人臉識別課程設計報告Word版

1、用Matlab實現(xiàn)人臉識別學院：信息工程學院 班級：計科軟件普131 成員：整理為word格式一、問題描述 在一個人臉庫中，有 15 個人，每人有 11 幅圖像。要求選定每一個人的若干幅圖像組成樣本庫，由樣本庫得到特征庫。再任取圖像庫的一張圖片，識別它的身份。 對于一幅圖像可以看作一個由像素值組成的矩陣，也可以擴展開，看成一個矢量。如一幅N*N象素的圖像可以視為長度為N2的矢量，這樣就認為這幅圖像是位于N2維空間中的一個點，這種圖像的矢量表示就是原始的圖像空間，但是這個空間僅是可以表示或者檢測圖像的許多個空間中的一個。不管子空間的具體形式如何，這種方法用于圖像識別的基本思想都是一樣的，首先選擇

2、一個合適的子空間，圖像將被投影到這個子空間上，然后利用對圖像的這種投影間的某種度量來確定圖像間的相似度，最常見的就是各種距離度量。因此，本次采用PCA算法確定一個子空間，最后使用最小距離法進行識別，并用matlab實現(xiàn)。 整理為word格式二、PCA 原理和人臉識別方法1）K-L 變換 K-L 變換以原始數(shù)據(jù)的協(xié)方差矩陣的歸一化正交特征矢量構(gòu)成的正交矩陣作為變換矩陣，對原始數(shù)據(jù)進行正交變換，在變換域上實現(xiàn)數(shù)據(jù)壓縮。它具有去相關性、能量集中等特性，屬于均方誤差測度下，失真最小的一種變換，是最能去除原始數(shù)據(jù)之間相關性的一種變換。PCA 則是選取協(xié)方差矩陣前 k 個最大的特征值的特征向量構(gòu)成 K-L

3、 變換矩陣。 2）主成分的數(shù)目的選取 保留多少個主成分取決于保留部分的累積方差在方差總和中所占百分比(即累計貢獻率)，它標志著前幾個主成分概括信息之多寡。實踐中，粗略規(guī)定一個百分比便可決定保留幾個主成分；如果多留一個主成分，累積方差增加無幾，便不再多留。 3）人臉空間建立 假設一幅人臉圖像包含 N 個像素點，它可以用一個 N 維向量 表示。這樣，訓練樣本庫就可以用 i（i=1，.，M）表示。協(xié)方差矩陣 C 的正交特征向量就是組成人臉空間的基向量，即特征臉。 將特征值由大到小排列：12.r,其對應的特征向量為 k。這樣每一幅人臉圖像都可以投影到由 u1,u2,.,ur張成的子空間中。因此，每一幅

4、人臉圖像對應于子空間中的一點。同樣，子空間的任意一點也對應于一幅圖像。 整理為word格式4）人臉識別 有了這樣一個由特征臉張成的降維子空間，任何一幅人臉圖像都可以向其投影得到一組坐標系數(shù)，這組系數(shù)表明了該圖像在子空間中的位置，從而可以作為人臉識別的依據(jù)。計算數(shù)據(jù)庫中每張圖片在子空間中的坐標，得到一組坐標，作為下一步識別匹配的搜索空間。 計算新輸入圖片在子空間中的坐標，采用最小距離法，遍歷搜索空間，得到與其距離最小的坐標向量，該向量對應的人臉圖像即為識別匹配的結(jié)果。 三、實驗步驟1) 每人選取 4 幅共 60 幅作為訓練樣本，將每一幅圖像（128*128）寫成列向量形式排列成矩陣2) 求協(xié)方差

5、矩陣3) 求協(xié)方差矩陣特征值求特征向量（特征臉）將特征向量排列成變換矩陣4) 計算每幅圖像的投影5) 計算待識別人臉的投影6) 遍歷搜索進行匹配整理為word格式四、實驗結(jié)果與分析matlab 界面效果如下所示 圖 1 用戶使用界面整理為word格式圖 2 選擇圖片圖 3 圖片選擇后整理為word格式圖 4 識別后由于利用了標準庫，并且識別的人數(shù)不是很多，也沒有選擇有大塊左陰影和右陰影的人作為訓練集以及測試，所以最終的結(jié)果還是非常不錯的，識別率可達100%。 但是選擇有較大陰影的人做測試，則會出現(xiàn)識別錯誤，所以 PCA 算法還是存在一定的局限性。 圖 5 識別錯誤主要代碼展示function

6、pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) 整理為word格式% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % read image to be recognize %讀取圖片global im; filename, pathname = uige

7、tfile(*.bmp,choose photo); str = pathname, filename; im = imread(str); axes( handles.axes1); imshow(im); % - Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) 整理為word格式% hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in

8、 a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global im global reference global W %均值向量按列排成的變換矩陣global imgmean %均值向量global col_of_data global pathname global img_path_list % 預處理新數(shù)據(jù) im = double(im(:); objectone = W*(im - imgmean); %計算每幅圖像的投影distance = 100000

9、000; 整理為word格式 % 最小距離法，尋找和待識別圖片最為接近的訓練圖片 for k = 1:col_of_data temp = norm(objectone - reference(:,k); if(distancetemp) aimone = k; distance = temp; aimpath = strcat(pathname, /, img_path_list(aimone).name); axes( handles.axes2 ) imshow(aimpath) end end % 顯示測試結(jié)果 % aimpath = strcat(pathname, /, img_p

10、ath_list(aimone).name); 整理為word格式% axes( handles.axes2 ) % imshow(aimpath) % - Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles s

11、tructure with handles and user data (see GUIDATA) global reference global W global imgmean global col_of_data global pathname 整理為word格式global img_path_list % 批量讀取指定文件夾下的圖片 128*128 pathname = uigetdir; img_path_list = dir(strcat(pathname,*.bmp); img_num = length(img_path_list); imagedata = ; if img_n

12、um 0 for j = 1:img_num img_name = img_path_list(j).name; temp = imread(strcat(pathname, /, img_name); temp = double(temp(:); imagedata = imagedata, temp; end end col_of_data = size(imagedata,2); % 中心化 & 計算協(xié)方差矩陣 整理為word格式imgmean = mean(imagedata,2); for i = 1:col_of_data imagedata(:,i) = imagedata(:,i) - imgmean; end covMat = imagedata*imagedata; COEFF, latent, explained = pcacov(covMat); % 選擇構(gòu)成 95%能量的特征值 i = 1; proportion = 0; while(proportion 95) proportion = propor