训练图象时，还要经过两个图象的处理，通过函数goalsize=[2823]将图片归一到28*23，然后使用函数（ifcolor==3I=rgb2gray（I）I=imadjust（I,stretchlim（I）））对图象进行灰度处理。

接着利用PCA算法，提取图象的特征值。

最终数据保存在trainresult.mat文件中。

4.3.2人脸识别的过程

识别过程主要是图象的输入、图像的处理，距离与阈值的比较三部分，与样本训练过程相似。

是别的过程简单通俗的讲，就是把一个图象，用几个简单的数字来表示，图象之间相似度的比较，也就是数字之间差值的比较，差值越小，就越相似。

待识别的图像投影到特征脸空间中，然后得到一行特征向量，然后计算待识别人脸与图像库中的人脸的欧式距离，找出最小值，该过程对应于函数functiondistance=dist（feature1,feature2），如果比阈值小，就表明是图人脸样本库的人脸，在数据库中的查询图像特征的基本信息，并将结果输出到对话框中，相反，如果最小距离大于阈值，就表明此图不是人脸样本库里面的图象，继而主界面就会给出相应的提示。

如图4.5所示。

图4.5未识别界面

关于阈值的范围确定，有许多方法。

本设计中，利用带识别图象与样本图象距离的多次比较，选取了一个最大可以识别的距离作为阈值，这个阈值能够很大程度排除不是人脸样本图象库中的人脸。

4.5实验结果

设计中有7个人的头像，每个人有5张样本图象，一共有35张样本图象。

6个人是用国外人脸识别测试脸型。

一人是用笔记本电脑拍摄照片，然后进行处理得到的。

在实验时，当待识别图象的采光与样本图象采光相似