精品人脸识别.docx

1、精品人脸识别【关键字】精品武汉理工大学毕业设计（论文）基于PCA特征提取的面部识别技术研究学院（系）： 信息工程学院 专业班级： 通信工程0602班 学生姓名： 杨淑龙 指导教师： 刘岚 学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包括任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。作者签名： 年 月 日学位论文版权使用授权书本学位论文作者完全了解学校有关保障、使用学位论文的规定，同意学校保留并向有关学位论文管理部门或机构送交论文的复印件和电子版，允许论文被查阅和借

2、阅。本人授权省级优秀学士论文评选机构将本学位论文的全部或部分内容编入有关数据进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密囗，在 年解密后适用本授权书2、不保密囗 。（请在以上相应方框内打“”）作者签名： 年 月 日导师签名： 年 月 日毕业设计(论文)任务书学生姓名 杨淑龙 专业班级 通信0602 指导教师 刘岚 工作单位 信息工程学院 设计(论文)题目: 基于PCA特征提取的面部识别技术研究 设计（论文）主要内容：近年来，科学技术的进一步发展以及各种安全需要，各种基于生物特征的身份识别系统逐渐兴起。与指纹、视网膜、虹膜、基因、掌纹等其它人体生物特征

3、识别系统相比，人脸识别更加直接、友好，且使用者无心理障碍。鉴于这些独特的优势，人脸识别被认为是一种可广泛使用的最理想的生物特征识别技术。本课题主要是对基于PCA特征抽取的面部识别技术进行研究。论文要求从项目研究的意义，特征抽取算法原理及系统具体实现过程，研究总结等方面进行论述。要求完成的主要任务:1. 查阅相关文献资料15篇以上（其中英文文献不少于2篇）。2. 完成开题报告。3. 研究面部识别分类模型的选取，使用已有的数据集完成PCA特征抽取、判决器选取及系统GUI设计；并在此基础上进行系统功能调试。4. 完成不少于15000字的论文的撰写并完成答辩的相关工作。5. 在设计中完成不少于3张12

4、#图纸的描绘。6. 完成毕业设计周志。7. 完成不低于5000汉字（20000英文印刷符）的教师指定的相关文献的英译汉翻译。必读参考资料：1 模式识别 钟珞 何平等/著 武汉大学出版社 2 Machine Learning （美）Tom M.Mitchell 著 McGraw-Hill 出版3 M. Turk and A. Pentland, “Eigenfaces for Recognition,” J. Cogni-tive Neuroscience, vol. 3, no. 1, 1991.4 P.N. Belhumeur, J.P. Hespanha, and D.J. Kriegma

5、n, “Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection,”European Conf. Computer Vision, 1996, pp. 45-58.指导教师签名 系主任签名 院长签名(章)_ 武汉理工大学本科学生毕业设计（论文）开题报告1目的及意义（含国内外的研究现状分析）1.1目的及意义 人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音

6、（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。本课题研究的是基于PCA特征提取的面部识别,主成分分析 （ Principal Component Analysis ， PCA ）是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n m

7、 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法特征提取是人脸识别系统中最为重要的一个组成部分。主成分分析方法是应用最广泛的一种特征提取方法之一，它是一种统计学方法，在信号处理、模式识别、数字图像处理等领域已经得到了广泛的应用。特征脸方法是从主成分分析（PCA）导出的一种人脸识别和描述技术。它将包含

8、人脸的图像区域看作一随机向量，采用K-L变换得到正交K-L基，对应其中较大特征值的基具有与人脸相似的形状，因此又被称为特征脸。利用这些基的线性组合可以描述、表达和逼近人脸图像，所以可进行人脸识别与合成。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，并比较其在特征脸子空间上的位置。1.2现状分析 人脸识别是一个具有很高理论和应用价值的研究课题，是模式识别、图像处理等学科的一大研究热点。人脸的特殊性，使得人脸识别技术成为最具潜力的身份识别方式。目前，随着社会的发展、科技的进步，对方便、可靠、人脸自动识别的实际需求日益迫切，人脸识别及其应用已成为众多计算机科学工作者研究的热点问题。虽然近几十年

9、来出现了大量的人脸识别算法，但在识别率、识别速度和算法鲁棒性方面还是不够理想。2、基本内容和技术方案2.1基本内容： 完整的PCA主成成分分析法进行人脸识别的应用包括几个步骤： （1)人脸图像预处理； （2)读人人脸库，训练形成特征子空间； （3)把训练图像和测试图像投影到上一步骤中得到的子空间上； （4)选择一定的距离函数进行识别。2.2技术方案 1、人脸空间的建立 假设一幅人脸图像包含N个像素点，它可以用一个N维向量表示。这样，训练样本库就可以用i（i=1，.，M）表示。协方差矩阵C的正交特征向量就是组成人脸空间的基向量，即特征脸。 将特征值由大到小排列：12.r,其对应的特征向量为k。这

10、样每一幅人脸图像都可以投影到由u1,u2,.,ur张成的子空间中。因此，每一幅人脸图像对应于子空间中的一点。同样，子空间的任意一点也对应于一幅图像。 2、特征向量的选取 虽然协方差矩阵最多有对应于非零特征值的k（k远小于M）个特征向量，但是通常情况下，k仍然很大，而事实上，根据应用的要求，并非所有的特征向量都有需要保留，而特征空间投影的计算速度是直接与创建子空间所用的特征向量的数目相关，若考虑到计算时间的因素，可以适当的减去一些信息量少的特征向量，而且，去掉这些特征向量之后不一定不利于分类结果，有的情况下反而能够提高识别性能。 3、人脸识别 有了这样一个由特征脸张成的降维子空间，任何一幅人脸图

11、像都可以向其投影得到一组坐标系数，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。换句话说，任何一幅人脸图像都可以表示为这组特征脸的线性组合，其加权系数即是K-L变换的展开系数，也可以称为该图像的代数特征。因此，在获得特征脸之后，就可以对每一类别的典型样本进行投影，由此得到每个人脸的投影特征从而构成人脸特征向量，作为下一步识别匹配的搜索空间。 输入图像及其在人脸空间上的投影（重构图像），人脸图像在人脸空间中的投影变化不明显而非人脸图像的投影变化明显。因此，检测一幅图像中是否存在人脸的基本思想是，计算该图像中任意位置处的局部图像与人脸空间之间的距离。其中，是局部图像是否为人脸的

12、度量。因此，计算给定图像任意一点上的，就可以得到一映射图（x,y）。3、进度安排第12周：查阅相关文献资料，对其相关研究内容进行整体了解第34周：了解整体实现方式，并完成开题报告；第512周：根据方案，基于matlab进行实现；第13-14周：完成并修改毕业论文；第15周：答辩 开题人：杨淑龙 2010 年 3 月 20 日4、指导教师意见 指导教师签名： 年 月 日 摘 要 人脸识别已经是20世纪80年代末以来一个广泛应用的活跃的研究领域（它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合）。主成分分析 （ Principal Component Analysis ， PCA ）是一种

13、掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。基于PCA的特征脸方法是最早出现的人脸识别方法，这是由M. Turk 和 A. Pentland 在1991年开发的。该方法利用主成分分析的原理，并分解成一组具有特征特性的人脸图像称为特征脸。识别工作由投影到一个低维的由特征脸定义的线性“人脸空间”确定，接下来计算由此产生的坐标与已知面类的距离。通过大量实验以评估我们已开发脸部识别系统的性能。结果表明，特征脸方法对于人脸方向是十分强大的，但对于规模和光照十分敏感。人脸的特征提取是人脸识别的关键技术。

14、采用主元分析法进行特征提取是经典的方法之一，利用matlab进行人脸的特征提取能显著地提高计算效率。本论文论述了利用主元分析和奇异值分解进行人脸特征提取的方法，并详细阐述其在matlab中的实现过程，包括读取图像、计算均值脸、求特征值和特征向量，计算人脸特征参数。实现过程均给出了matlab代码。实验证明利用matlab进行主元分析提取特征是一种有效的方法。关键词：主成分分析；特征脸；面部识别abstract Face recognition has been an active area of research with numerous applications since late 19

15、80s（(it can be widely used in security systems, criminal identification and proof of identity and other important occasions）. Principal component analysis （PCA）is a statistical analysis to grasp the principal contradiction of things way, it can be from multiple things out of the main factors in the

16、analysis to reveal the essence of things, simplifying complex issues.The purpose of calculating the principal component is the projection of high dimensional data into lower dimensional spaceEigenfaces approach is one of the earliest appearance-based face recognition methods, which was developed by

17、M. Turk and A. Pentland in 1991. This method utilizes the idea of the principal component analysis and decomposes face images into a small set of characteristic feature images called eigenfaces. Recognition is performed by projecting a new face onto a low dimensional linear “face space” defined by t

18、he eigenfaces, followed by computing the distance between the resultant position in the face space and those of known face classes. A number of experiments were done to evaluate the performance of the face recognition system we have developed. The results demonstrate that the eigenface approach is q

19、uite robust to head/face orientation, but sensitive to scale and illumination. Facial feature extraction is a key technique of face recognition.Feature extraction using principle component analysis is one of the classical ways.Facial feature extraction by Matlab can increase computational efficiency

20、.The facial feature extraction based on principle component analysis and singular value decomposition is discussed in this paper.The implementation methods by Matlab,which include reading image files,computing mean face,computing eigenvalue and eigenvector,getting facial feature,also are discussed i

21、n detail.For all this Matlab source codes are presented.Practice shows that feature extraction using PCA by Matlab is an effective method.And this method is useful for researcher in this fieldKey word:Principal component analysis，Eigenfaces，face recognition1 绪论1.1课题研究的目的和意义 随着社会的发展，社会各方面对快速有效的自动身份验证

22、有日益迫切的要求。由于生物特征是入的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的最理想依据。个人身份的生物特征主要包括：虹膜特征、视网膜特征、讲话人的语音特征、人脸特征、指纹特征等。其中，利用人脸特征进行身份验证又是最自然直接的手段，相比其它人体生物特征，它具有直接、友好、方便、成本低、可靠等特点，易于为用户所接受。因而在众多的生物测定技术中倍受青睐。 人脸是人类视觉中最为普遍的模式，人脸所反映的视觉信息在人与人的交流和交往中有着重要的作用和意义。计算机人脸识别技术试图使计算机具有入的脸像识别能力。依托于图像理解、模式识别、计算机视觉和神经网络等技术，人脸识别技术在近三十年里得

23、到了广泛的关注和研究。 人脸识别技术具有广阔的应用前景。机关单位的安全和考勤、网络安全、银行、海关边检、物业管理、军队安全、计算机登录系统等方面都可以用到人脸识别技术。在机关等单位，基于人脸识别的门禁系统既可以保障单位的安全，又可以对职工自动进行考勤；在电子商务、国际贸易、银行交易等场合，人脸识别技术可以在一定程度上克服口令和密码的缺陷；在银行系统，人脸识别系统不需任何电子或机械的“钥匙”，可以减少因丢失钥匙、遗忘密码而带来的问题。目前人脸识别技术在一定应用范围内已经获得了成功。 人脸作为一种高普遍性、可以非接触式采集的重要生物特征，可以用以进行身份鉴别。人脸识别技术可以被应用在多种不同的安全

24、领域：证件(如：驾驶执照、护照)中的身份认证；楼字进出的安全控制；重要场所中的安全检测和监控；智能卡中的身份认证。 人脸识别技术在信息安全领域也有着巨大的潜在应用价值。随着网络技术日益走进人们的日常生活，越来越多的用户可以访问互联网，越来越多的信息被置入互联网。而由于网络信息访问的便捷性，网络的安全控制成为一个日益迫切的重要问题。利用人脸识别技术，可以进行计算机的登录控制，可以进行应用程序的安全使用、数据库的安全访问和文件加密，可以实现局域网和广域网的安全控制，可以保护电子商务的安全性。 人脸识别技术可以用于创建友好自然的人机交互方式，是智能计算机领域研究的重要内容之一。一个可以识别使用者人脸

25、的智能计算机，可以按照其特点为该使用者提供工作环境，从而使人与计算机之间的交互如同人与人之间的交互一样轻松自如。 人脸识别技术还被用在图像库检索技术中，在大型人脸库中检索出与索引脸像相同或相近的脸像。例如：公安部门可以利用人脸识别技术进行罪犯库的管理和查询。 在日常生活中，人们识别周围的人用的最多的就是人脸，因而人脸识别是一种最容易被接受的身份鉴定方法。由于人脸识别具有非侵犯性、直接、友好、方便的特点，因此它是人们最容易接受的身份鉴别方式。一般的人脸识别系统通过CCD摄像机将脸像采集、提取特征、存储在模板库中，在身份鉴别时首先将脸像从背景中分割出来，再把现场采集的图像与库中模板进行比对。随着网

26、络技术和桌上视频的广泛采用，图像捕捉设备正在成为个人计算机的标准外设，同时电子商务等网络资源的利用也对身份验证提出了新的要求。因此，人脸识别成为最有潜力的生物身份验证手段。1.2国内外研究状况及分析 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

27、论上与实践上进行了详细的论述。同年，akai设计了人脸图像自动识别系统。80年代初TMinami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，人脸识别的研究变得非常热门。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-Loeve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

28、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。13现阶段的不足及发展趋势 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

29、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慢。然而随数据库增加，前者的识别率要比后者下降得快，因此改进的思路是将两者相结合，首先用快速的特征信息匹配，来缩小检索范围，再进行拓扑图慢匹配。此外，用减小拓扑图存储量的方法也能够加快匹配速度，但这需要提取有效特征和去掉冗余信息。另外，在大多数的数据库中，存储的图像都是单样本人脸图像，能提取的特征信息非常有限，识别起来比较困难。 由于人脸识别的理论还不完善，具体算法的实现也有很多的因素待研究，因此计算机人脸识别的实用化还需要众多研究人员的不懈努

30、力。但是人脸识别是生物特征鉴别技术的一个主要方向，与其他生物特征相比，人脸识别依然具有主动性、非侵犯性和用户友好等许多优点。因此，计算机人脸识别研究具有较为广泛的意义。1.4 发展前景 人脸识别是生物特征鉴别技术的一个主要方向，与其他生物特征相比，人脸识别具有主动性、非侵犯性和用户友好等许多优点，越来越受到人们的重视。从应用领域上来看，人脸识别技术已经涉及到工业、商业、政府、国防、医学等方面，并有相应的用于为生产服务的产品的出现。它为人们提供了一种直接、友好、方便、非侵犯性、高可靠性和稳定的鉴别途径，其应用前景将十分广阔并将越来越影响到人们生活的各个方面。从人脸识别技术的发展来看，未来人脸识别

31、技术还将应用到各行各业。例如人脸识别技术将会应用到手机，其过程是先用带摄像头的彩屏手机拍摄人脸图像，并将其发送到计算机，计算机将识别结果以短信形式通知手机用户。 从技术上来看，目前要想建立一个鲁棒型的人脸识别系统仍然是一个很困难的问题。因为目前的人脸识别方法主要集中在二维图像方面，由于受到光照、姿势、表情变化的影响，识别的准确度受到很大限制。但是如果考虑利用三维信息进行人脸的识别，识别的准确率将大大提高。因为三维信息能够更精确地描述人的脸部特征，提取的某些特征具有刚体变换不变性，并且不易受化装和光照的影响。不过由于三维数据获取方面存在困难，现在利用三维信息进行识别的报道并不多见。但是已有很多学

32、者在这方面作了很多尝试：比利时学者Beumier等利用结构光的方法获取三维数据，然后利用曲面匹配的方法进行人脸识别收到较好的效果：美国的Gordon等利用激光扫描仪获取的距离数据建立面部曲面，通过计算表面曲率寻找凸点、凹点和脊点，然后定位面部的一些特征点，利用模板匹配的方法进行识别；德国人Vetter等利用单幅图片构建三维模型，利用形状和纹理参数来表征个性特征等等。三维人脸建模与识别是刚刚兴起的前沿方向，是计算机视觉和计算机图形学相结台的边缘学科，科学意义重大，应用前景广泛，是将研究的热点问题。 总之我们相信，以人类特征进行身份验证的生物识别技术，在今后数年内将成为I T产业最为重要的技术革命。2 方法描述及基本内容2.1 主成分分析简介 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个