人臉識(shí)別課程設(shè)計(jì)報(bào)告

.../用Matlab實(shí)現(xiàn)人臉識(shí)別學(xué)院：信息工程學(xué)院班級(jí)：計(jì)科軟件普131成員：一、問題描述在一個(gè)人臉庫(kù)中,有15個(gè)人,每人有11幅圖像。要求選定每一個(gè)人的若干幅圖像組成樣本庫(kù),由樣本庫(kù)得到特征庫(kù)。再任取圖像庫(kù)的一張圖片,識(shí)別它的身份。對(duì)于一幅圖像可以看作一個(gè)由像素值組成的矩陣,也可以擴(kuò)展開,看成一個(gè)矢量。如一幅N*N象素的圖像可以視為長(zhǎng)度為N2的矢量,這樣就認(rèn)為這幅圖像是位于N2維空間中的一個(gè)點(diǎn),這種圖像的矢量表示就是原始的圖像空間,但是這個(gè)空間僅是可以表示或者檢測(cè)圖像的許多個(gè)空間中的一個(gè)。不管子空間的具體形式如何,這種方法用于圖像識(shí)別的基本思想都是一樣的,首先選擇一個(gè)合適的子空間,圖像將被投影到這個(gè)子空間上,然后利用對(duì)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(gè)子空間,最后使用最小距離法進(jìn)行識(shí)別,并用matlab實(shí)現(xiàn)。二、PCA原理和人臉識(shí)別方法1K-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(duì)原始數(shù)據(jù)進(jìn)行正交變換,在變換域上實(shí)現(xiàn)數(shù)據(jù)壓縮。它具有去相關(guān)性、能量集中等特性,屬于均方誤差測(cè)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(guān)性的一種變換。PCA則是選取協(xié)方差矩陣前k個(gè)最大的特征值的特征向量構(gòu)成K-L變換矩陣。2主成分的數(shù)目的選取保留多少個(gè)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(jì)貢獻(xiàn)率>,它標(biāo)志著前幾個(gè)主成分概括信息之多寡。實(shí)踐中,粗略規(guī)定一個(gè)百分比便可決定保留幾個(gè)主成分；如果多留一個(gè)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(shè)一幅人臉圖像包含N個(gè)像素點(diǎn),它可以用一個(gè)N維向量Γ表示。這樣,訓(xùn)練樣本庫(kù)就可以用Γi〔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：λ1≥λ2≥...≥λr,其對(duì)應(yīng)的特征向量為μk。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,每一幅人臉圖像對(duì)應(yīng)于子空間中的一點(diǎn)。同樣,子空間的任意一點(diǎn)也對(duì)應(yīng)于一幅圖像。4人臉識(shí)別有了這樣一個(gè)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(biāo)系數(shù),這組系數(shù)表明了該圖像在子空間中的位置,從而可以作為人臉識(shí)別的依據(jù)。計(jì)算數(shù)據(jù)庫(kù)中每張圖片在子空間中的坐標(biāo),得到一組坐標(biāo),作為下一步識(shí)別匹配的搜索空間。計(jì)算新輸入圖片在子空間中的坐標(biāo),采用最小距離法,遍歷搜索空間,得到與其距離最小的坐標(biāo)向量,該向量對(duì)應(yīng)的人臉圖像即為識(shí)別匹配的結(jié)果。三、實(shí)驗(yàn)步驟1>每人選取4幅共60幅作為訓(xùn)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(jì)算每幅圖像的投影5>計(jì)算待識(shí)別人臉的投影6>遍歷搜索進(jìn)行匹配四、實(shí)驗(yàn)結(jié)果與分析matlab界面效果如下所示圖1用戶使用界面圖2選擇圖片圖3圖片選擇后圖4識(shí)別后由于利用了標(biāo)準(zhǔn)庫(kù),并且識(shí)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(xùn)練集以及測(cè)試,所以最終的結(jié)果還是非常不錯(cuò)的,識(shí)別率可達(dá)100%。但是選擇有較大陰影的人做測(cè)試,則會(huì)出現(xiàn)識(shí)別錯(cuò)誤,所以PCA算法還是存在一定的局限性。圖5識(shí)別錯(cuò)誤主要代碼展示functionpushbutton1_Callback<hObject,eventdata,handles>%hObjecthandletopushbutton1<seeGCBO>%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata<seeGUIDATA>%readimagetoberecognize%讀取圖片globalim;[filename,pathname]=uigetfile<{'*.bmp'},'choosephoto'>;str=[pathname,filename];im=imread<str>;axes<handles.axes1>;imshow<im>;%Executesonbuttonpressinpushbutton2.functionpushbutton2_Callback<hObject,eventdata,handles>%hObjecthandletopushbutton2<seeGCBO>%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata<seeGUIDATA>globalimglobalreferenceglobalW%均值向量按列排成的變換矩陣globalimgmean%均值向量globalcol_of_dataglobalpathnameglobalimg_path_list%預(yù)處理新數(shù)據(jù)im=double<im<:>>;objectone=W'*<im-imgmean>;%計(jì)算每幅圖像的投影distance=100000000;%最小距離法,尋找和待識(shí)別圖片最為接近的訓(xùn)練圖片fork=1:col_of_datatemp=norm<objectone-reference<:,k>>;if<distance>temp>aimone=k;distance=temp;aimpath=strcat<pathname,'/',img_path_list<aimone>.name>;axes<handles.axes2>imshow<aimpath>endend%顯示測(cè)試結(jié)果%aimpath=strcat<pathname,'/',img_path_list<aimone>.name>;%axes<handles.axes2>%imshow<aimpath>%Executesonbuttonpressinpushbutton3.functionpushbutton3_Callback<hObject,eventdata,handles>%hObjecthandletopushbutton3<seeGCBO>%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata<seeGUIDATA>globalreferenceglobalWglobalimgmeanglobalcol_of_dataglobalpathnameglobalimg_path_list%批量讀取指定文件夾下的圖片128*128pathname=uigetdir;img_path_list=dir<strcat<pathname,'\*.bmp'>>;img_num=length<img_path_list>;imagedata=[];ifimg_num>0forj=1:img_numimg_name=img_path_list<j>.name;temp=imread<strcat<pathname,'/',img_name>>;temp=double<temp<:>>;imagedata=[imagedata,temp];endendcol_of_data=size<imagedata,2>;%中心化&計(jì)算協(xié)方差矩陣imgmean=mean<imagedata,2>;fori=1:col_of_dataimagedata<:,i>=imagedata<:,i>-imgmean;endcovMat=imagedata'*imagedata;[COEFF,latent,explained]=pcacov<covMat>;%選擇構(gòu)成95%能量的特征值i=1;proportion