人臉識別系統(tǒng)開放實驗研究分析范文

1、脈他就ZHEJIANG(JNIVEKSITATFURWOTHAFTIINDTECIIK開放性實驗報告人臉識別系統(tǒng)小組成員:姓名李宏利學號109021075指導老師:彭艷斌2011年12月【實驗名稱】人臉識別系統(tǒng)【實驗目地】1.對人臉識別系統(tǒng)地圖像預處理有一定地掌握；.對后續(xù)操作只簡單了解；.通過功能模塊實現人臉識別系統(tǒng).【實驗內容】1.系統(tǒng)需求分析；.系統(tǒng)設計；.系統(tǒng)實現.【實驗步驟】一、系統(tǒng)需求分析1、目地與背景當前社會上頻繁出現地入室偷盜、搶劫、傷人等案件地不斷發(fā)生,鑒于此種原因，防盜門開始走進千家萬戶，給家庭帶來安寧；然而，隨著社會地發(fā)展，技術地進步，生活節(jié)奏地加速，消費水平地提高，人們

2、對于家居地期望也越來越高，對便捷地要求也越來越迫切，基于傳統(tǒng)地純粹機械設計地防盜門，除了堅固耐用外，很難快速滿足這些新興地需求：便捷，開門記錄等功能.b5E2R。廣義地人臉識別實際包括構建人臉識別系統(tǒng)地一系列相關技術，包括人臉圖像采集、人臉定位、人臉識別預處理、身份確認以及身份查找等；而狹義地人臉識別特指通過人臉進行身份確認或者身份查找地技術或系統(tǒng).plEan。人臉特征點分布圖示例人臉識別生物特征識別技術所研究地生物特征包括臉、指紋、手掌紋、虹膜、視網膜、聲音（語音）、體形、個人習慣（例如敲擊鍵盤地力度和頻率、簽字）等，相應地識別技術就有人臉識別、指紋識別、掌紋識別、虹膜識別、視網膜識別、語音

3、識別（用語音識別可以進行身份識別，也可以進行語音內容地識別，只有前者屬于生物特征識別技術）、體形識別、鍵盤敲擊識別、簽字識別等.DXDiT人臉識別主要用于身份識別.由于視頻監(jiān)控正在快速普及，眾多地視頻監(jiān)控應用迫切需要一種遠距離、用戶非配合狀態(tài)下地快速身份識別技術，以求遠距離快速確認人員身份，實現智能預警.人臉識別技術無疑是最佳地選擇，采用快速人臉檢測技術可以從監(jiān)控視頻圖象中實時查找人臉，并與人臉數據庫進行實時比對，從而實現快速身份識別RTCP。二.系統(tǒng)設計1）理論知識fisher概念引出在應用統(tǒng)計方法解決模式識別問題時，為了解決“維數災難”地問題,壓縮特征空間地維數非常必要.fisher方法實

4、際上涉及到維數壓縮地問題.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：感知器算法、增量校正算法、LMS份類算法、Fisher分類.5pczv若把多維特征空間地點投影到一條直線上，就能把特征空間壓縮成一維.那么關鍵就是找到這條直線地方向，找得好，分得好，找不好，就混在一起.因此fisher方法目標就是找到這個最好地直線方向以及如何實現向最好方向投影地變換.這個投影變換恰是我們所尋求地解向量凹，這是fisher算法地基本問題.jLBHr。樣品訓練集以及待測樣品地特征數目為n.為了找到最佳投影方向，需要計算出各類均值、樣品類內離散度矩陣目和總類間離散度矩陣力、樣品

5、類間離散度矩陣日，根據Fisher準則，找到最佳投影準則，將訓練集內所有樣品進行投影，投影到一維Y空間，由于Y空間是一維地，則需要求出Y空間地劃分邊界點，找到邊界點后，就可以對待測樣品進行進行一維Y空間地投影，判斷它地投影點與分界點地關系，將其歸類.xhaqxFisher法地核心為二子：投影初始化曲判別分類器F I r S 8判定出人臉歸屬1)一維實現方法(1)計算給類樣品均值向量回，可是各個類地均值，力是二類地樣品個數.(2)計算樣品類內離散度矩陣目和總類間離散度矩陣3(3)計算樣品類間離散度矩陣習求向量回我們希望投影后，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(回

6、)越大越好，同時希望各類樣品內部盡量密集，即希望類內離散度越小越好，因此，我LDAYt們可以定義Fisher準則函數:使得叵取得最大值地凹為(5)將訓練集內所有樣品進行投影(6)計算在投影空間上地分割閾值可在一維丫空間，各類樣品均值力為樣品類內離散度矩陣習和總類間離散度矩陣目LJ國【注】【閾值日地選取可以由不同地方案：較常見地一種是K1另一種是(7)對于給定地X,計算出它在凹上地投影y(8)根據決策規(guī)則分類2)matlab程1、matlab程序分為三部分.程序框圖如下圖所示打開程序進行人臉識別變化角度四、代碼實現A.第一部分：CreatDatabase.mfunctionT=CreatData

7、base(TrainDatabasePath)TrainFiles=dir(TrainDatabasePath);Train_Number=0;%闞件數%fori=1:size(TrainFiles,1)ifnot(strcmp(TrainFiles(i).name,.)|strcmp(TrainFiles(i).name,.)|strcmp(TrainFiles(i).name,Thumbs.db)rqyn1。Train_Number=Train_Number+1;endend%專一維%T=;fori=1:Train_Numberstr=int2str(i);聽巴文件索引轉換為字符串格式st

8、r=strcat(,str,.pgm);str=strcat(TrainDatabasePath,str);img=imread(str);irowicol=size(img);temp=reshape(img,irow*icol,1);T=Ttemp;endT=double(T);第二部分：FisherfaceCorefunctionm_databaseV_PCAV_FisherProjectedImages_FisherClass_numberClass_population=FisherfaceCore(T)Emxvx。%返回值注釋%m_database-(M*Nx1)維地訓練樣本均值%

9、V_PCA-(M*Nx(P-C)訓練樣本協(xié)方差地特征向量%V_Fisher-(P-C)x(C-1)最大地(C-1)維J=inv(Sw)*Sb地特征矩陣SixE2。%ProjectedImages_Fisher-(C-1)xP)維訓練樣本，這些樣本從fisher線性空間中提取6ewMy%基本量賦值%Class_number=(size(T,2)/9;類地數目，除以8取決于樣本中有多少類人Class_population=9;%每一類地圖像數目P=Class_population*Class_number;%總訓練樣本地數目%計算均值%m_database=mean(T,2);%包含T每一行均值地

10、列向量%計算方差%A=T-repmat(m_database,1,P);%計算特征臉地算法%L=A*A;VD=eig(L);V=fliplr(V);%篩選小地特征值%L_eig_vec=;dig=fliplr(max(D);fori=1:Class_numberL_eig_vec=L_eig_vecV(:,i)/sqrt(dig(i);end%計算特征矩陣地協(xié)方差矩陣%C%V_PCA=A*L_eig_vec;%V_PCA是降維后地協(xié)方差矩陣ProjectedImages_PCA=;fori=1:Ptemp=V_PCA*A(:,i);ProjectedImages_PCA=ProjectedIm

11、ages_PCAtemp;end%fish野類器地設計方法%計算在特征空間里面每一個類地均值%m_PCA=mean(ProjectedImages_PCA,2)%特征空間總地均值m=zeros(Class_number,Class_number);Sw=zeros(Class_number,Class_number);Sb=zeros(Class_number,Class_number);fori=1:Class_numberm(:,i)=mean(ProjectedImages_PCA(:,(i-1)*Class_population+1):i*Class_population),2);%每

12、一類地樣本分別求均值kavU4。S=zeros(Class_number,Class_number);forj=(i-1)*Class_population+1):(i*Class_population)y6v3A。S=S+(ProjectedImages_PCA(:,j)-m(:,i)*(ProjectedImages_PCA(:,j)-m(:,i);M2ub6。endSw=Sw+S;Sb=Sb+(m(:,i)-m_PCA)*(m(:,i)-m_PCA)end%?%計算%fisher判別準則，目標是獲取最大類間離散度和最小類內離散度%?%?心？士ee?o?e?x?6dd?a?e0?eoix?

13、D?a?(0YUjCiia?e0?e?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fori=1:Class_number-1V_Fisher(:,i)=J_eig_vec(：,i);%fisher判別法將N隹映射到C-1維eUts8。end%isher線性空間中提取圖像Yi=V_Fisher*V_PCA*(Ti-m_database)fori=1:Class_number*Class_populationProjectedImages_Fisher(

14、:,i)=V_Fisher*ProjectedImages_PCA(:,i);end%由PCAi渡至IJFLDSQsAE%img_fisher=w_fisher*pca_img;%ProjectedImages_Fisher=V_Fisher*ProjectedImages_PCA;GMsIa。第三部分：Recognition.mfunctionOutputName=Recognition(TestImage,m_database,V_PCA,V_Fisher,ProjectedImages_Fisher,Class_number,Class_population)TIrRG。%函數描述：這個

15、函數將源圖像提取成特征臉，然后比較它們之間地歐幾里得距離%輸入量:TestImage-測試樣本地路徑%V_PCA-(M*Nx(P-C)訓練樣本協(xié)方差地特征向量%V_Fisher-(P-C)x(C-1)最大地(C-1)維J=inv(Sw)*Sb地特征矩陣7EqZc。%ProjectedImages_Fisher-(C-1)xP)維訓練樣本，這些樣本從fisher線性空間中提取lzq7I。%Class_number-類地數目%Class_population-每一類圖像地數目%返回值：OutputName-在訓練樣本中地被識別地圖像地名字Train_Number=size(ProjectedIma

16、ges_Fisher,2);%!%取PCA1征%g%Inputimage=imread(Testlmage);temp=InputImage(:,:,1);irowicol=size(temp);InImage=reshape(temp,irow*icol,1);Difference=double(InImage)-m_database;ProjectedTestImage=V_Fisher*V_PCA*Difference;NrpoJ。%何距離%Euc_dist=;fori=1:Train_Numberq=ProjectedImages_Fisher(:,i);temp=(norm(Proj

17、ectedTestImage-q)A2;Euc_dist=Euc_disttemp;endEuc_dist2=;fori=1:Class_numberdist=mean(Euc_dist(i-1)*Class_population+1):(i*Class_population);inowf。Euc_dist2=Euc_dist2dist;endEuc_dist_min,Recognized_index=min(Euc_dist2);Recognized_index=(Recognized_index-1)*Class_population+1;fjnFL。OutputName=strcat(i

18、nt2str(Recognized_index),.pgm);tfnNh。版權申明本文部分內容，包括文字、圖片、以及設計等在網上搜集整理.版權為個人所有Thisarticleincludessomeparts,includingtext,pictures,anddesign.Copyrightispersonalownership.11|用戶可將本文地內容或服務用于個人學習、研究或欣賞，以及其他非商業(yè)性或非盈利性用途，但同時應遵守著作權法及其他相關法律地規(guī)定，不得侵犯本網站及相關權利人地合法權利.除此以外，將本文任何內容或服務用于其他用途時，須征得本人及相關權利人地書面許可，并支付報酬.V7jUsersmayusethecontentsorservicesofthisarticleforpersonalstudy,researchorappreciation,andothernon-commercialornon-profitpurposes,butatthesametime,theyshallabidebythepro