人臉相似度檢測(cè)系統(tǒng)設(shè)計(jì)

目 錄摘要 III11-1.111.211.321.421.531.5.13-1.5.24-26-2.162.262.372.472.58393.193.293.311412-4.1124.213516-5.1165.217I-18-19-II-摘要認(rèn)”身份的技術(shù)。提出了一種基于主元分析(PCA)的人臉相似度檢測(cè)方法。通過PCA算法對(duì)人臉圖像進(jìn)行特征提取,再利用最鄰近距離分類法對(duì)特征向量進(jìn)行分類相似度檢測(cè)。利用劍橋ORL的人臉數(shù)據(jù)庫的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)仿真，仿真結(jié)果驗(yàn)證了本算法是有效的。關(guān)鍵詞：人臉相似度檢測(cè)，主元分析，最近鄰距離分類法，人臉庫-III-1人臉相似度檢測(cè)是模式相似度檢測(cè)研究的一個(gè)熱點(diǎn),它在身份鑒別、信用卡相似度所選取的特征必須對(duì)上述因素具備一定的穩(wěn)定性和不變性.主元分析(PCA)方法是一種有效的特征提取方法,將人臉圖像表示成一個(gè)列向量,經(jīng)過PCA變換后,不僅可以有效地降低其維數(shù),同時(shí)又能保留所需要的相似度檢測(cè)信息,這些信息對(duì)光照、表情以及姿態(tài)具有一定的不敏感性.在獲得有效的特征向量后,關(guān)鍵問題是設(shè)計(jì)具有良好分類能力和魯棒性(SVM人臉相似度檢測(cè)技術(shù)的細(xì)節(jié)似度檢測(cè)（身份確認(rèn)或者身份查找。系統(tǒng)輸入一般是一張或者一系列含有未確定身份的一系列相似度得分，表明待相似度檢測(cè)的人臉的身份。人臉相似度檢測(cè)技術(shù)的廣泛應(yīng)用一項(xiàng)技術(shù)的問世和發(fā)展與人類的迫切需求是密切相關(guān)的，快速發(fā)展的社會(huì)經(jīng)濟(jì)和科學(xué)技術(shù)使得人類對(duì)安全(包括人身安全、隱私保護(hù)等)得認(rèn)識(shí)越來越重視。人臉相似度檢測(cè)得一個(gè)重要應(yīng)用就是人類的身份相似度檢測(cè)。一般來說，人類得身份相似度檢測(cè)方式分為三類:特征物品，包括各種證件和憑證，如身份證、駕駛證、房門鑰匙、印章等;特殊知識(shí)，包括各種密碼、口令和暗號(hào)等;DNA、簽名、語音等。前兩類相似度檢測(cè)方式屬于傳統(tǒng)的身份相似度檢測(cè)技術(shù)，其特點(diǎn)是-1-似度檢測(cè)技術(shù)，如DNA相似度檢測(cè)技術(shù)、指紋相似度檢測(cè)技術(shù)、虹膜相似度檢測(cè)技術(shù)、語音相似度檢測(cè)技術(shù)和人臉相似度檢測(cè)技術(shù)等。生物相似度檢測(cè)技術(shù)在上個(gè)世紀(jì)已經(jīng)有了一定得發(fā)展，其中指紋相似度檢測(cè)技術(shù)已經(jīng)趨近成熟，但人臉相似度檢測(cè)技術(shù)的研究還處于起步階段。指紋、虹膜、掌紋等相似度檢測(cè)技術(shù)都需要被相似度檢測(cè)者的配合，有的相似度檢測(cè)技術(shù)還需要添置復(fù)雜昂貴的設(shè)備。人臉相似度檢測(cè)可以利用已有的照片或是攝像頭遠(yuǎn)距離捕捉圖像，無需特殊的采集設(shè)備，系統(tǒng)的成本低。并且自動(dòng)人臉相似度檢測(cè)可以在當(dāng)事人毫無覺察的情況下完成身份確認(rèn)相似度檢測(cè)工作，這對(duì)反恐怖活動(dòng)有非常重要的意義?；谌四樝嗨贫葯z測(cè)技術(shù)具有如此多的優(yōu)勢(shì)，因此它的應(yīng)用前景非常廣闊，已成為最具潛力的生物特征相似度檢測(cè)技術(shù)之一。人臉相似度檢測(cè)技術(shù)的難點(diǎn)問題，表現(xiàn)在以下方面:些肌肉的運(yùn)動(dòng)導(dǎo)致不同面部表情的出現(xiàn)，會(huì)造成人臉特征的顯著改變。和紋理都將發(fā)生改變。人臉有易變化的附加物，例如改變發(fā)型，留胡須，戴帽子或眼鏡等飾物。人臉特征遮掩，人臉全部、部分遮掩將會(huì)造成錯(cuò)誤相似度檢測(cè)。人臉圖像的畸變，由于光照、視角、攝取角度不同，可能造成圖像的灰度。國內(nèi)外研究狀況60年代，Bledsoe70年代，美、英等發(fā)達(dá)國家開始重視人臉相似度檢測(cè)的研究工作并取得進(jìn)展。1972年，Harmon用交互人臉相似度檢測(cè)方法在理論上與實(shí)踐上進(jìn)行了詳細(xì)的論述。同年，Sakai設(shè)計(jì)了人臉圖像自動(dòng)相似度檢測(cè)系統(tǒng)。80T.MinamiSakai的人臉圖像自動(dòng)相似度檢測(cè)系統(tǒng)。但早期的人臉相似度檢測(cè)一般都需要人的某些先驗(yàn)知識(shí)，無法擺脫-2-Karhunen-Loève19902000年之間，SCIEI可檢索到的相關(guān)文獻(xiàn)多達(dá)數(shù)千篇，這期間關(guān)于人臉相似從事人臉相似度檢測(cè)的研究。人臉相似度檢測(cè)是當(dāng)前模式相似度檢測(cè)領(lǐng)域的一個(gè)前沿課題，但目前人臉相似度檢測(cè)尚處于研究課題階段，尚不是實(shí)用化領(lǐng)域的活躍課題。雖然人類可以毫不困難地由人臉辨別一個(gè)人，但利用計(jì)算機(jī)進(jìn)行完全自動(dòng)的人臉相似度檢測(cè)存在許多困難，其表現(xiàn)在：人臉是非剛體，存在表情變化；人臉隨年齡增長(zhǎng)而變化；發(fā)型、眼鏡等裝飾對(duì)人臉造成遮擋；人臉?biāo)蓤D像受光照、成像角度、成像距離等影響。人臉相似度檢測(cè)的困難還在于圖像包括大量的數(shù)據(jù)，輸入的像素可能成百上千，每個(gè)像素都含有各自不同的灰度級(jí)，由此帶來來對(duì)數(shù)據(jù)庫進(jìn)行檢索的方法速度快，而利用拓?fù)鋵傩詧D匹配來確定匹配度的方法則相對(duì)較快。人臉相似度檢測(cè)的研究?jī)?nèi)容人臉相似度檢測(cè)技術(shù)(AFR)就是利用計(jì)算機(jī)技術(shù)，根據(jù)數(shù)據(jù)庫的人臉圖像，分析提取出有效的相似度檢測(cè)信息，用來“辨認(rèn)”身份的技術(shù)。人臉相似度檢測(cè)技術(shù)的研究始于六十年代末七十年代初，其研究領(lǐng)域涉及圖像處理、計(jì)算機(jī)視覺、模式相似度檢測(cè)、計(jì)算機(jī)智能等領(lǐng)域，是伴隨著現(xiàn)代化計(jì)算機(jī)技術(shù)、數(shù)據(jù)庫技術(shù)發(fā)展起來的綜合交叉學(xué)科。人臉相似度檢測(cè)研究?jī)?nèi)容人臉相似度檢測(cè)的研究范圍廣義上來講大致包括以下五個(gè)方面的內(nèi)容。人臉定位和檢測(cè)(FaceDetection):即從動(dòng)態(tài)的場(chǎng)景與復(fù)雜的背景中檢測(cè)出人臉的各樣遮擋的影響。人臉表征(FaceRepresentation)-3-人臉相似度檢測(cè)(FaceRecognition)臉比較，得出相關(guān)信息。這一過程的核心是選擇適當(dāng)?shù)娜四槺碚鞣椒ㄅc匹配策略。表情姿態(tài)分析(Expression/GestureAnalysis)態(tài)信息進(jìn)行分析，并對(duì)其加以歸類。生理分類(PhysicalClassification):即對(duì)待相似度檢測(cè)人臉的生理特征進(jìn)行分如從父母圖像推導(dǎo)出孩子臉部圖像和基于年齡增長(zhǎng)的人臉圖像估算等。人臉驗(yàn)證與人臉相似度檢測(cè)。人臉驗(yàn)證((FaceVerification/Authentication):即是回答“是不是某人?”的問題。它是給定一幅待相似度檢測(cè)人臉圖像，判斷它是否是某人的問題，屬于一對(duì)一的兩類模式分類問題，主要用于安全系統(tǒng)的身份驗(yàn)證。人臉相似度檢測(cè)（FaceRecognition):即是回答“是誰”的問題。它是給定一幅待內(nèi)容。人臉相似度檢測(cè)系統(tǒng)的組成:織等模塊，如圖1.1。其中人臉檢測(cè)和人臉相似度檢測(cè)是整個(gè)自動(dòng)人臉相似度檢測(cè)系統(tǒng)中非常重要的兩個(gè)環(huán)節(jié)，并且相對(duì)獨(dú)立。下面分別介紹這兩個(gè)環(huán)節(jié)。人臉檢測(cè)人臉檢測(cè)人臉庫預(yù)處理特征提取分類相似度檢測(cè)圖1.1人臉相似度檢測(cè)系統(tǒng)框圖人臉檢測(cè)與定位，檢測(cè)圖像中是否由人臉，若有，將其從背景中分割出來，并確定其在圖-4-KPCALDA此時(shí)人臉的定位很簡(jiǎn)單。證件照背景簡(jiǎn)單，定位比較容易。在另一些情況下，人臉在圖像中的位置預(yù)先是未知的，比如在復(fù)雜背景下拍攝的照片，這時(shí)人臉的檢測(cè)與定位將受以下因素的影響:KPCALDA人臉在圖像中的位置、角度、不固定尺寸以及光照的影響；發(fā)型、眼睛、胡須以及人臉的表情變化等；圖像中的噪聲等。特征提取與人臉相似度檢測(cè)，特征提取之前一般都要做幾何歸一化和灰度歸一化的工作。前者指根據(jù)人臉定位結(jié)果將圖像中的人臉變化到同一位置和大小;后者是指對(duì)圖像進(jìn)行光照補(bǔ)償?shù)忍幚?，以克服光照變化的影響，光照補(bǔ)償能夠一定程度的克服光照變化的影響而提高相似度檢測(cè)率。提取出待相似度檢測(cè)的人臉特征之后，即進(jìn)行特征匹配。這個(gè)過程是一對(duì)多或者一對(duì)一的匹配過程，前者是確定輸入圖像為圖像庫中的哪一個(gè)人(即人臉相似度檢測(cè))，后者是驗(yàn)證輸入圖像的人的身份是否屬實(shí)(人臉驗(yàn)證)。以上兩個(gè)環(huán)節(jié)的獨(dú)立性很強(qiáng)。在許多特定場(chǎng)合下人臉的檢測(cè)與定位相對(duì)比較容易，因此“特征提取與人臉相似度檢測(cè)環(huán)節(jié)”得到了更廣泛和深入的研究。近幾年隨著人們?cè)絹碓疥P(guān)心各種復(fù)雜的情形下的人臉自動(dòng)相似度檢測(cè)系統(tǒng)以及多功能感知研究的興起，人臉檢測(cè)與定位才作為一個(gè)獨(dú)立的模式相似度檢測(cè)問題得到了較多的重視。本文主要研究人臉的特征提取與分類相似度檢測(cè)PCA已知人臉庫最近鄰分PCA已知人臉庫最近鄰分類器特征提取分類器設(shè)SVM分類特征提取分類決策器像其他方法圖1.2人臉相似度檢測(cè)結(jié)構(gòu)圖其他方法-5-2雖然人臉相似度檢測(cè)方法的分類標(biāo)準(zhǔn)可能有所不同，但是目前的研究主要有兩個(gè)方向，一類是從人臉圖像整體(HolisticApproaches)出發(fā)，基于圖像的總體信息進(jìn)行分類相似:人工神經(jīng)網(wǎng)絡(luò)的方法、統(tǒng)計(jì)模式的方法等。另一類是基于提取人臉圖像的幾何特征參數(shù)(Feature-BasedApproaches)，因?yàn)槿四槻皇莿傮w，有著復(fù)雜的表情，對(duì)其嚴(yán)格進(jìn)行特征匹配會(huì)出現(xiàn)困難。而分別介紹一些常用的方法，前兩種方法屬于從圖像的整體方面進(jìn)行研究，后三種方法主要從提取圖像的局部特征講行研究?；谔卣髂樀姆椒ㄌ卣髂樂椒?eigenface)是從主元分析方法PCA CPrincipalComponentAnalysis導(dǎo)出的一種人臉分析相似度檢測(cè)方法，它根據(jù)一組人臉圖像構(gòu)造主元子空間，由于主元具有人的形狀也稱作特征臉。相似度檢測(cè)時(shí)將測(cè)試圖像投影到主元子空間上得到了一組投影系數(shù)，然后和各個(gè)己知人的人臉圖像進(jìn)行比較相似度檢測(cè)，取得了很好的相似度檢測(cè)效果在此基礎(chǔ)上出現(xiàn)了很多特征臉的改進(jìn)算法。特征臉方法隨光線角度及人臉尺寸的影響，相似度檢測(cè)率會(huì)有所下降。基于神經(jīng)網(wǎng)絡(luò)的方法神經(jīng)網(wǎng)絡(luò)在人臉相似度檢測(cè)應(yīng)用中有很長(zhǎng)的歷史。早期用于人臉相似度檢測(cè)的神經(jīng)網(wǎng)-6-Kohonen自聯(lián)想映射神經(jīng)網(wǎng)絡(luò)，用于人臉的“回憶”。所謂“回憶”是指當(dāng)輸入圖像KohonenIntrator等人用一個(gè)無監(jiān)督/求其平均，相似度檢測(cè)效果還會(huì)提高。與其他類型的方法相比，神經(jīng)網(wǎng)絡(luò)方法在人臉相似度檢測(cè)上有其獨(dú)到的優(yōu)勢(shì)，它避免了復(fù)雜的特征提取工作，可以通過學(xué)習(xí)的過程獲得其他方法難以實(shí)現(xiàn)的關(guān)于人臉相似度檢測(cè)的規(guī)律和規(guī)則的隱性表達(dá)。此外，神經(jīng)網(wǎng)絡(luò)以時(shí)示方式處理信息，如果能用硬件實(shí)現(xiàn)，種族相似度檢測(cè)等。彈性圖匹配法DLACDynamicLinkArchitecture的方法。它將人臉用格狀的稀疏圖表示，圖中的節(jié)點(diǎn)用圖像位置的Gabor小波分解得到的特征向量再對(duì)圖中的每個(gè)節(jié)點(diǎn)位置進(jìn)行最佳匹配，這樣產(chǎn)生一個(gè)變形圖，其節(jié)點(diǎn)逼近模型圖的對(duì)應(yīng)點(diǎn)的位置。彈性圖匹配方法對(duì)光照、位移、旋轉(zhuǎn)及尺度變化都敏感。此方法的主要缺點(diǎn)是在原有方法的基礎(chǔ)上提出聚束圖匹配，部分克服了這些缺點(diǎn)。在聚束圖中，所有節(jié)點(diǎn)都已經(jīng)定位在相應(yīng)目標(biāo)上。對(duì)于大量數(shù)據(jù)庫，這樣可以大大減少相似度檢測(cè)時(shí)間。另外，利用聚束圖還能夠匹配小同人的最相似特征，因此可以獲得關(guān)于未知人的性別、胡須和眼鏡等相關(guān)信息?；谀０迤ヅ涞姆椒ㄖ苯佑?jì)算兩副圖像之間的匹配程度。由于這種方法要求兩副圖像上的目標(biāo)要有相同的尺-7-續(xù)邊緣。即使獲得了可靠度高的邊緣，也很難從中自動(dòng)提取所需的特征量。模板匹配方法但它對(duì)光照、旋轉(zhuǎn)和表情變化比較敏感，影響了它的直接使用?；谌四樚卣鞯姆椒ㄈ四樣裳劬Α⒈亲?、嘴巴、下巴等部件構(gòu)成，正因?yàn)檫@些部件的形狀、大小和結(jié)構(gòu)上的各種差異才使得世界上每個(gè)人臉千差萬別，因此對(duì)這些部件的形狀和結(jié)構(gòu)關(guān)系的幾何描述，可以作為人臉相似度檢測(cè)的重要特征。幾何特征最早是用于人臉檢測(cè)輪廓的描述與相似度檢測(cè)，首先根據(jù)檢測(cè)輪廓曲線確定若干顯著點(diǎn)，并由這些顯著點(diǎn)導(dǎo)出一組用于相似度檢測(cè)的特征度量如距離、角度等。采用幾何特征進(jìn)行正面人臉相似度檢測(cè)一般是通過提取人眼、口、鼻等重要特征點(diǎn)的位置和眼睛等重要器官的幾何形狀作為分類特征。定位眼睛往往是提取人臉幾何特征的第一步。由于眼睛的對(duì)稱性以及眼珠呈現(xiàn)為低灰度值的圓形，因此在人臉圖像清晰端正的時(shí)候，眼睛的提取是比較容易的。但是如果人臉圖像模糊，或者噪聲很多，則往往需要利用更多的信息(如眼睛和眉毛、鼻子的相對(duì)位置等)，而且這將使得眼睛的定位變得很復(fù)雜。而且實(shí)際圖像中，部件未必輪廓分明，有時(shí)人用眼看也只是個(gè)大概，計(jì)算機(jī)提取就更成問題，因而導(dǎo)致描述同一個(gè)人的不同人臉時(shí)，其模型參數(shù)可能相差很大，而失去相似度檢測(cè)意義。盡管如此，在正確提取部件以及表情變化微小的前提下，該方法依然奏效，因此在許多方而仍可應(yīng)用，如對(duì)標(biāo)準(zhǔn)身份證照片的應(yīng)用。-8-3PCA人臉相似度檢測(cè)方法引言人臉相似度檢測(cè)技術(shù)是指當(dāng)輸入一張正面人臉圖像時(shí)，相似度檢測(cè)該照片屬于人臉庫成分分析法(PCA)是把人臉圖像看成高維向量，由于人臉圖像的高度相關(guān)性，那么可以通K-L是沿著其方差最大的方向求得的矢量。這樣降維后的向量可以方便地用于模式相似度檢測(cè)。相似度檢測(cè)方法是最鄰近距離分類法。主成分分析KLPentland特征向量矩陣，可以完全重構(gòu)出所對(duì)應(yīng)的原來的高維向量]對(duì)應(yīng)到人臉相似度檢測(cè)中，有如下的闡述:對(duì)于一幅nxmvpp個(gè)列向量羅列起來形成一個(gè)(mxn)xpX。以x表示一幅圖像的列向量。則訓(xùn)練樣本集的總體散布矩陣為：S(xt i1

x)(xix)T

（3-1）St

tSRRT （3-2）ti對(duì)每一幅圖像x進(jìn)行變換（即在特征空間中進(jìn)行投影）Yii

RTXi

，則Y的協(xié)方差矩YYTRTXi

XRdiag;故經(jīng)過PCA變換去除了數(shù)據(jù)間的相關(guān)性，減小了冗余。i-9-達(dá)到了降維的目的。選取大的特征值，使總能量大于90%，即將特征值按從大到小排序，為：1

k

n

，選取前k個(gè)特征值對(duì)應(yīng)的特征向量，這叫做主成分。記主成分矩陣為Um，則樣本在該特征空間上的投影為：WUmX （3-3）m對(duì)St進(jìn)行分解時(shí)，由于其維數(shù)很大，故借助于奇異值分解定理定理：設(shè)Arn×r0 1 U[u,uu ]Rnr UTU0 1 0 1 V[v,vv ]Rrr VTV0 1 以及對(duì)角陣

diag[

,,,

]Rrr （3-6）0且

1

r1

（3-7）1 2 r1滿足1AU2VT （3-8）1i i 其中：(ir1AAT和ATAu和vAATi i ATA對(duì)應(yīng)于i的特征向量。推論：1UAV2

（3-9）可構(gòu)造矩陣SXTX，容易求出此矩陣的特征值和特征向量，那么應(yīng)用以上的推論，即可得到所需的特征向量和特征值。所選取的特征向量構(gòu)成了特征臉空間，這是一個(gè)降維的子空間，所有的人臉圖像都可-10-以在此空間上投影從而得到一組坐標(biāo)系數(shù)，這組系數(shù)表明了該圖像在子空間中的位置，從而可以作為人臉相似度檢測(cè)的依據(jù)。任何一幅人臉圖像都可以表示為這組特征臉的線性組合，其加權(quán)系數(shù)就是K-L變換的展開系數(shù)，也可以稱為該圖像的代數(shù)特征。特征臉方法特征臉方法(Eigenface)PCAK-LK-L生成矩陣一般為訓(xùn)練樣本的總體散布矩陣。特征臉方法就是將包含人臉的圖像區(qū)域看作是K-LK-L(Eigenface)。利用這些基底的線形組合可以描述，表達(dá)和逼近人臉圖像，因此可以進(jìn)行人臉的相似度檢測(cè)與合成。相似度檢測(cè)過程就是將人臉圖像映射到由特征臉張成的子空間上，比較其與己知人臉在特征臉空間中的位置，具體步驟如下：初始化，獲得人臉圖像的訓(xùn)練集并計(jì)算特征臉，定義為人臉空間；輸入新的人臉圖像，將其映射到特征臉空間，得到一組權(quán)值；通過檢查圖像與人臉空間的距離判斷它是否為人臉；若為人臉，根據(jù)權(quán)值模式判斷它是否為數(shù)據(jù)庫中的某個(gè)人；若同一幅未知人臉出現(xiàn)數(shù)次，則計(jì)算其特征權(quán)值模式并加入到人臉數(shù)據(jù)庫中。((training是測(cè)試階段(testingPCAKMNXN的二維數(shù)I(x,y)N2x1的向量。從一個(gè)特征集中選擇有利于分類的特征子集的過程稱為特征選擇。經(jīng)特征選擇后特征空間的維數(shù)進(jìn)一步得到壓縮。特征選擇也具有一些約束條件，如最小均方誤差、總體熵最小化等。模式特征可以分為物理的、結(jié)構(gòu)的和數(shù)字的三大類。本文中應(yīng)用于判別研究的模式特征是數(shù)字特征，這是由于計(jì)算機(jī)抽取數(shù)字特征方面的能力遠(yuǎn)遠(yuǎn)超過于人，這些數(shù)字特征包括統(tǒng)計(jì)平均值、方差、協(xié)方差矩陣、和特征值、特征向量以及矩等。特征提取所用TK-LPCAFishe最小均方誤差。特征臉方法是一種簡(jiǎn)單，快速，實(shí)用的基于變換系數(shù)特征的算法，它存在如下優(yōu)點(diǎn)：--11--(1)圖像的原始灰度數(shù)據(jù)直接用來學(xué)習(xí)和相似度檢測(cè)，不需任何低級(jí)或中級(jí)處理：(2)不需要人臉的幾何和反射知識(shí)；通過低維子空間表示對(duì)數(shù)據(jù)進(jìn)行壓縮；于訓(xùn)練集和測(cè)試集圖像的灰度相關(guān)性，而且要求測(cè)試圖像與訓(xùn)練集比較像，所以它有著很大的局限性，表現(xiàn)在以下方面；PCA在圖像空間是線形的，它不能處理幾何變化；(7)要求背景單一，對(duì)于復(fù)雜變化背景，需首先進(jìn)行復(fù)雜的圖像分割處理；4流程圖訓(xùn)練樣本訓(xùn)練樣本PCA測(cè)試樣本測(cè)試模塊分類結(jié)果-12-圖4.1整體流程圖訓(xùn)練樣本去均值訓(xùn)練樣本去均值總體散度矩陣奇異值分解PCA圖4.2訓(xùn)練部分流程圖PCA陣達(dá)到降維的目的。仿真結(jié)果105張50幅。另一個(gè)是ORL4010400100%。而隨著訓(xùn)練樣本的也會(huì)對(duì)結(jié)果產(chǎn)生影響，效果不是很好。進(jìn)行直方圖均衡化比灰度歸一化的識(shí)別率高，預(yù)處也只是起到了簡(jiǎn)單的特征臉降維的作用，要有更好的效果，還必須尋找更好的特征表達(dá)，使得可以盡量消除光照、表情、遮掩和姿勢(shì)的影響。下圖為測(cè)試流程截圖：-13-圖1用戶使用界面-14-圖2圖片選擇后-15-圖3查找后總結(jié)

5本文以人臉相似度檢測(cè)算法中特征提取、分類器設(shè)計(jì)作了系統(tǒng)的研究，在理論、方法和應(yīng)用上進(jìn)行了一系列探索，所取得的主要成果總結(jié)如下:用的人臉相似度檢測(cè)標(biāo)準(zhǔn)數(shù)據(jù)庫。特征維數(shù)和訓(xùn)練樣本個(gè)數(shù)對(duì)相似度檢測(cè)性能的影響。PCA作為一種多元數(shù)據(jù)處理方法，它可以最優(yōu)地表達(dá)原始數(shù)據(jù)，是滿足最小均方誤差意義下的最優(yōu)，可以表達(dá)原始數(shù)據(jù)的變化。-16-PCAKPCA展望0.01右，由于利用的是人體骨骼的相似度檢測(cè)技術(shù)，所以即使易容改裝，也難以蒙過它的眼睛。而且“人臉相似度檢測(cè)系統(tǒng)”具有存儲(chǔ)功能，只要把一些具有潛在危險(xiǎn)性的“重點(diǎn)人物”的“臉部特寫”輸入存儲(chǔ)系統(tǒng)，重點(diǎn)人物如擅自闖關(guān)，就會(huì)在 0.01秒之內(nèi)被出來，同時(shí)向其他安保中心“報(bào)警”。另外，某些重要區(qū)域如控制中心只允許特定身份的工作人員進(jìn)出，這時(shí)候面部檔案信息未被系統(tǒng)存儲(chǔ)的所有人全都會(huì)被拒之門外。與以前的指紋相似度檢測(cè)系統(tǒng)相比，人臉相似度檢測(cè)系統(tǒng)有很多的改進(jìn)。用于人臉相似度檢測(cè)的攝像機(jī)一天24小時(shí)都可工作，第一它不侵犯人權(quán)，第二它是很安全的，無論室內(nèi)還是戶外均可使用。人臉相似度檢測(cè)系統(tǒng)意味著每個(gè)人的臉上都貼著名字，外人看不見，但監(jiān)控系統(tǒng)能看得見。而且被觀察的人不知道有設(shè)備在監(jiān)視他，起到了科技奧運(yùn)、文明奧運(yùn)的功能。人臉的自動(dòng)分割。人臉相似度檢測(cè)技術(shù)應(yīng)該包括復(fù)雜背景下的人臉定位和純臉分割,以及人臉相似度檢測(cè)兩個(gè)方面的工作。要想使人臉相似度檢測(cè)技術(shù)得到廣泛的發(fā)展和應(yīng)用,首先必須要解決人臉自動(dòng)分割問題。而人臉的自動(dòng)分割是一個(gè)很有挑戰(zhàn)性的研究課題?；诖鷶?shù)特征的人臉相似度檢測(cè)方法。它的有點(diǎn)在于應(yīng)用簡(jiǎn)單 ,算法穩(wěn)健，隨新的分類算法的出現(xiàn),基于代數(shù)特征的人臉相似度檢測(cè)方法仍然有很大的發(fā)展空間?；诙嗵卣餍畔⑷诤系姆椒āＨ四樏娌康募?xì)節(jié)信息非常重要 ,對(duì)表情的相似度測(cè)起著極其重要的作用,如何充分利用人臉本身的豐富信息將是面部表情相似度檢測(cè)研究一個(gè)值得探索的方向?；诙喾诸惼魅诤系谋砬橄嗨贫葯z測(cè)方法，由于不同的分類器想對(duì)于不同的特征和環(huán)境有著不同的性能,研究一個(gè)良好的融合策略將是提高人臉相似度檢測(cè)系統(tǒng)的一個(gè)很好的研究方向。-17-參考文獻(xiàn)張瑩,李勇平,敖新宇.基于主元分析法的通用人臉檢測(cè)模塊設(shè)計(jì)[J].科學(xué),2011,01:97-101.陳志恒,姜明新.基于主元分析法的人臉檢測(cè)系統(tǒng)的設(shè)計(jì)[J]. 電子設(shè)計(jì)程,2012,10:182-185.陸珂.基于主元分析法的人臉檢測(cè)與跟蹤算法研究[D].華東理工大學(xué)[4]趙黎.基于主元分析法的人臉檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 科技信息(科學(xué)教研),2008,18:351+403.[5]MFC[D].室,2015:2-3[6]HongZiquan.AlgebraicFeatureExtractionofImagforRecognition[J]PatternRecognition,1991.22（1：43~44.YuilleAL.DetectionTemplatesforFaceRecognition[J]CognitiveNeuroscience1991.191~200盧春雨,張長(zhǎng)水.局域區(qū)域特征的快速人臉檢測(cè)法.[J]北京;清華大學(xué)學(xué)報(bào).1999.96（1）;4~6.陳剛,戚飛虎.實(shí)用人臉相似度檢測(cè)系統(tǒng)的本征臉法實(shí)現(xiàn).[D]2001年523(1):45~46.杜平,徐大為,劉重慶.基于整體特征的人臉相似度檢測(cè)方法的研究[J].2003年649（3）;382~383.ChowG,LiX.TowardsASystemforAutomaticFacialFeatureDetection[J]29(3);2~3.楊奕若,王煦法,楊未來.人臉全局特征相似度檢測(cè)研究.[Z]1997年11月.871~875.邊肇祺,張學(xué)工,閻平凡,等.模式相似度檢測(cè)[D].北京:清華大學(xué)出版社,30(2)16~17.鄧楠,基于主成份分析的人臉識(shí)別.2006.06.龔勛,PCA與人臉識(shí)別及其理論基礎(chǔ).2007.04.-18-附錄matlab源碼“讀取圖片”按鈕functionpushbutton1_Callback(hObject,eventdata,handles)%hObject handletopushbutton1(seeGCBO)%eventdata reserved-tobedefinedinafutureversionofMATLAB%handles structurewithhandlesanduserdata(seeGUIDATA)%讀取待查找圖片globalim;%由于要在兩個(gè)按鈕函數(shù)中使用，故使用全局變量[filename,pathname]=...uigetfile({'*.bmp'},'選擇圖片');str=[pathname,filename];%合成路徑+文件名im=imread(str);%讀取圖片axes(handles.axes1);%imshow(im);title('待查找')%顯示圖片“開始查找”按鈕functionpushbutton2_Callback(hObject,eventdata,handles)%hObject handletopushbutton2(seeGCBO)%eventdata reserved-tobedefinedinafutureversionofMATLAB%handles structurewithhandlesanduserdata(seeGUIDATA)%%PCA人臉識(shí)別globalim;%使用全局變量imgdata=[];%訓(xùn)練圖像矩陣-19-fori=1:10forj=1:5a=imread(strcat('C:\Users\Think\Desktop\orl\practice\',num2str(i),'\',num2str(j),'.bmp'));b=a(1:112*92);%b1×N，b=double(b);imgdata=[imgdata;b];%imgdataM*N，imgdata圖片，M＝50end;end;imgdata=imgdata';fori=1:50minus(:,i)imgdata(:,i)-imgmean;minusN*M間的差值end;covx=minus'*minus;%M*M階協(xié)方差矩陣[COEFF,latent,explained]=pcacov(covx');%PCA小計(jì)算量95%i=1;proportion=0;while(proportion<95)proportion=proportion+explained(i);i=i+1;end;p=i-1;-20-%訓(xùn)練得到特征臉坐標(biāo)系i=1;while(i<=p&&latent(i)>0)base(:,i)=latent(i)^(-1/2)*minus*COEFF(:,i);%N×platent(i)^(1/2)是