PAC算法的人臉識(shí)別應(yīng)用

1、Seminar 課程課外研學(xué)學(xué)分認(rèn)定書學(xué)生姓名： 學(xué)號(hào)： 所在院系：一、課程相關(guān)信息課程名稱授課教師職稱所在單位圖像識(shí)別和機(jī)器視覺夏思雨?yáng)|南大學(xué)自動(dòng)化學(xué)院二、課程研討的主要課題數(shù)字水印，人臉識(shí)別，圖像識(shí)別三、論文題目PAC算法的人臉識(shí)別應(yīng)用四、論文摘要（200字）在計(jì)算機(jī)科學(xué)建立以來，圖像識(shí)別技術(shù)一直是其重要的研究領(lǐng)域，從簡(jiǎn)單的水印加密技術(shù)到較為 復(fù)雜的指紋識(shí)別，文字識(shí)別等，圖像識(shí)別技術(shù)已經(jīng)深入到我們的工作與生活之中。在圖像識(shí)別技 術(shù)領(lǐng)域中，人臉識(shí)別一直是一個(gè)重要的研究方向。在本次實(shí)驗(yàn)中將運(yùn)用PAC算法，通過數(shù)據(jù)統(tǒng)計(jì) 來完成對(duì)人臉的識(shí)別，并對(duì)這種識(shí)別技術(shù)進(jìn)行初步的性能分析。五、與課程相關(guān)的研學(xué)

2、材料清單：文獻(xiàn)綜述或調(diào)研報(bào)告份，與課程相關(guān)的論文1份答辯報(bào)告（含ppt）份，其他份六、對(duì)論文或報(bào)告的評(píng)閱意見：1、 有無(wú)調(diào)研原始資料有；無(wú)；2、 論文或報(bào)告質(zhì)量（內(nèi)容、工作量、規(guī)范性）優(yōu)秀；良好； 通過； 不通過；3、 有無(wú)抄襲現(xiàn)象有；無(wú)；4、評(píng)閱意見：任課課教師簽字：年月日七、對(duì)學(xué)分認(rèn)定的意見： 0學(xué)分口0.5學(xué)分口1.0學(xué)分任課課教師簽字：年月日注：1、表頭及第一至五項(xiàng)由學(xué)生填寫，第六、七項(xiàng)由任課教師填寫；2、學(xué)生將研學(xué)材料（文獻(xiàn)綜述或調(diào)研報(bào)告、論文）與本表格一并提交任課教師PAC 算法的人臉識(shí)別應(yīng)用摘 要：在計(jì)算機(jī)科學(xué)建立以來，圖像識(shí)別技術(shù)一直是其重要的研究領(lǐng)域，從簡(jiǎn)單 的水印加密技術(shù)到

3、較為復(fù)雜的指紋識(shí)別，文字識(shí)別等，圖像識(shí)別技術(shù)已經(jīng) 深入到我們的工作與生活之中。在圖像識(shí)別技術(shù)領(lǐng)域中，人臉識(shí)別一直是 一個(gè)重要的研究方向。在本次實(shí)驗(yàn)中將運(yùn)用 PAC 算法，通過數(shù)據(jù)統(tǒng)計(jì)來完 成對(duì)人臉的識(shí)別，并對(duì)這種識(shí)別技術(shù)進(jìn)行初步的分析。關(guān)鍵詞：圖像識(shí)別；人臉識(shí)別；PAC算法Abstract: Since the establishment of computer science, image recognition technology has been an important area of research, ranging from simple to more complex enc

4、ryption technology watermark fingerprint recognition, text recognition, image recognition technology has penetrated into our work and life. In the field of image recognition technology, face recognition has been an important research direction. In this experiment the use of PAC in the algorithm, by

5、identifying statistical data to complete the human face recognition, and this recognition technology to conduct a preliminary analysis.Keywords: image recognition; recognition; PAC algorithm目錄 TOC o 1-5 h z HYPERLINK l bookmark6 o Current Document 實(shí)驗(yàn)介紹 4 HYPERLINK l bookmark8 o Current Document 實(shí)驗(yàn)意義

6、 4 HYPERLINK l bookmark10 o Current Document 研究背景 4 HYPERLINK l bookmark12 o Current Document 國(guó)內(nèi)外研究現(xiàn)狀 4 HYPERLINK l bookmark14 o Current Document 實(shí)驗(yàn)設(shè)計(jì) 5 HYPERLINK l bookmark16 o Current Document 設(shè)計(jì)流程 5PCA 介紹 6 HYPERLINK l bookmark26 o Current Document 設(shè)計(jì)思路 7 HYPERLINK l bookmark34 o Current Document

7、 實(shí)驗(yàn)分析 83.1 樣本選取 8特征臉 8 HYPERLINK l bookmark38 o Current Document 投影矩陣選取 9人臉重建 10匹配函數(shù) 10 HYPERLINK l bookmark46 o Current Document 干擾分析 12 HYPERLINK l bookmark50 o Current Document 實(shí)驗(yàn)結(jié)論 13 HYPERLINK l bookmark52 o Current Document 參考文獻(xiàn) 13附錄 141.實(shí)驗(yàn)介紹實(shí)驗(yàn)意義人臉識(shí)別，是一種基于人臉面部特征信息對(duì)其身份信息的確認(rèn)與識(shí)別的生物識(shí) 別技術(shù)，利用通過攝像機(jī)，攝

8、像頭所得圖像甚至是畫像來對(duì)目標(biāo)進(jìn)行跟蹤捕捉，身份 識(shí)別，信息記憶等一系列技術(shù)的統(tǒng)稱，又稱作面部識(shí)別，人像識(shí)別。傳統(tǒng)的人臉識(shí)別技術(shù)主要針對(duì)可見光部分的識(shí)別，這也是我們最熟悉的識(shí)別方 法，該種方法在經(jīng)過長(zhǎng)久的發(fā)展后，已經(jīng)有了較為完善的識(shí)別系統(tǒng)，但是這種識(shí)別方 法有很大的缺陷。在不同的光照條件下，識(shí)別的準(zhǔn)確率會(huì)有很大的差別。盡管如此， 這種方法仍是我們最常用的方法。本次實(shí)驗(yàn)將對(duì)如何實(shí)現(xiàn)這一應(yīng)用做簡(jiǎn)單介紹和分析研究背景在經(jīng)過三十多年的研究后，現(xiàn)有的人臉識(shí)別系統(tǒng)在用戶配合、采集條件比較理 想的情況下可以取得令人滿意的結(jié)果。但是當(dāng)用戶不愿意配合，或者識(shí)別對(duì)象在一些 特征上發(fā)生改變?nèi)詴?huì)極大的影響識(shí)別效果，因

9、此現(xiàn)在已經(jīng)有了基于紅外成像的人臉識(shí) 別，這種識(shí)別方式可以極大的排除裝束打扮對(duì)人臉識(shí)別所造成的影響。1.3國(guó)內(nèi)外研究現(xiàn)狀生物識(shí)別技術(shù)已廣泛用于政府、軍隊(duì)、銀行、社會(huì)福利保障、電子商務(wù)、安全 防務(wù)等領(lǐng)域。例如，一位儲(chǔ)戶走進(jìn)了銀行，他既沒帶銀行卡，也沒有回憶密碼就徑直 提款，當(dāng)他在提款機(jī)上提款時(shí)，一臺(tái)攝像機(jī)對(duì)該用戶的眼睛掃描，然后迅速而準(zhǔn)確地 完成了用戶身份鑒定，辦理完業(yè)務(wù)。這是美國(guó)德克薩斯州聯(lián)合銀行的一個(gè)營(yíng)業(yè)部中發(fā) 生的一個(gè)真實(shí)的鏡頭。而該營(yíng)業(yè)部所使用的正是現(xiàn)代生物識(shí)別技術(shù)中的“虹膜識(shí)別系 統(tǒng)”。此外，美國(guó)“9.11”事件后，反恐怖活動(dòng)已成為各國(guó)政府的共識(shí)，加強(qiáng)機(jī)場(chǎng)的 安全防務(wù)十分重要。美國(guó)維薩格

10、公司的臉像識(shí)別技術(shù)在美國(guó)的兩家機(jī)場(chǎng)大顯神通，它 能在擁擠的人群中挑出某一張面孔，判斷他是不是通緝犯。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(wàn)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。人臉識(shí)別技術(shù)已經(jīng)得到廣泛的認(rèn)同， 但其應(yīng)用門檻仍然很高：技術(shù)門檻高（開發(fā)周期長(zhǎng)），經(jīng)濟(jì)門檻高（價(jià)格高）。人臉識(shí)別產(chǎn)品已廣泛應(yīng)用于金融、司法、軍隊(duì)、公安、邊檢、政

11、府、航天、電 力、工廠、教育、醫(yī)療及眾多企事業(yè)單位等領(lǐng)域。隨著技術(shù)的進(jìn)一步成熟和社會(huì)認(rèn)同 度的提高，人臉識(shí)別技術(shù)將應(yīng)用在更多的領(lǐng)域。1、企業(yè)、住宅安全和管理。如人臉識(shí)別門禁考勤系統(tǒng)，人臉識(shí)別防盜門等。2、電子護(hù)照及身份證。中國(guó)的電子護(hù)照計(jì)劃公安部一所正在加緊規(guī)劃和實(shí)施。3、公安、司法和刑偵。如利用人臉識(shí)別系統(tǒng)和網(wǎng)絡(luò)，在全國(guó)范圍內(nèi)搜捕逃犯。4、自助服務(wù)。5、信息安全。如計(jì)算機(jī)登錄、電子政務(wù)和電子商務(wù)。在電子商務(wù)中交易全部在 網(wǎng)上完成，電子政務(wù)中的很多審批流程也都搬到了網(wǎng)上。而當(dāng)前，交易或者審批的授 權(quán)都是靠密碼來實(shí)現(xiàn)，如果密碼被盜，就無(wú)法保證安全。但是使用生物特征，就可以 做到當(dāng)事人在網(wǎng)上的數(shù)字

12、身份和真實(shí)身份統(tǒng)一，從而大大增加電子商務(wù)和電子政務(wù)系 統(tǒng)的可靠性。2.實(shí)驗(yàn)設(shè)計(jì)2.1設(shè)計(jì)流程人臉識(shí)別技術(shù)的流程人臉識(shí)別技術(shù)分為四個(gè)部分：人臉圖像采集及檢測(cè)、人臉圖像預(yù)處理、人臉圖 像特征提取以及匹配與識(shí)別。2.1.1人臉圖像的采集及檢測(cè)不同的人臉圖像都能通過攝像鏡頭采集下來，比如靜態(tài)圖像、動(dòng)態(tài)圖像、不同 的位置、不同表情等方面都可以得到很好的采集。當(dāng)用戶在采集設(shè)備的拍攝范圍內(nèi)時(shí)， 采集設(shè)備會(huì)自動(dòng)搜索并拍攝用戶的人臉圖像。而人臉檢測(cè)在實(shí)際中主要用于人臉識(shí)別 的預(yù)處理，即在圖像中準(zhǔn)確標(biāo)定出人臉的位置和大小。人臉圖像中包含的模式特征十 分豐富，如直方圖特征、顏色特征、模板特征、結(jié)構(gòu)特征及 Haar

13、特征等。人臉檢測(cè) 就是把這其中有用的信息挑出來，并利用這些特征實(shí)現(xiàn)人臉檢測(cè)。2.1.2人臉圖像預(yù)處理人臉識(shí)別技術(shù)針對(duì)的是經(jīng)過處理的人臉特征信息，而初步采集得來的原始人臉 圖像往往會(huì)受到各種條件的限制和外部干擾，而無(wú)法準(zhǔn)確的識(shí)別出人臉的特征信息，于是便要通過一些的方法，來消除這些干擾因素，以便于下一步的執(zhí)行。2.1.3人臉圖像特征提取人臉識(shí)別系統(tǒng)可使用的特征通常分為視覺特征、像素統(tǒng)計(jì)特征、人臉圖像變換 系數(shù)特征、人臉圖像代數(shù)特征等。人臉特征提取就是針對(duì)人臉的某些特征進(jìn)行的。人 臉特征提取，也稱人臉表征，它是對(duì)人臉進(jìn)行特征建模的過程。人臉特征提取的方法 歸納起來分為兩大類：一種是基于知識(shí)的表征方法

14、；另外一種是基于代數(shù)特征或統(tǒng)計(jì) 學(xué)習(xí)的表征方法。前者主要將人臉器官等的的特點(diǎn)來做為特征信息，而后者更多基于 對(duì)圖像數(shù)據(jù)的統(tǒng)計(jì)。2.1.4人臉特征的匹配與識(shí)別通過之前幾步我們可以獲得每張人臉圖像的特征信息，進(jìn)而組成特征信息的樣 本庫(kù)，將訓(xùn)練樣本的特征信息與樣本庫(kù)中各樣本的信息進(jìn)行比對(duì)，在設(shè)定合理的閾值 后就可以獲得最佳的識(shí)別效果。PCA介紹PCA算法，Principal Component Analysis，即主成分分析法，是一種將高維 特征向量轉(zhuǎn)換為低維特征向量的降維方法。當(dāng)一組樣本的某一特征向量都相同或差別 不大時(shí)，這一組特征向量就沒有比較價(jià)值也沒有區(qū)分不同樣本的能力。為了減少計(jì)算 量，提高

15、分辨精度，我們要把這些區(qū)別特征不大的信息消除掉，只留下區(qū)別特征較大 的信息。對(duì)于某k維向量來說，在原有的k維坐標(biāo)中他的特征向量在各個(gè)維度上的變化均 不明顯，我們可以通過改變他所處的坐標(biāo)軸來使他的特征向量在某些坐標(biāo)軸上的變化 更加明顯。例如，在x, y軸平面上，將一個(gè)橢圓傾斜45度角放置，在第一象限部分，他在 x，y軸上的投影都差不多，變化度都不是很大，但是在將橢圓的長(zhǎng)軸作為x軸后， 橢圓在x軸的投影范圍變得更大，方差也更大，但在y軸的投影范圍變得更小，方差 也更小。這時(shí)我們就可以消除掉y軸的特征信息，只保留x軸的特征信息，這便完成 了高維信息向低維的轉(zhuǎn)換。 （圖1.1）在實(shí)際中，例如，我們獲得

16、了一組 100 個(gè)樣本的樣本庫(kù)，每個(gè)樣本的特征量都是 十維的，這樣可以獲得一個(gè) 100*10的矩陣，進(jìn)而我們可以得到 10*10的協(xié)方差矩陣， 對(duì)這個(gè)協(xié)方差矩陣求特征向量和特征值，可以獲得10 組特征矩陣和特征值，在這十 組中取特征值最大的 5 個(gè)特征值（根據(jù)情況決定），可以組成 10*5 的矩陣，將之前的 100*10 的矩陣與這個(gè)矩陣相乘可以獲得 100*5 的新矩陣，這便是新的特征信息矩陣， 每個(gè)樣本的特征維數(shù)都下降了。這個(gè) 10*5 的矩陣就是一種將高維數(shù)據(jù)投影到低維的投影矩陣，而 PCA 實(shí)際上便 是求這種投影矩陣的方法。2.3設(shè)計(jì)思路利用 pca 算法的人臉識(shí)別程序設(shè)計(jì)思路樣本的讀

17、取在講樣本歸一化處理后，讀取一定數(shù)量的樣本作為樣本庫(kù)，其余樣本組成訓(xùn)練集。 設(shè)歸一化后的圖像為 n*m 的矩陣，我們可以通過投影矩陣將該特征集轉(zhuǎn)換為低維空間 內(nèi)的特征集。通過投影矩陣產(chǎn)生低維特征量利用公式計(jì)算出所有樣本的協(xié)方差矩陣A=Xl-m, X2-mXM-m其中m是平均臉（樣本庫(kù)的均值矩陣），M是樣本庫(kù)容量，N 是每個(gè)樣本的特征量（Xi）的維數(shù)，這樣就可以得到C, 一個(gè)大小為N*N的協(xié)方差矩 陣。計(jì)算該矩陣的特征向量和特征值，可以得到N組特征向量與特征值，按特征值的 大小排列，特征向量可以組成一個(gè)新的N*N的矩陣，該矩陣便是一個(gè)高維到低維的投 影矩陣，之后選擇適宜的部分作為用來投影的矩陣。

18、將原圖像矩陣與選定的選定矩陣相乘，便得到了經(jīng)過 PCA 處理后的有著較大區(qū)別 性的特征信息。匹配信息將樣本圖像都進(jìn)行投影變換后獲得每張圖像的特征信息，然后通過函數(shù)距離算法 來找出最接近的兩組特征信息。3 實(shí)驗(yàn)分析3.1樣本選取樣本來自于ORL人臉數(shù)據(jù)庫(kù)。ORL人臉庫(kù)是由英國(guó)劍橋Olivetti實(shí)驗(yàn)室從1992年4月到1994年4月期間拍攝 的一系列人臉圖像組成，共有40個(gè)不同年齡、不同性別和不同種族的對(duì)象。每個(gè)對(duì) 象10幅圖像共計(jì)400幅灰度圖像組成，圖像尺寸是92X112,圖像背景為黑色。其 中人臉部分表情和細(xì)節(jié)均有變化，例如笑與不笑、眼睛睜著或閉著，戴或不戴眼鏡等, 人臉姿態(tài)也有變化，其深

19、度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá)20度，人臉尺寸也有最多10%的變 化。該庫(kù)是目前使用最廣泛的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)，它含有大量的比較結(jié)果。在實(shí)驗(yàn)中分別選取每個(gè)樣本的前5張圖像為樣本庫(kù)，其余為訓(xùn)練集。3.2特征臉人臉圖像在經(jīng)過完整的投影矩陣投影后，原本的特征量并不會(huì)丟失，可以通過選用完整的投影矩陣中的不同部分來獲得保留有不同程度的特征信息的特征臉。圖 3.1不同K值下的特征臉3.3投影矩陣選取計(jì)算協(xié)方差矩陣的特征值和特征向量，在按特征值大小排列特征向量，獲得完整 投影矩陣（N*N）后，我們要選取其中方差較大，區(qū)別性較強(qiáng)的部分?？梢杂貌煌奶卣飨蛄克鶎?duì)應(yīng)的特征值來計(jì)算不同投影矩陣所能反應(yīng)出的能量大小。經(jīng)計(jì)算，不同投影矩

20、陣投影后的結(jié)果占總能量的百分比。如表 3.1,3.2表3.1不同K值下特征圖占總能量的百分比（后附全表）K值1-K之間部分的特征值1-K占總信息量的百分比10.6117001970.31412112631.25260.38586655241.43750.44282545751.6060.49473230261.71410.52803277771.80160.5549873781.88650.58114102691.95490.602211817102.01340.620232888202.36980.730022796302.56140.789045653402.69

21、080.828907646502.78740.858665517702.92160.899978437712.9270.9016696451003.05230.9402686221503.1810.9799149781993.24621表3.2占總信息量的百分比1-K占總信息量的百分 比1-K占總信息量的百分 比選取占總信息量 90%的部分作為我們的特征臉，于是選取 71*N 的部分3.4人臉重建以下分別為，a 某樣本的樣本庫(kù)內(nèi)圖像b 非同一樣本的樣本庫(kù)內(nèi)圖像c 非同一樣本的樣本庫(kù)外類似圖像d 同一樣本的樣本庫(kù)外圖像經(jīng)過重建后的人臉圖像。（圖3.3自上而下：a,b,c,d）bcdbcdK= 1

22、02030405071100150199圖33對(duì)樣本庫(kù)內(nèi)外的人臉重建結(jié)果可以發(fā)現(xiàn)，由于投影矩陣是由樣本庫(kù)得來，所以非樣本庫(kù)圖像在人臉重建時(shí)效果 都十分不好，但是當(dāng)拍攝角度，拍攝條件與樣本庫(kù)內(nèi)某些圖像相近時(shí)，盡管是樣本庫(kù) 外圖像（圖像C）,仍可以獲得較好重建人臉圖像。3.5匹配函數(shù)通過對(duì)不同函數(shù)各點(diǎn)間距離的計(jì)算便可以得到不同的圖像之間的相似度，現(xiàn)在常 用的算數(shù)距離有歐氏距離，曼哈頓距離，形狀相似距離等，在這里我們選取歐氏距離，曼哈頓距離和夾角余弦值作為研究對(duì)象。 計(jì)算網(wǎng)格上的兩點(diǎn)間距離時(shí)，歐氏距離為兩點(diǎn)間的直線距離（最近距離），曼哈頓 距離（三階距離）為沿網(wǎng)格從一點(diǎn)到另一點(diǎn)的最短距離。如圖 3.

23、4對(duì)于每個(gè) N 維數(shù)據(jù)，可以認(rèn)為它是處在 N 維坐標(biāo)軸上的向量，通過比較不同向量 間的夾角可以計(jì)算出不同向量間的相似度，余弦與角度大小程正相關(guān)，所以使用余弦 角來代表夾角的大小，圖 3.5B歐氏距離曼哈頓距離曼哈頓距離圖3.5夾角余弦算法展示B歐氏距離曼哈頓距離曼哈頓距離圖3.5夾角余弦算法展示/1/丿/圖3.4曼哈頓距離與歐氏距離展示使用不同的算數(shù)距離所產(chǎn)生的不同檢測(cè)結(jié)果。表 3.3,3.4表3.3依據(jù)不同算數(shù)距離匹配的成功率（后附全表）K值余弦夾角匹配成功率歐氏距離匹配成功率曼德拉距離匹配成功率10.0250.1150.095200.3620.32300.550.525400.6150.6

24、15500.630.65600.620.72700.60.74800.5450.765900.50.7651000.470.772000.3050.833000.220.864000.170.8555000.110.8657100.0850.8810000.060.87515000.0450.8819900.0350.88夾角余弦由于樣本在經(jīng)過投影變換后的坐標(biāo)軸減少，很難成功匹配，而使用曼哈 頓距離和歐氏距離所匹配的信息在一定的適用范圍內(nèi)，均有較高的匹配成功率。但是 在信息量較多時(shí)依托歐氏距離進(jìn)行的匹配算法成功率快速降低，而依托曼哈頓距離進(jìn) 行的匹配算法卻仍可以保持較高的成功率。由此可以初步得

25、出依托歐氏距離進(jìn)行的匹 配算法對(duì)于細(xì)節(jié)的識(shí)別能力差于依托曼哈頓距離進(jìn)行的識(shí)別算法。3.6干擾分析對(duì)訓(xùn)練集圖像進(jìn)行不同的干擾，檢測(cè)經(jīng)過干擾后的人臉圖像是否能夠準(zhǔn)確的識(shí)別身份信息.圖 3.64 cJ別身份信息.圖 3.64 cJ高斯噪音泊松噪音斑點(diǎn)噪音圖3.6添加噪音后的人臉圖像較強(qiáng)的高斯噪音對(duì)訓(xùn)練集添加不同的噪聲干擾后，利用曼哈頓距離算法配對(duì)，計(jì)算出在不同的噪 聲影響下配對(duì)的成功率。表3.5給訓(xùn)練集添加不同噪聲下的匹配成功率K值咼斯白噪聲泊松噪聲斑點(diǎn)噪聲較強(qiáng)的咼斯噪聲無(wú)噪聲100.770.7650.7650.270.77300.860.860.860.4750.86500.8550.8650.8

26、650.560.8651000.8750.8750.8850.590.8751500.870.880.8750.5950.8651990.880.8850.880.60.88710.8750.880.8750.5850.88710.880.880.875710.880.880.885710.8850.8850.885由上表可見，當(dāng)添加噪聲程度不是很大時(shí)，對(duì)于識(shí)別幾乎無(wú)影響。但是當(dāng)噪聲 較大時(shí)對(duì)于識(shí)別的成功率仍有較大影響。即拍攝樣本圖像時(shí)的拍攝條件和隨機(jī)干擾等 外界因素對(duì)人臉識(shí)別的成功率有較大影響，因此在進(jìn)行人臉識(shí)別時(shí)要獲得用戶的充分 配合且提供較好的拍攝條件。4.實(shí)驗(yàn)結(jié)論P(yáng)CA 算法可以增大不

27、同樣本之間的差別，對(duì)基于數(shù)據(jù)統(tǒng)計(jì)分析進(jìn)行的身份識(shí)別應(yīng) 用起到極大的幫助。在使用 PCA 算法對(duì)特征量進(jìn)行壓縮時(shí)，應(yīng)根據(jù)情況選擇適合的投 影矩陣，以使在減小算法復(fù)雜度的同時(shí)不降低算法的準(zhǔn)確率?；诼D距離的匹配 算法在人臉識(shí)別技術(shù)上有著較好的效果，可以更好的識(shí)別圖像細(xì)節(jié)。當(dāng)訓(xùn)練集圖像受 到外界影響時(shí)，仍可以保持較高的識(shí)別成功率?；?PCA 算法對(duì)可見光部分的人臉識(shí)別盡管有很多的缺陷，但是在用戶配合且 有較好的拍攝條件下，設(shè)定合理的閾值范圍，仍可以保證較高的匹配成功率?？梢姡?這種人臉識(shí)別技術(shù)仍有其實(shí)用價(jià)值。5.參考文獻(xiàn)引用： 百度百科，人臉識(shí)別詞條，http：/baike baidu Ccm

28、/link?Url=4gxFu77SJPu2yXVWFYwKGgnOPNhkW9MuCT4QgAPA-ArRRhRHRYkKbi_IFY6gl085 龔 勛， PCA 與人臉識(shí)別及其理論基礎(chǔ)，百度文庫(kù)，h十十p：/wenku haidu ccm/link?url=pRFcFYWa8WAgdgcUjmhfrDAWI7PQupRgeaMD 4PyRvqFSNzQYfrpA7gihr2wlFTHEcMzTRtVNPM9o-90D8INzgllTelJepJ0OiDayh8Rem參考：作者不詳，PCA 原理及應(yīng)用， HYPERLINK /view/4cd290afdd3383c4bb4cd2b7.ht

29、ml /view/4cd290afdd3383c4bb4cd2b7.html作者不詳，主元分析（PCA）理論分析及應(yīng)用, HYPERLINK /view/053ec21755270722192ef739.html /view/053ec21755270722192ef739.html尚文清 相似度計(jì)算方法 計(jì)算機(jī)應(yīng)用.h十十p:/wenku baidu com/view/06c0affdba0d4a7302763a3f h十ml作者不詳，相似度計(jì)算方法，h十十p:/wenku baidu com/view/ebde5d0e763231126edb1113 h十ml張儉鴿 劉洪波,WTPCA和三

30、階近鄰的人臉識(shí)別算法仿真 HYPERLINK /Article/CJFDTotal-JSGG200911055.htm /Article/CJFDTotal-JSGG200911055.htmLucifer_jin ，Matlab中pdist函數(shù)詳解（各種距離的生成）， HYPERLINK /u/6216467/diary/211759/ /u/6216467/diary/211759/67李附中 錄張鐵峰 不同相似度度量方式的隨機(jī)數(shù)據(jù)聚類分析 華北電力大學(xué)學(xué)報(bào)201 2年 第6期附錄 1以 ORL 庫(kù)中每個(gè)樣本的前 5 張圖像為樣本庫(kù)，后 5 張為訓(xùn)練集，在取不同 K 值時(shí)，依 據(jù)不同的算數(shù)

31、距離獲得的匹配成功率。表 6.1 實(shí)驗(yàn)結(jié)果總表K值1-K 之間部1-K 占總信息余弦夾角匹歐氏距離匹曼德拉距離分的特征值量的百分比配成功率配成功率匹配成功率10.61170.1884357090.0250.1150.09521.01970.31412112600.3620.3231.25260.38586655200.550.52541.43750.44282545700.6150.61551.6060.49473230200.630.6561.71410.52803277700.620.7271.80160.5549873700.60.7481.88650.58114102600.5450.

32、76591.95490.60221181700.50.765102.01340.62023288800.470.77112.0680.63705255400.4450.78122.11210.65063766900.420.78132.15280.66317540500.410.79142.19090.67491220500.3850.805152.22610.68575565300.370.795162.25850.69573655400.3550.8172.28980.70537859700.350.8182.31870.71428131400.320.795192.34510.72241

33、389900.3150.82202.36980.73002279600.3050.83212.39420.73753927700.290.83222.41630.74434723700.2850.84232.43720.75078553400.280.835242.4570.75688497300.270.845252.47650.76289199700.2450.855262.49480.76852935700.240.855272.51220.77388947100.2350.855282.52930.77915716800.230.86292.54580.78424003500.230.

34、86302.56140.78904565300.220.86312.57630.79363563600.220.865322.59040.79797917600.220.86332.60440.80229191100.2150.86342.61780.80641981400.2050.86352.63090.81045530200.2050.855362.64380.81442917900.2050.855372.65640.8183106400.20.855382.66810.82191485400.1950.855392.69080.82890764600.1750.855402.6908

35、0.82890764600.170.855412.70190.83232702900.1550.86422.71270.83565399500.150.86432.72270.8387345200.140.86442.73250.84175343500.1350.86452.74220.84474154400.1350.86462.75180.84769884800.130.86472.7610.85053293100.1250.865482.77010.85333620800.1250.865492.77880.85601626500.1150.865502.78740.8586655170

36、0.110.865512.79560.86119154700.0950.865522.80370.86368677200.0950.865532.81170.86615119200.0950.865542.81940.86852319600.0950.865552.82690.8708335900.0950.865562.9340.8708335900.0950.87572.84120.87523874100.0950.87582.8480.87733349800.0950.87592.85470.87939744900.090.87602.86130.88143059600.090.8761

37、2.86780.88343293700.090.87622.87420.88540447300.090.87632.88050.88734520400.0850.88642.88660.88922432400.0850.88652.89260.89107263900.0850.88662.89850.89289014800.0850.88672.90440.89470765800.0850.88682.91020.89649436300.0850.88692.91590.89825026200.0850.88702.92160.89997843700.0850.88712.9270.90166

38、964500.0850.88722.93240.90333312800.0850.885732.93760.90493500100.0850.885742.94280.90653687400.0850.885752.94790.90810794200.0850.885762.95290.90964820400.0850.885772.95780.91115766100.0850.885782.96270.91266711800.0850.88792.96750.9141457700.0850.88802.97230.91562442200.0850.88812.97690.9170414640

39、0.0850.88822.96140.9122666500.0850.88832.98590.91981393600.0850.88842.99030.92116936700.0850.88852.99460.92249399300.0750.88862.99890.92381861900.0750.88873.00310.92511243900.0750.875883.00720.92637545400.0750.875893.01120.92760766400.0650.875903.01520.92883987400.0650.875913.01920.93007208400.0650.

40、875923.0230.93124268400.0650.875933.02690.93244408800.0650.875943.03070.93361468800.0650.875953.03440.93475448200.0650.875963.0380.93586347100.0650.875973.04170.93700326500.0650.875983.01520.92883987400.0650.875993.04880.93919043800.0650.8751003.05230.94026862200.060.8751013.05570.94131600.060.87510

41、23.05910.94236337900.060.8751033.06240.94337995200.060.8751043.06570.94439652500.060.8751053.06890.94538229300.060.881063.07210.94636806100.060.881073.07530.94735382900.060.881083.07840.94830879200.060.88109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140

42、1411421431441451461471481491501511523.08150.94926375500.060.883.08460.95021871700.060.8853.08760.95114287500.060.8853.09050.95203622700.060.8853.09340.95292957900.060.883.09630.95382293100.060.883.09910.95468547800.060.883.10190.95554802500.060.883.10470.95641057200.060.883.10750.95727311900.060.883

43、.11020.95810486100.060.883.11280.95890579800.060.883.11550.95973753900.060.883.11810.96053847600.060.883.12070.96133941200.060.883.12330.96214034900.060.883.12580.9629104800.0550.883.12830.96368061100.0550.883.13080.96445074200.0550.883.13330.96522087400.0550.883.13580.96599100500.0550.883.13820.966

44、73033100.0550.883.14070.96750046200.0550.883.14310.96823978800.0550.883.14550.96897911400.0550.883.14780.96968763500.0550.883.15010.97039615600.0550.883.15240.97110467600.0550.883.15460.97178239200.0550.883.15680.97246010700.0550.883.1590.97313782300.0550.883.16110.97378473300.0550.883.16320.9744316

45、4300.050.883.16530.97507855300.050.883.16740.97572546400.050.883.16940.97634156900.050.883.17140.97695767400.050.883.17330.97754297300.050.883.17530.97815907800.050.883.17720.97874437800.050.883.17910.97932967800.0450.883.1810.97991497800.0450.883.18290.98050027700.0450.883.18480.98108557700.0450.88

46、3.18660.98164007100.0450.883.18840.98219456600.0450.883.19020.9827490600.0450.883.19190.9832727500.0450.883.19370.98382724400.0450.883.19540.98435093300.0450.883.19710.98487462300.0450.883.19870.98536750700.0450.883.20040.98589119600.0450.883.2020.9863840800.0450.883.20360.98687696400.0450.883.20520

47、.98736984800.0450.883.20670.98783192700.0450.883.20820.98829400500.0450.883.20980.98878688900.040.883.21130.98924896800.0350.883.21270.98968024200.0350.883.21420.9901423200.0350.8853.21560.99057359400.0350.883.2170.99100486700.0350.883.21840.99143614100.0350.883.21980.99186741400.0350.8853.22120.992

48、29868800.0350.8853.22250.99269915600.0350.883.22380.99309962400.0350.883.22520.99353089800.0350.883.22640.99390056100.0350.883.22770.99430102900.0350.883.2290.99470149700.0350.883.23020.9950711600.0350.8853.23140.99544082300.0350.8853.23260.99581048600.0350.8853.23380.99618014900.0350.8853.23490.99651900700.0350.8853.2360.99685786500.0350.8853.23710.99719672200.0350.883.23810.99750477500.0350.883.23910.99781282700.0350.8853.240.99809007500.0350.8853.24090.99836732200.0350.883.24180.99864456900.0350.8853.24270.99892181600.0350.883