人臉識(shí)別系統(tǒng)-開放實(shí)驗(yàn)報(bào)告范文

1、開放性實(shí)驗(yàn)報(bào)告人臉識(shí)別系統(tǒng)小組成員：姓名 李宏利 學(xué)號(hào) 109021075 指導(dǎo)老師： 彭艷斌 2011 年12 月【實(shí)驗(yàn)名稱】 人臉識(shí)別系統(tǒng)【實(shí)驗(yàn)?zāi)康摹?1.對(duì)人臉識(shí)別系統(tǒng)的圖像預(yù)處理有一定的掌握； 2.對(duì)后續(xù)操作只簡單了解； 3.通過功能模塊實(shí)現(xiàn)人臉識(shí)別系統(tǒng)?！緦?shí)驗(yàn)內(nèi)容】 1.系統(tǒng)需求分析； 2.系統(tǒng)設(shè)計(jì)； 3.系統(tǒng)實(shí)現(xiàn)?！緦?shí)驗(yàn)步驟】一、系統(tǒng)需求分析1、目的與背景當(dāng)前社會(huì)上頻繁出現(xiàn)的入室偷盜、搶劫、傷人等案件的不斷發(fā)生，鑒于此種原因，防盜門開始走進(jìn)千家萬戶，給家庭帶來安寧；然而，隨著社會(huì)的發(fā)展，技術(shù)的進(jìn)步，生活節(jié)奏的加速，消費(fèi)水平的提高，人們對(duì)于家居的期望也越來越高，對(duì)便捷的要求也越來越迫

2、切，基于傳統(tǒng)的純粹機(jī)械設(shè)計(jì)的防盜門，除了堅(jiān)固耐用外，很難快速滿足這些新興的需求：便捷，開門記錄等功能。廣義的人臉識(shí)別實(shí)際包括構(gòu)建人臉識(shí)別系統(tǒng)的一系列相關(guān)技術(shù)，包括人臉圖像采集、人臉定位、人臉識(shí)別預(yù)處理、身份確認(rèn)以及身份查找等；而狹義的人臉識(shí)別特指通過人臉進(jìn)行身份確認(rèn)或者身份查找的技術(shù)或系統(tǒng)。 人臉識(shí)別生物特征識(shí)別技術(shù)所研究的生物特征包括臉、指紋、手掌紋、虹膜、視網(wǎng)膜、聲音（語音）、體形、個(gè)人習(xí)慣（例如敲擊鍵盤的力度和頻率、簽字）等，相應(yīng)的識(shí)別技術(shù)就有人臉識(shí)別、指紋識(shí)別、掌紋識(shí)別、虹膜識(shí)別、視網(wǎng)膜識(shí)別、語音識(shí)別（用語音識(shí)別可以進(jìn)行身份識(shí)別，也可以進(jìn)行語音內(nèi)容的識(shí)別，只有前者屬于生物特征識(shí)別技術(shù)）

3、、體形識(shí)別、鍵盤敲擊識(shí)別、簽字識(shí)別等。人臉識(shí)別主要用于身份識(shí)別。由于視頻監(jiān)控正在快速普及，眾多的視頻監(jiān)控應(yīng)用迫切需要一種遠(yuǎn)距離、用戶非配合狀態(tài)下的快速身份識(shí)別技術(shù)，以求遠(yuǎn)距離快速確認(rèn)人員身份，實(shí)現(xiàn)智能預(yù)警。人臉識(shí)別技術(shù)無疑是最佳的選擇，采用快速人臉檢測(cè)技術(shù)可以從監(jiān)控視頻圖象中實(shí)時(shí)查找人臉，并與人臉數(shù)據(jù)庫進(jìn)行實(shí)時(shí)比對(duì)，從而實(shí)現(xiàn)快速身份識(shí)別二系統(tǒng)設(shè)計(jì)1) 理論知識(shí)fisher概念引出在應(yīng)用統(tǒng)計(jì)方法解決模式識(shí)別問題時(shí)，為了解決“維數(shù)災(zāi)難”的問題，壓縮特征空間的維數(shù)非常必要。fisher方法實(shí)際上涉及到維數(shù)壓縮的問題。fisher分類器是一種幾何分類器, 包括線性分類器和非線性分類器。線性分類器有：感

4、知器算法、增量校正算法、LMSE分類算法、Fisher分類。若把多維特征空間的點(diǎn)投影到一條直線上，就能把特征空間壓縮成一維。那么關(guān)鍵就是找到這條直線的方向，找得好，分得好，找不好，就混在一起。因此fisher方法目標(biāo)就是找到這個(gè)最好的直線方向以及如何實(shí)現(xiàn)向最好方向投影的變換。這個(gè)投影變換恰是我們所尋求的解向量，這是fisher算法的基本問題。樣品訓(xùn)練集以及待測(cè)樣品的特征數(shù)目為n。為了找到最佳投影方向，需要計(jì)算出各類均值、樣品類內(nèi)離散度矩陣和總類間離散度矩陣、樣品類間離散度矩陣，根據(jù)Fisher準(zhǔn)則，找到最佳投影準(zhǔn)則，將訓(xùn)練集內(nèi)所有樣品進(jìn)行投影，投影到一維Y空間，由于Y空間是一維的，則需要求出Y

5、空間的劃分邊界點(diǎn)，找到邊界點(diǎn)后，就可以對(duì)待測(cè)樣品進(jìn)行進(jìn)行一維Y空間的投影，判斷它的投影點(diǎn)與分界點(diǎn)的關(guān)系，將其歸類。Fisher法的核心為二字：投影。1) 一維實(shí)現(xiàn)方法(1) 計(jì)算給類樣品均值向量，是各個(gè)類的均值，是類的樣品個(gè)數(shù)。(2) 計(jì)算樣品類內(nèi)離散度矩陣和總類間離散度矩陣(3) 計(jì)算樣品類間離散度矩陣(4) 求向量我們希望投影后，在一維Y空間各類樣品盡可能地分開，也就是說我們希望兩類樣品均值之差（）越大越好，同時(shí)希望各類樣品內(nèi)部盡量密集，即希望類內(nèi)離散度越小越好，因此，我們可以定義Fisher準(zhǔn)則函數(shù)：使得取得最大值的為 (5) 將訓(xùn)練集內(nèi)所有樣品進(jìn)行投影(6) 計(jì)算在投影空間上的分割閾值

6、在一維Y空間，各類樣品均值為樣品類內(nèi)離散度矩陣和總類間離散度矩陣【注】【閾值的選取可以由不同的方案：較常見的一種是另一種是】(7) 對(duì)于給定的X，計(jì)算出它在上的投影y(8) 根據(jù)決策規(guī)則分類2) matlab編程1、matlab程序分為三部分。程序框圖如下圖所示。mainCreatDataBaseFisherfaceCoreRecognition這個(gè)函數(shù)將所有訓(xùn)練樣本的二維圖像轉(zhuǎn)換成一維列向量。接著，它把這些一維列向量組合到一行里面構(gòu)造出二維向量T，即每個(gè)單元的信息量是一幅圖片這個(gè)函數(shù)將源圖像提取成特征臉，然后比較它們之間的歐幾里得距離PCA提取特征值Fisher分類器設(shè)計(jì)。從fisher線性

7、空間中提取圖像三、 系統(tǒng)實(shí)現(xiàn)打開程序進(jìn)行人臉識(shí)別變化角度四、代碼實(shí)現(xiàn)A. 第一部分：CreatDatabase.mfunction T = CreatDatabase(TrainDatabasePath)TrainFiles = dir(TrainDatabasePath);Train_Number = 0;%統(tǒng)計(jì)文件數(shù)%for i = 1:size(Train) if not(strcmp(TrainFiles(i).name,'.')|strcmp(TrainFiles(i).name,'.')|strcmp(TrainFiles(i).name,'

8、Thumbs.db') Train_Number = Train_Number + 1; endend%二維轉(zhuǎn)一維%T = ;for i = 1 : Train_Number str = int2str(i);%把文件索引轉(zhuǎn)換為字符串格式 str = strcat('',str,'.pgm'); str = strcat(TrainDatabasePath,str); img = imread(str); irow icol = size(img); temp = reshape(img',irow*icol,1); T = T temp;end

9、T = double(T);B. 第二部分：FisherfaceCorefunction m_database V_PCA V_Fisher ProjectedImages_Fisher Class_number Class_population = FisherfaceCore(T)%返回值注釋%m_database - (M*Nx1)維的訓(xùn)練樣本均值%V_PCA - (M*Nx(P-C)訓(xùn)練樣本協(xié)方差的特征向量%V_Fisher - (P-C)x(C-1) 最大的（C-1）維J = inv(Sw) * Sb的特征矩陣%ProjectedImages_Fisher - (C-1)xP)維訓(xùn)練

10、樣本，這些樣本從fisher線性空間中提取%基本量賦值 %Class_number=(size(T,2)/9; 類的數(shù)目，除以8取決于樣本中有多少類人Class_population = 9;%每一類的圖像數(shù)目P = Class_population * Class_number; %總訓(xùn)練樣本的數(shù)目%計(jì)算均值%m_database = mean(T,2);%°包含T每一行均值的列向量%計(jì)算方差%A = T - repmat(m_database,1,P);%計(jì)算特征臉的算法%L = A' * A;V D = eig(L);V = fliplr(V);%篩選小的特征值%L_e

11、ig_vec = ;dig = fliplr(max(D);for i = 1 : Class_number L_eig_vec = L_eig_vec V(:,i)/sqrt(dig(i);end%計(jì)算特征矩陣的協(xié)方差矩陣C%V_PCA = A * L_eig_vec;%V_PCA就是降維后的協(xié)方差矩陣ProjectedImages_PCA = ;for i = 1 : P temp = V_PCA'*A(:,i); ProjectedImages_PCA = ProjectedImages_PCA temp; end%fisher分類器的設(shè)計(jì)方法%計(jì)算在特征空間里面每一個(gè)類的均值%

12、m_PCA = mean(ProjectedImages_PCA,2) %特征空間總的均值m = zeros( Class_number, Class_number );Sw = zeros( Class_number, Class_number);Sb = zeros( Class_number, Class_number); for i = 1 : Class_number m(:,i) = mean( ( ProjectedImages_PCA(:,(i-1)*Class_population+1):i*Class_population) ), 2 )' %每一類的樣本分別求均值

13、 S = zeros(Class_number, Class_number); for j = (i-1) * Class_population + 1) : ( i*Class_population ) S = S + ( ProjectedImages_PCA(:,j) - m(:,i) * (ProjectedImages_PCA(:,j) - m(:,i)' end Sw = Sw + S;Sb = Sb + (m(:,i) - m_PCA) * (m(:,i) - m_PCA)'end %¼計(jì)算fisher判別準(zhǔn)則，目標(biāo)是獲取最大類間離散度和最小類內(nèi)離散度%

14、ÎÒÃǵÄÄ¿±êÊÇ£º»ñÈ¡×î´óÀà¼äÀëÉ¢¶ÈºÍ×îСµÄÀàÄÚÀëÉ¢¶È

15、¡£J_eig_vec, J_eig_val = eig(Sb,Sw);J_eig_val = max(J_eig_val); J_eig_vec = fliplr(J_eig_vec); %去除0特征根和排序for i = 1 : Class_number - 1 V_Fisher(:,i) = J_eig_vec(:,i);%fisher判別法將N維映射到C-1維end %從fisher線性空間中提取圖像%Yi = V_Fisher' * V_PCA' * (Ti - m_database)for i = 1: Class_number * Class_

16、population ProjectedImages_Fisher(:,i) = V_Fisher' * ProjectedImages_PCA(:,i); end%由PCA過渡到FLD%img_fisher = w_fisher' * pca_img;%ProjectedImages_Fisher = V_Fisher' * ProjectedImages_PCA; C. 第三部分：Recognition.mfunction OutputName = Recognition(TestImage, m_database, V_PCA, V_Fisher, Project

17、edImages_Fisher, Class_number, Class_population)%函數(shù)描述：這個(gè)函數(shù)將源圖像提取成特征臉，然后比較它們之間的歐幾里得距離%輸入量: TestImage -測(cè)試樣本的路徑%V_PCA - (M*Nx(P-C)訓(xùn)練樣本協(xié)方差的特征向量%V_Fisher - (P-C)x(C-1) 最大的（C-1）維J = inv(Sw) * Sb的特征矩陣%ProjectedImages_Fisher - (C-1)xP)維訓(xùn)練樣本，這些樣本從fisher線性空間中提取%Class_number-類的數(shù)目%Class_population-每一類圖像的數(shù)目%返回值：

18、 OutputName -在訓(xùn)練樣本中的被識(shí)別的圖像的名字Train_Number = size(ProjectedImages_Fisher,2);%從測(cè)試樣本中提取PCA特征%InputImage = imread(TestImage);temp = InputImage(:,:,1); irow icol = size(temp);InImage = reshape(temp',irow*icol,1);Difference = double(InImage)-m_database; ProjectedTestImage = V_Fisher' * V_PCA' * Difference; %計(jì)算歐幾里得幾何距離%Euc_dist = ;for i = 1 : Train_Number q = ProjectedImages_Fisher(:,i); temp = ( norm( ProjectedTestImage - q )2 ; Euc_dist = Euc_dist temp;end Euc_dist2 = ;for i=1 : Class_nu