基于LBP的人臉識(shí)別算法研究

1、基于LBP的人臉識(shí)別算法研究一、應(yīng)用背景隨著社會(huì)的發(fā)展以及技術(shù)的進(jìn)步，人們對(duì)快速、高效的自動(dòng)身份驗(yàn)證的要求日益迫切，生物識(shí)別技術(shù)在科研領(lǐng)域得到了極大的重視和發(fā)展。在人與人的接觸中，人臉?biāo)囊曈X(jué)信息占據(jù)了重要地位，它無(wú)疑是區(qū)分人與人之間差異的最重要特征之一。相對(duì)于指紋、虹膜、掌紋、步態(tài)、筆跡、聲紋等生物特征，利用人臉來(lái)識(shí)別具有不可比擬的優(yōu)勢(shì)：操作隱蔽，特別適用于安全、監(jiān)控、和抓逃工作；非接觸式采集，無(wú)侵犯性，容易接受；方便、快捷、強(qiáng)大的實(shí)時(shí)追蹤能力；符合人類識(shí)別習(xí)慣，交互性強(qiáng)；應(yīng)用攝像頭即可完成圖像采集，設(shè)備成本較低。人臉識(shí)別屬于計(jì)算機(jī)科研領(lǐng)域的一項(xiàng)熱門(mén)技術(shù)，它是一種基于生物特征的識(shí)別技術(shù)，

2、利用計(jì)算機(jī)從圖像或圖像序列中檢測(cè)出人臉，并判斷其身份。人臉識(shí)別目前主要運(yùn)用在如下三個(gè)方面：第一，刑偵破案方面。例如，公安部門(mén)獲得案犯的照片之后，可以利用人臉識(shí)別技術(shù)在存儲(chǔ)罪犯照片的數(shù)據(jù)庫(kù)中找出最相像的人，即嫌疑犯。第二，證件驗(yàn)證方面。如身份證、駕駛執(zhí)照以及其他很多證件上都有照片，現(xiàn)在這些證件多是人工驗(yàn)證的，如果應(yīng)用人臉識(shí)別技術(shù)，這項(xiàng)任務(wù)就可以交給機(jī)器去完成，從而實(shí)現(xiàn)自動(dòng)化智能管理。第三，人口控制方面。此應(yīng)用范圍很廣，例如可以設(shè)在樓宇單位或者私人住宅入口的安全檢查，也可以是計(jì)算機(jī)系統(tǒng)或者情報(bào)系統(tǒng)等的入口檢查。世界上很多國(guó)家都在積極地開(kāi)展對(duì)人臉識(shí)別技術(shù)的相關(guān)研究，不同的研究機(jī)構(gòu)或研究人員按照不同的

3、劃分標(biāo)準(zhǔn)，對(duì)人臉識(shí)別的研究?jī)?nèi)容的分類不盡相同。在此處按其所研究得具體技術(shù)的范圍可以大致將人臉識(shí)別分為如下四個(gè)方面的內(nèi)容來(lái)進(jìn)行闡述：（1）人臉檢測(cè)，主要的方法有：基于輪廓（或膚色等）信息人臉檢測(cè)方法，基于 Adaboost算法人臉檢測(cè)方法，基于支持向量機(jī)（SVM）人臉檢測(cè)方法以及基于神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)方法等；（2）人臉特征描述與提取即特征提取，主要方法：基于局部二值模式紋理特征提取方法，基于人臉幾何特征的特征提取方法，還有基于主成分特征（PCA）特征提取方法，基于獨(dú)立元特征的特征提取算法， 如 Gabor等，還有 2D 和 3D 形變模型方法等；（3）人臉特征降維，主要方法：線性降維方法如主成分

4、分析 PCA和 LDA (Linear Discriminate Analysis) 等發(fā)展到非線性降維方法如局部線性嵌入(LLE) 、等距嵌入(ISOMAP)、拉普拉斯特征映射(LE)、局部切空間調(diào)整(LTSA)、基于黎曼法坐標(biāo)的快速流形學(xué)習(xí)(FMLBRNC)等；（4）人臉屬性特征分類與人臉識(shí)別，主要的技術(shù)方法包括：最近鄰和 K 近鄰分類，線性判別方法（LDA），核線性判別方法（K-LDA），支持向量機(jī)方法（SVM），人工神經(jīng)網(wǎng)絡(luò)法（ANN），隱馬爾可夫模型方法（HMM）等；人臉識(shí)別算法的選擇深受人臉識(shí)別系統(tǒng)具體應(yīng)用的環(huán)境的影響，同時(shí)不同的應(yīng)用場(chǎng)景對(duì)人臉識(shí)別系統(tǒng)也有著不同的要求，因此不可能存

5、在通用的人臉識(shí)別算法，而是需要綜合所有的情況選擇最適合的人臉識(shí)別算法。二、理論依據(jù)2.1 基于幾何特征的人臉識(shí)別方法基于幾何特征的人臉識(shí)別方法是最早出現(xiàn)的人臉識(shí)別方法之一，主要是利用人臉的五官的形狀以及器官間的幾何位置的關(guān)系，如嘴巴、鼻子、眼睛等人臉器官的局部形狀特征以及其幾何位置關(guān)系特征進(jìn)行識(shí)別。幾何特征的人臉識(shí)別方法主要是采用人臉器官的結(jié)構(gòu)的先驗(yàn)知識(shí)來(lái)提取以器官形狀以及器官間的空間位置關(guān)系為基礎(chǔ)的特征，構(gòu)成人臉特征向量，此類方法的實(shí)質(zhì)就是提取出的幾何特征向量間的匹配。基于幾何特征的人臉識(shí)別方法原理比較簡(jiǎn)單，只是用到人臉器官的形狀特征和器官間幾何特征，算法思想也容易理解，但是識(shí)別效果不理想同

6、時(shí)魯棒性也較差。原因有二：第一，只是簡(jiǎn)單的采用人臉器官的形狀特征和器官間幾何特征，人臉圖像中保留的信息量過(guò)少，根本就不利于后期的人臉識(shí)別工作的展開(kāi)；第二，由于人臉容易受環(huán)境因素的影響如光照、物體遮擋、姿態(tài)等，大部分情況下是很難進(jìn)行五官特征的精確分割和提取工作。2.2 基于統(tǒng)計(jì)特征的人臉識(shí)別方法由于人臉圖像容易受到環(huán)境因素的影響如光照、障礙物遮擋、姿態(tài)變化和表情變化等，另外人臉圖像中富含豐富的特征信息，如采用像基于幾何特征的方法很難去準(zhǔn)確的描述人臉圖像信息。而近年來(lái)比較流行的基于統(tǒng)計(jì)特征的人臉識(shí)別方法，可以得到不錯(cuò)的識(shí)別效果?；诮y(tǒng)計(jì)特征的人臉識(shí)別方法通常是采用某種映射方法將原圖像空間中的像素點(diǎn)

7、映射到另一個(gè)投影空間中去，而原空間向量稱之為空間域向量，被映射 到的投影子空間的那個(gè)向量被稱之為變換域向量，此方法的目的也顯而易見(jiàn)，便是尋找一種兩個(gè)空間域變換的最優(yōu)表示，可以把這個(gè)經(jīng)過(guò)空間域變換后的優(yōu)化的那個(gè)向量稱之為特征圖像，經(jīng)過(guò)空間域的變換使得每類樣本在變換后的分布更加具有規(guī)律可循，當(dāng)然對(duì)于進(jìn)行人臉識(shí)別也更加有利?；诮y(tǒng)計(jì)特征的人臉識(shí)別的方法具有代表性的有主成分分析方法(PCA)、獨(dú)立分量分析(ICA)以及線性鑒別分析方法(LDA)。（1）主成分分析方法（PCA）主成分分析(簡(jiǎn)稱 PCA)是一種常用的基于變量協(xié)方差矩陣對(duì)信息進(jìn)行處理、壓縮和抽提的有效方法。我們從數(shù)學(xué)角度來(lái)進(jìn)行定義解釋 PC

8、A 算法：假設(shè)給定 N 個(gè)點(diǎn)，然后將這些高維空間(D維)里的點(diǎn)被映射到低維空間(d維)后對(duì)應(yīng)的點(diǎn)為，此處dD，此時(shí)從將向量從D維空間映射到d維空間。PCA 算法核心思想是通過(guò)尋找一組最優(yōu)的單位正交子空間，而用來(lái)表征此單位正交子空間的單位正交向量則稱之為 PCA 的主成分，讓原樣本空間的向量通過(guò)主成分的線性組合轉(zhuǎn)換到此正交空間中來(lái)，使得新的樣本和原樣本之間滿足 PCA 模型定義的優(yōu)化標(biāo)準(zhǔn)，比如最小化重構(gòu)誤差、距離保持和最大化方差保留等，而最常用的優(yōu)化標(biāo)準(zhǔn)是最小化重構(gòu)誤差。PCA 方法最大的優(yōu)勢(shì)就是可以將圖像的特征進(jìn)行降維，降維后進(jìn)行識(shí)別，可以大大的加快人臉識(shí)別的速度。PCA 方法的缺點(diǎn)也很明顯，

9、它要求人臉圖像都是正面人臉，不這樣的話，PCA 算法的人臉識(shí)別效果就會(huì)大不如人意，這也是該算法的最大不足之處。（2）獨(dú)立分量分析（ICA）獨(dú)立主元分析法 (Independent Component Analysis，ICA)主要應(yīng)用于信號(hào)分離技術(shù)中，采用 ICA 方法可以得到信號(hào)中的二階和高階的統(tǒng)計(jì)信息，而對(duì)于人臉圖像來(lái)講，許多重要局部紋理信息包含在高階統(tǒng)計(jì)信息中，所以 ICA 被嘗試著用來(lái)描述人臉圖像中的高階局部紋理信息。獨(dú)立分量分析計(jì)算量比較大且計(jì)算復(fù)雜，因此該算法實(shí)時(shí)性不足；同時(shí)對(duì)于獨(dú)立分量的選擇，由于目前還沒(méi)有一個(gè)較好的算法來(lái)對(duì)其進(jìn)行選擇，一般都是依據(jù)經(jīng)驗(yàn)來(lái)選取，這也一定程度上限制了

10、 ICA 算法在人臉識(shí)別領(lǐng)域的應(yīng)用。（3）線性鑒別分析方法（LDA）基于線性鑒別分析的人臉識(shí)別方法的基本思想是尋找一個(gè)適當(dāng)?shù)腇isher函數(shù)，使得原樣本空間在該Fisher函數(shù)的方向上的投影后的樣本空間達(dá)到最優(yōu)，即在投影后達(dá)到使得樣本的類間離散度最大和類內(nèi)離散度最小的目的。LDA方法的目標(biāo)是通過(guò)在高維特征空間中去尋找最優(yōu)的低維特征，所選擇最優(yōu)的低維特征需滿足樣本類間離散度和樣本類內(nèi)離散度的比值達(dá)到最大。LDA 算法應(yīng)用于人臉識(shí)別領(lǐng)域時(shí)，仍然存在圖像列向量維數(shù)過(guò)高的問(wèn)題，這使得很難甚至是無(wú)法求解 LDA 的特征方程。2.3 基于機(jī)器學(xué)習(xí)的人臉識(shí)別方法基于機(jī)器學(xué)習(xí)的人臉識(shí)別算法中，用于分類和識(shí)別的

11、人臉的特征是通過(guò)機(jī)器學(xué)習(xí)算法從預(yù)先建立好的人臉樣本特征庫(kù)中學(xué)習(xí)而來(lái)，當(dāng)然這些訓(xùn)練學(xué)習(xí)得到的人臉特征的分布規(guī)律和特征的判別函數(shù)會(huì)隨著所選擇的學(xué)習(xí)算法的不同會(huì)有所不同。下面將主要介紹基于人工神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別學(xué)習(xí)算法和基于支持向量機(jī)的人臉識(shí)別學(xué)習(xí)算法。（1）基于人工神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別學(xué)習(xí)算法人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)的人臉識(shí)別方法首先將人臉灰度化處理得到人臉的灰度圖，然后充分利用了神經(jīng)網(wǎng)絡(luò)在表現(xiàn)人臉圖像中細(xì)微的形狀信息方面的優(yōu)勢(shì)來(lái)描述人臉特征，同這樣避免了一般人臉識(shí)別方法中需要采取復(fù)雜的特征提取工作。ANN 方法很少用在人臉特征提取方面，同時(shí)如果樣本

12、的類別過(guò)大還會(huì)出現(xiàn)過(guò)擬合和過(guò)學(xué)習(xí)等問(wèn)題。但是其在人臉圖像中細(xì)微的形狀信息方面的優(yōu)勢(shì)，使得 ANN 算法對(duì)于特征分類和識(shí)別方面有著自己得天獨(dú)厚的優(yōu)勢(shì)。（2）基于支持向量機(jī)的人臉識(shí)別學(xué)習(xí)算法支持向量機(jī)(support vector machine，SVM)的人臉識(shí)別學(xué)習(xí)算法，是目前最熱門(mén)的機(jī)器學(xué)習(xí)算法之一，基本的算法的思想是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理尋找最優(yōu)分類面，該分類面是能夠?qū)⒉煌惖臉颖驹跇颖究臻g分隔的超平面。SVM是由線性可分的兩類分類問(wèn)題的最優(yōu)分類面發(fā)展而來(lái)，對(duì)于多類的分類問(wèn)題，也可以轉(zhuǎn)化為多個(gè)二類問(wèn)題，它的基本思想可以用下圖 2-1 的二維情況所示。圖 2-1 最大間隔分類超平面在二維線性

13、空間中，線性判別函數(shù)的一般形式為：，其中，最優(yōu)分類線 的方程的規(guī)范化形式為：。上圖 2-1 中黑空心圓和白空心圓分別代表著不同的兩類樣本，L是用來(lái)劃分兩類樣本的直線，稱其為分類線，L1和L2分別為過(guò)黑白兩類樣本的同時(shí)離分類線L最近且平行與L的直線，L1和L2兩直線間的距離稱之為兩類樣本的分類間隔。而最大間隔分類線是，不但能正確分開(kāi)不同類的樣本，同時(shí)分類間隔達(dá)到最大值。由直線間的數(shù)學(xué)定理可證得：L1和L2之間的距離為：，即分類間隔為 。SVM 具有非常好的分類效果，但是如果直接使用 SVM 進(jìn)行人臉識(shí)別，會(huì)遇到很大的計(jì)算困難，首先遇到的問(wèn)題便是在訓(xùn)練 SVM 的時(shí)候，需要去求解二次規(guī)劃的問(wèn)題，該

14、二次規(guī)劃的問(wèn)題的求解計(jì)算復(fù)雜度極高，就目前而言對(duì)于二次規(guī)劃的求解并沒(méi)有什么很好的方法；其次是當(dāng)訓(xùn)練樣本個(gè)數(shù)較大時(shí)，會(huì)得到的大量的支持向量，使分類器計(jì)算量過(guò)高。2.4 基于局部模式的人臉識(shí)別方法在比較理想的外界環(huán)境中，上述所提出的傾向于整體的人臉圖像識(shí)別算法可以達(dá)到不錯(cuò)的效果，但是真實(shí)的環(huán)境中，人臉圖像需要受到環(huán)境的干擾，比如圖像曝光問(wèn)題、光照問(wèn)題、人臉表情多變問(wèn)題以及遮擋問(wèn)題等，這些都嚴(yán)重的影響著人臉識(shí)別算法的識(shí)別準(zhǔn)確率和識(shí)別效率。而人臉局部特征信息如人臉局部的紋理特征、人臉局部灰度特征、人臉局部輪廓特征等對(duì)光照、人臉表情變化以及遮擋具有著良好魯棒性。LBP 特征是描述一個(gè)局部區(qū)域的紋理特征非

15、常好的方法，本質(zhì)上來(lái)講，LBP 也是一種統(tǒng)計(jì)特征，所以穩(wěn)定行好，通用性強(qiáng)。它能很好的描述一個(gè)局部區(qū)域的紋理特征，由于它采用的是統(tǒng)計(jì)的方式，所以，有一定的抗旋轉(zhuǎn)能力，能承受一定的光照影響。該特征提取方法，有著良好的效果且它具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點(diǎn)，所以很適合用于人臉識(shí)別領(lǐng)域?；?LBP 算法的人臉識(shí)別，可以非常好的對(duì)人臉的局部區(qū)域的紋理特征進(jìn)行描述，但是對(duì)人臉的整體特征的描述力不足。3、 人臉識(shí)別算法設(shè)計(jì)方案3.1算法總體設(shè)計(jì)此算法的核心是采用 LBP 算法對(duì)人臉區(qū)域?qū)y理特征進(jìn)行提取然后進(jìn)行特征分類識(shí)別，不過(guò)因?yàn)槿四槄^(qū)域有顯著特征和非顯著特征之分，比如人眼、鼻子、嘴唇和眉毛這四

16、大區(qū)域所產(chǎn)生的特征占有著整個(gè)人臉圖像中有利于人臉?lè)诸愖R(shí)別的特征的 80%以上，但是這四大區(qū)域在人臉圖像中所占有的面積卻不到 50%，而 LBP 算法本身并無(wú)法做到對(duì)不同特征區(qū)域采用不同的 LBP 算子進(jìn)行編碼。算法首先對(duì)人臉區(qū)域進(jìn)行分塊，區(qū)分出重要特征區(qū)域和非重要特征區(qū)域然后采用不同模式的 LBP 算子進(jìn)行特征提取的策略，最后對(duì)特征進(jìn)行降維和分類識(shí)別。主要步驟為：第一步：人臉區(qū)域劃分，從人臉圖像中劃分出重要區(qū)域矩形包括人眼、鼻子、嘴唇和眉毛四大區(qū)域矩形，其他的區(qū)域歸為非重要區(qū)域；第二步：分類LBP特征提取，對(duì)重要區(qū)域采用對(duì)紋理信息描述力更強(qiáng)的 LBP 算子進(jìn)行紋理特征提取，而對(duì)非重要區(qū)域采用對(duì)

17、紋理信息描述力一般的 LBP 算子進(jìn)行紋理特征提?。坏谌剑篜CA特征降維，對(duì)上一步中提取的 LBP 紋理特征進(jìn)行降維；第四步：SVM分類識(shí)別，對(duì)降維后的特征進(jìn)行紋理分類。3.2算法實(shí)現(xiàn)3.2.1 人臉區(qū)域劃分主要是訓(xùn)練采用不同的正負(fù)樣本庫(kù)和 Adaboost 算法訓(xùn)練出人眼、鼻子、嘴唇和眉毛四個(gè)最優(yōu)分類器，然后對(duì)輸入的人臉圖像就行檢測(cè)，檢測(cè)出對(duì)應(yīng)的區(qū)域矩形，然后將這四類特征矩形的坐標(biāo)輸入到第二模塊進(jìn)行 LBP特征提取。3.2.2 分類 LBP 特征提取分類 LBP 特征提取模塊除了根據(jù)上步中提供的人臉重要區(qū)域和非重要區(qū)域矩形分別采用不同的 LBP 算子外，對(duì)于 LBP 特征提取本身 ALPS

18、 算法擬采用基于 uniform（統(tǒng)一）模式的 LBP 的空間增強(qiáng)直方圖算法。圖像局部的紋理特征由局部像素灰度值之間的關(guān)系來(lái)表現(xiàn)，首先，計(jì)算圖像中每個(gè)像素與其局部鄰域點(diǎn)在灰度上的二值關(guān)系；其次，對(duì)二值關(guān)系按一定規(guī)則加權(quán)形成局部二值模式；最后，采用多區(qū)域直方圖序列作為圖像的特征。這種局部紋理特征可由下面T算子進(jìn)行描述：將二進(jìn)制 乘以相應(yīng)的權(quán)值2p，然后累加求和就可以得到以點(diǎn)為中心，R為半徑鄰域的紋理特征T描述：接下來(lái)將求解該特征描述的直方圖。將人臉圖像設(shè)為，將其分解成不同的若干個(gè)區(qū)域 ，則該圖像的直方圖定義如下：其中 表示從圖像劃分的區(qū)域 中屬于第i個(gè) bin 的個(gè)數(shù)，n 為L(zhǎng)BP的統(tǒng)計(jì)模式特征

19、個(gè)數(shù)，D為圖像劃分的區(qū)域的個(gè)數(shù)。圖 4-1人臉經(jīng)統(tǒng)一模式 LBP 編碼圖LBP直方圖描述的整體統(tǒng)計(jì)紋理信息，可以用直方圖去分別統(tǒng)計(jì)每個(gè)局部區(qū)域或重要特征區(qū)域的直方圖信息，然后利用原先人臉圖像的位置信息，拼接各個(gè)直方圖信息，最后描述整幅人臉圖像的紋理信息。整個(gè)分塊uniform模式的LBP的空間增強(qiáng)直方圖算法的效果如圖 4-1 所示。人臉圖像經(jīng)uniform模式的LBP的空間增強(qiáng)直方圖編碼后人臉的眼鏡、眉毛、鼻子、嘴巴等特征比較明顯，而其他地方則大部分信息被濾除。3.2.3 PCA特征降維假設(shè)此時(shí)共有n幅樣本人臉圖片參與特征提取工作，將圖像的LBP模式直方圖看做一向量，并把所有合并為一矩陣H，那

20、么H就是Dn的矩陣?，F(xiàn)在就是要采用 PCA 算法對(duì)Dn的矩陣H進(jìn)行降維，降維后的矩陣稱之為，使得的矩陣規(guī)模遠(yuǎn)小于矩陣H的規(guī)模。令，其中 稱之為投影變換矩陣。根據(jù)PCA降維理論，求解投影變換矩陣W需要以下步驟（樣本從D維降到d維）：步驟1：計(jì)算散布矩陣S步驟 2：計(jì)算散布矩陣S的本征值和本征向量步驟 3：按本征值的大小，從大到小對(duì)其對(duì)應(yīng)的本征向量進(jìn)行排序。步驟 4：選擇其中最大的d個(gè)本征值對(duì)應(yīng)的本征向量，并將其作為投影向量，構(gòu)成Dd投影矩陣W。經(jīng)過(guò)上面的四個(gè)步驟LBP提取的特征矩陣H的D維向量，降維d維的特征矩陣為，其中dD。圖（1）原始人臉 圖（2）經(jīng)分塊 uniform 模式 LBP 的空

21、圖（3）PCA 特征 間增強(qiáng)直方圖算法提取后的特征圖像圖 4-2 基于 PCA 降維和分塊 LBP 特征提取人臉效果圖實(shí)驗(yàn)結(jié)果如上圖所示，圖（1）是原始人臉圖像，圖（2）是采用分塊 uniform 模式的 LBP圖像的空間增強(qiáng)直方圖算法就行特征提取的人臉圖像，圖（3）是經(jīng)過(guò) PCA 降維的特征圖像?？梢钥闯鼋?jīng)過(guò) PCA 降維的人臉的眼、鼻和嘴等重要部位特征依然被保留在圖像中，而圖像中的總體的信息量已明顯減少，說(shuō)明經(jīng) PCA 降維的特征提取取得了良好的效果。3.2.4 SVM 分類識(shí)別模塊由PCA特征降維可知，人臉圖像特征矩陣H的D維向量，降維d維的特征矩陣為。對(duì)于特征矩陣的 n 類樣本分類求解

22、問(wèn)題，可以把這n類分類劃分為多個(gè)兩類分類問(wèn)題，每類分類問(wèn)題可以構(gòu)建一個(gè)最小支持向量機(jī)，那么對(duì)于 n 類分類問(wèn)題需要構(gòu)建N=n(n-1)/2個(gè)最小支持向量機(jī)。在構(gòu)造任意兩類樣本的最小支持向量機(jī)分類器時(shí)如p 和q類，可以選取將屬于第p類的訓(xùn)練樣本數(shù)據(jù)標(biāo)記記為+1，將屬于第q類的訓(xùn)練樣本數(shù)據(jù)標(biāo)記為-1，這樣就可以訓(xùn)練出這兩類樣本數(shù)據(jù)的最小支持向量機(jī)用于人臉?lè)诸悺．?dāng)人臉待測(cè)樣本經(jīng)過(guò)N=n(n-1)/2個(gè)這樣的兩類最小支持向量機(jī)分類之后，便可確定其所屬人臉樣本庫(kù)的最終類別，即達(dá)到人臉?lè)诸愖R(shí)別的目的。四、實(shí)驗(yàn)結(jié)果及分析為了從整體角度去考察上述人臉識(shí)別算法所實(shí)現(xiàn)的人臉識(shí)別的性能和準(zhǔn)確率，依次完成人臉特征庫(kù)的

23、建立、特征訓(xùn)練和特征分類識(shí)別，輸出識(shí)別結(jié)果和統(tǒng)計(jì)結(jié)果（通常包括每幅人臉圖片識(shí)別的結(jié)果、識(shí)別用時(shí)等）。本文還將是否采用 PCA 算法進(jìn)行降維，進(jìn)行了對(duì)比測(cè)試。此處我們選用ORL人臉庫(kù)提供的4010幅圖片，分別從這40個(gè)人的人臉庫(kù)中選出6張作為訓(xùn)練人臉樣本，剩下的4張作為待識(shí)別人臉樣本，如下圖 4-1 所示。圖 4-1 人臉樣本圖采用如上方法對(duì)該算法進(jìn)行測(cè)試，并對(duì)測(cè)試的結(jié)果進(jìn)行統(tǒng)計(jì)，結(jié)果如下表 4-2 所示。表 4-2 人臉識(shí)別系統(tǒng)的性能測(cè)試結(jié)果從表 4-2 可以看到該智能人臉識(shí)別算法的平均識(shí)別速度大概在 0.332s 左右，識(shí)別率為93.13%。1）如果不采用 PCA 算法進(jìn)行降維，由于此時(shí)人臉特征信息