西安石油大学人工智能实验人脸识别实验报告.docx
《西安石油大学人工智能实验人脸识别实验报告.docx》由会员分享,可在线阅读,更多相关《西安石油大学人工智能实验人脸识别实验报告.docx(19页珍藏版)》请在冰豆网上搜索。
西安石油大学人工智能实验人脸识别实验报告
实验报告
课程名称人工智能
实验名称人脸识别
姓名张文江
学号************
专业班级计科1201
成绩
指导教师程国建
一、实验目的
1、学会使用PCA主成分分析法。
2、初步了解人脸识别的特征法。
3、更熟练地掌握matlab的使用。
二、原理介绍
1、PCA(主成分分析法介绍)
引用一个网上的例子。
假设有一份对遥控直升机操作员的调查,用表示飞行员i的
飞行技能,表示飞行员i喜欢飞行的程度。
通常遥控直升飞机是很难操作的,只有那些非常坚持而且真正喜欢驾驶的人才能熟练操作。
所以这两个属性和相关性是非常强的。
我们可以假设两者的关系是按正比关系变化的。
如下图里的任意找的向量u1所示,数据散布在u1两侧,有少许噪声。
现在我们有两项数据,是二维的。
那么如何将这两项变量转变为一个来描述飞行员呢?
由图中的点的分布可知,如果我们找到一个方向的U,所有的数据点在U的方向上的投影之和最大,那么该U就能表示数据的大致走向。
而在垂直于U的方向,各个数据点在该方向的投影相对于在U上的投影如果足够小,那么我们可以忽略掉各数据在该方向的投影,这样我们就把二维的数据转化成了在U方向上的一维数据。
为了将u选出来,我们先对数据进行预处理。
先求出所有数据的平均值,然后用数据与平均值的偏差代替数据本身。
然后对数据归一化以后,再代替数据本身。
而我们求最大的投影和,其实就是求各个数据点在U上的投影距离的方差最大。
而XTu就是投影的距离。
故我们要求下式的最大值:
按照u是单位向量来最大化上式,就是求的特征向量。
而此式是数据集的协方差矩阵。
在实际应用中,我们不止面临二维的数据。
因此不能使用几何的形式呈现,但原理也是一样。
就是找到一组相互正交的单位向量,然后根据贡献率考虑选择其中的部分作为考量的维数,这也就实现了数据的降维。
三、实验步骤
1、将库里的400张照片分成两组。
一组作为训练,一组作为库。
每个人的前五张照片作为训练,后五张作为库。
训练的照片按照顺序的数字重命名。
库的照片名字不变。
2、库照片处理。
1将每一张库的照片转化成N维的向量。
(库里的照片是112*92,故将转化成的矩阵按列
或行展开,就是个10304维的向量)我们稍后要对如此多维的向量用PCA进行降维。
然后把这些向量存入一个矩阵里。
而我是将这200个向量以列的形式存在了矩阵里。
即
2将这200个向量的每个元素相加起来求出平均值。
再用Z里的每一个向量减去这个平均
值得到每个的偏差。
3接下来我们就要针对这些预处理后的数据进行降维。
我们要求的N个相互正交的向量就
是协方差矩阵的特征向量,而对应的特征值就是各个向量所占的比重。
但是Z是个10304*200的矩阵,那么就是个10304*10304的矩阵。
使用matlab直接求其特征值与特征向量不太实际。
所以我们考虑一个简单的运算方法:
协方差矩阵的秩受到训练图像的限制:
如果有 N 个训练样本,则最多有 N − 1个对应非零特征值的特征向量,其他的特征向量对应的特征值都是0。
如果训练样本的数目比图像的维数低,则可以通过如下方法简化主成份的计算。
设 Z是预处理图像的矩阵,每一列对应一个减去均值图像之后的图像。
则,协方差矩阵为,并且对 S 的特征值分解为
然而, 是一个非常大的矩阵。
因此,如果转而使用如下的特征值分解。
此时,我们发现如果在等式两边乘以T,可得到
这就意味着,如果ui是TTT的一个特征向量,则 是S 的一个特征向量。
我们的库里有200张112 * 92像素的图像,则 TTT是一个200*200的矩阵,这就比原先的10304 *10304的协方差矩阵要容易处理许多。
需要注意的是,上面的特征向量 没有进行归一化,如果需要,应该在后面在进行处理。
4降维处理。
上面的步骤已经求到了所有的特征向量与特征值。
而特征值就是各数据点在该特
征向量上的方差。
跟据PCA,我们要选出占主要比重的特征向量即可,而判定标准就是特征值。
先把方差(特征值)降序排列,并把对应的特征向量也排列好。
依次选择方差,使选出的方差和占所有方差和大约95%左右。
然后选择对应的特征向量。
其余的特征向量与特征值可以抛弃不用了。
这就完成了降维。
(③中一共有200个不为零的方差(特征值))
5归一化处理。
数据归一化处理是数据挖掘的一项基础工作,不同评价指标往往具有不同的量
纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。
原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。
我使用的是Z-score法。
经过处理得数据符合标准正态分布,即均值为0,标准差为1,转化函数为
其中为所有数据的均值,为所有样本数据的标准差。
在③里求得的特征值就是方差。
所以我们要用乘上每一个对应的特征向量。
本来这个归一化处理应该放在第一步的数据预处理那里。
但由于那里的计算还没有涉及到协方差矩阵,而我们需要的方差在后面才出现,故把归一化处理放在这里。
即③中,
这些特征向量都是10304*1的大小,跟我们一开始处理后的照片向量的大小一样。
这些就是特征脸。
特征脸可以线性组合成所有库里的脸。
6用特征脸对库里的脸进行标示,也就是将库里的每张脸图数据转化成各个特征脸所占的比重。
即
7人脸识别。
先对训练的脸图进行预处理。
预处理即①②中所说的求偏差。
求到训练图的
偏差向量后,如⑥那样用特征脸对训练图进行标示。
即求得
然后求与的欧式距离,此距离表明两图的接近度。
即
该距离越小,则这两张图越接近,则越有可能是同一个人。
五、编程实现
1.ImageSize
usingSystem;
usingSystem.Collections.Generic;
usingSystem.Text;
usingSystem.Drawing;
usingSystem.Drawing.Imaging;
namespaceNormIllumMethods.Visual
{
classImageSize
{
///
///Resizethebitmaptopowerof2ifitisnecessary
///
///
///
publicstaticBitmapResizeToPower2(Bitmapbitmap)
{
intw=bitmap.Width;
inth=bitmap.Height;
intww=UpperPower2(w);
inthh=UpperPower2(h);
Bitmapoutbitmap=newBitmap(bitmap,ww,hh);
PixelFormatformat=PixelFormat.Format8bppIndexed;
BitmapDatabitmapData=outbitmap.LockBits(newRectangle(0,0,ww,hh),ImageLockMode.ReadWrite,PixelFormat.Format32bppArgb);
intstride=bitmapData.Stride;
IntPtrscan0=bitmapData.Scan0;
Bitmapbb=newBitmap(ww,hh,stride,format,scan0);
outbitmap.UnlockBits(bitmapData);
//ColorPalettepalette=outbitmap.Palette;
//for(inti=0;i<256;i++)
//{
//palette.Entries[i]=System.Drawing.Color.FromArgb(i,i,i);
//}
//outbitmap.Palette=palette;
return(IsPower2(w)&&IsPower2(h))?
bitmap:
bb;
}
///
///Returntrueifthenumberispowerof2
///
///
///
privatestaticboolIsPower2(intn)
{
return((n&(n-1))==0);
}
///
///Returnthesmallestpowerof2greaterthanorequaltothespecifiednumber
///
///
///
privatestaticintUpperPower2(intn)
{
return(int)Math.Pow(2,Math.Ceiling(Math.Log(n,2)));
}
}
}
2.Program.
usingSystem;
usingSystem.Collections.Generic;
usingSystem.Windows.Forms;
namespaceNormIllumMethods.Visual
{
staticclassProgram
{
///
///Themainentrypointfortheapplication.
///
[STAThread]
staticvoidMain()
{
Application.EnableVisualStyles();
Application.SetCompatibleTextRenderingDefault(false);
Application.Run(newVisual());
}
}
3.Visual
usingSystem;
usingSystem.Collections.Generic;
usingSystem.ComponentModel;
usingSystem.Data;
usingSystem.Drawing;
usingSystem.Text;
usingSystem.Windows.Forms;
usingSystem.Diagnostics;
usingSystem.Drawing.Imaging;
usingNormIllumMethods.Techniques;
usingComparisonGreyScaleImage;
namespaceNormIllumMethods.Visual
{
publicpartialclassVisual:
Form
{
Bitmapbitmap;//imageloaded
publicVisual()
{
InitializeComponent();
}
#regionFileOptions
//MenuFile/OpenImage
privatevoidmnuOpenImage_Click(objectsender,EventArgse)
{
OpenImage();
}
//MenuFile/SaveImage
privatevoidmnuSaveImage_Click(objectsender,EventArgse)
{
SaveImage();
}
//MenuFile/Exit
privatevoidmnuExit_Click(objectsender,EventArgse)
{
Exit();
}
//ShortcutOpen
privatevoidtoolStripOpen_Click(objectsender,EventArgse)
{
OpenImage();
}
//ShortcutSave
privatevoidtoolStripSave_Click(objectsender,EventArgse)
{
SaveImage();
}
///
///Openanimage
///
publicvoidOpenImage()
{
if(ofd.ShowDialog()==DialogResult.OK)
{
bitmap=(Bitmap)Image.FromFile(ofd.FileName);
if(bitmap.PixelFormat!
=PixelFormat.Format8bppIndexed)
bitmap=BitmapGrey.GrayScale8bpp(bitmap);
picOriginal.Image=bitmap;
SetVisibleMethods();
}
}
///
///Savetheimage
///
publicvoidSaveImage()
{
sfd.RestoreDirectory=true;
if(sfd.ShowDialog()==DialogResult.OK)
{
Bitmapcopy=(Bitmap)picFiltered.Image.Clone();
switch(sfd.FilterIndex)
{
case1:
copy.Save(sfd.FileName,ImageFormat.Bmp);
break;
case2:
copy.Save(sfd.FileName,ImageFormat.Gif);
break;
case3:
copy.Save(sfd.FileName,ImageFormat.Jpeg);
break;
case4:
copy.Save(sfd.FileName,ImageFormat.Png);
break;
}
}
}
///
///Closeapplication
///
publicvoidExit()
{
this.Close();
}
///
///Setvisiblethemethodstoapplytotheimage
///
privatevoidSetVisibleMethods()
{
mnuMethods.Visible=//EnablethemenuMethodsinmainwindow
labInitial.Visible=true;//Viewtheinitiallabel
}
///
///Setvisibletheoptionstosavetheimagefiltered
///
privatevoidSetVisibleSave()
{
mnuSaveImage.Visible=//EnablethemenuSaveImageinmainwindow
toolStripSave.Visible=//EnabletheshortcutSaveImageinmainwindow
labNormalised.Visible=true;//Viewtheimagenormalised
}
#endregion
#regionNormalisationAlgorithms
//MenuMethods/MultiscaleRetinex
privatevoidmnuMultiscaleRetinex_Click(objectsender,EventArgse)
{
MultiscaleRetinex();
}
//MenuMethods/Isotrophic
privatevoidmnuIsotropic_Click(objectsender,EventArgse)
{
Isotropic();
}
//MenuMethods/Anisotrophic
privatevoidmnuAnisotropic_Click(objectsender,EventArgse)
{
Anisotropic();
}
//ContextMenu/AnisotropicSmoothing
privatevoidcontMnuAnisotropic_Click(objectsender,EventArgse)
{
Anisotropic();
}
//ContextMenu/MultiscaleRetinex
privatevoidcontMnuMultRetinex_Click(objectsender,EventArgse)
{
MultiscaleRetinex();
}
//ContextMenu/IsotropicSmoothing
privatevoidcontMnuIsotropic_Click(objectsender,EventArgse)
{
Isotropic();
}
///
///ApplyMultiscaleRetinexAlgorithm
///
publicvoidMultiscaleRetinex()
{
RetinexParameterparam=newRetinexParameter();
param.ShowDialog();
if(param.OK)
{
MultiscaleRetinexretinex=newMultiscaleRetinex(param.Sigmas,param.Widths,param.FilterSize);
picFiltered.Image=retinex.Apply((Bitmap)bitmap.Clone());
SetVisibleSave();
}
}
///
///ApplyIsotropicSmoothingAlgorithm
///
publicvoidIsotropic()
{
IsoAniParameterparam=newIsoAniParameter();
param.ShowDialog();
if(param.OK)
{
IsotropicSmoothingiso=newIsotropicSmoothing(param.Value);
picFiltered.Image=iso.Apply((Bitmap)bitmap.Clone());
SetVisibleSave();
}
}
///
///ApplyAnisotropicSmoothingAlgorithm
///
publicvoidAnisotropic()
{
IsoAniParameterparam=newIsoAniParameter();
param.ShowDialog();
if(param.OK)
{
AnisotropicSmoothinganis=newAnisotropicSmoothing(param.Value);
picFiltered.Image=anis.Apply((Bitmap)bitmap.Clone());
SetVisibleSave();
}
}
#endregion
}
}
6、实验截图
1.打开软件,导入原始图片。
结果如图所示:
2.运用ISOtropicalsmoothing设置smoothnessconsyraint的值为1,结果如图所示:
3.运用Anisotrophicsmoothing设置smoothnessconsyraint的值为1,结果如图所示:
7、实验总结
实验中遇到的难题:
一开始最难理解的莫过于特征脸法的原理。
原理中涉及到许多的线性代数知识,需要花时间去回忆,并用已经掌握的初步的知识去理解更深刻的知识。
在咨询过程与上网查阅资料的过程中才慢慢解决了问题。
后来代码完成后,识别率一直非常低。
与完成了的同学对照时,发现代码的原理几乎一样,当时一直不知道怎么办。
后来经过旁人的提醒,发现协方差矩阵的特征向量没有按照特征值排序后的顺序重新排列。
这个小问题困扰了我很久。
细节很重要。
收获:
这次实验让我更加熟练地应用了matlab。
对矩阵的运算也理解地更加的透彻。
学习了PCA主成分分析法,这个方法在分析较多的数据时是非常有用的。
在如今的大数据时代,PCA是个非常实用的分析手段。
这次在做实验的过程中,上网查阅了许多关于人脸识别的资料,发觉虽然自己完成了初步的人脸识别的功能,但远远没有达到现实生活的需求。
我们做实验的orl库的像素不仅非常低,而且每张人脸的位置与大小也非常接近,这都大大降低了难度。
这个方向还有着许多可学习的东西。
参考文献
[1]祝磊,朱善安.人脸识别的一种新的特征提取方法[J].计算机学报,2007。
[2]何东风,凌捷.人脸识别技术综述[J].计算机学报,2003。
[3],YounusFazl-e-BasitJaved和UsmanQayyum”,采用直方图的人脸识别和处理”,第三阶段仅相关新兴技术研报告。
[4]何国辉,甘俊英.PCA-LDA算法在性别鉴别中的应用[J].中国图像图形学报,2006。
[5]王聃,贾云伟,林福严.人脸识别系统中的特征提取[J].自动化学报,2005。
[6]张俭鸽,王世卿,盛光磊.基于小波和DFB-PCA的人脸识别算法研究[J].自动化学报,2007。
[7]曹林,王东峰,刘小军,邹谋炎.基于二维Gabor小波的人脸识别算法[J].电子学报,2006