本科畢業(yè)論文-PCA-LDA算法在性別鑒別中的應(yīng)用

PAGEPAGE4摘要人臉性別鑒別是計算機(jī)視覺和模式識別領(lǐng)域的一個活躍課題，有著十分廣泛的應(yīng)用前景。本文提出了一種新的人臉性別鑒別方法。該方法是結(jié)合PCA-LDA算法來進(jìn)行對人臉提取特征量的。先采用PCA算法將圖像進(jìn)行降維，然后在低維空間中利用LDA進(jìn)行特征提取作為分類特征。利用ORL人臉數(shù)據(jù)庫進(jìn)行測試，通過實驗驗證該方法的可行性，及表明:該識別方法識別效果較好,能夠適應(yīng)表情、光照的變換。且在ORL人臉圖象數(shù)據(jù)庫有較好的識別效果。關(guān)鍵詞人臉識別；人臉性別鑒別；MATLAB；ORL人臉數(shù)據(jù)庫；特征向量；主元分析方法；線性鑒別分析方法AbstractThehumanfacesexdistinctionisthecomputervisionandapatternrecognitiondomainactivetopic,hastheextremelywidespreadapplicationprospect.Thisarticleproposedonenewpersonfacesexdistinctionmethod.ThismethodisunifiesthePCA-LDAalgorithmtocarryontothehumanfaceextractioncharacteristicquantity.UsesthePCAalgorithmtocarryonfirsttheimagefallsUygur,theninlowersintheUygurspacetocarryonthecharacteristicextractionusingLDAtotaketheclassifiedcharacteristic.CarriesonthetestusingtheORLpersonfacedatabase,confirmsthismethodthroughtheexperimentthefeasibility,andindicated:Thisrecognitionmethodsrecognitioneffectisgood,Canadapttheexpression,theilluminationtransformation.AlsohasthegoodrecognitioneffectintheORLpersonfaceimagedatabase.KeywordsHumanfacerecognition；Humanfacesexdistinction；MATLAB；ORLpersonfacedatabase；Characteristicvector；Principalelementanalysismethod；Lineardistinctionanalysismethod目錄摘要……………………..ⅠAbstract………………….Ⅱ第1章引言…………….11.1人臉性別鑒別概述…………..11.1.1圖像處理與模式識別原理…………...11.1.2人臉識別概述………...21.1.3人臉性別鑒別的發(fā)展歷史…………...31.1.4人臉性別鑒別的特點………………...41.2人臉性別鑒別原理…………..51.2.1人臉性別鑒別的概念………………...51.2.2人臉性別鑒別的過程………………...61.2.3人臉性別鑒別的主要方法及各方法優(yōu)缺點………...71.3人臉性別鑒別的應(yīng)用………..10第2章軟件介紹………………122.1MATLAB簡介……………….122.1.1Matlab語言特點…….122.1.2MATLABimageprocessingtoolbox簡介………2.2MATLAB在圖像處理技術(shù)方面的應(yīng)用…….16第3章基于主元分析和線性判別分析原理………183.1主元分析(PCA)的概念………………..……..183.2線性判別分析(LDA)的概念…………………193.3基于PCA-LDA的人臉性別鑒別方法……20第4章程序的設(shè)計過程及調(diào)試過程…………………..224.1人臉性別鑒別系統(tǒng)設(shè)計流程圖……………...234.2程序設(shè)計過程及調(diào)試過程…………………...244.3實驗結(jié)果分析和比較………...26總結(jié)………………………28致謝………………………29參考文獻(xiàn)………………….30附錄1……………………..31附錄2……………………..37附錄3…………………….42第1章引言1.1人臉性別鑒別概述1.1.1圖像處理與模式識別原理圖像處理，即用計算機(jī)對圖像進(jìn)行處理。與人類對視覺機(jī)理著迷的歷史相比，它是一門相對年輕的科學(xué)。但在其短短的歷史中，它卻廣泛應(yīng)用于幾乎所有與成像有關(guān)的領(lǐng)域。所謂數(shù)字圖像就是量化的圖像。我們可以把數(shù)字圖像處理定義為：對一個物體的數(shù)字表示施加一系列的操作，以得到所期望的結(jié)果。數(shù)字圖像處理可分為三個部分：第一部分是圖像的獲取、存貯和檢索，其中包括圖像變換成壓縮圖像以及壓縮圖像的復(fù)原。圖像壓縮技術(shù)采用某些方法將圖像中最主要的信息保存，以節(jié)省硬盤或外圍存貯設(shè)備空間。壓縮圖像的復(fù)原是指采取一定的方法，盡可能將壓縮后的圖像恢復(fù)為原始圖像。第二部分是圖像的處理和增強(qiáng)，其中包括直方圖的均衡化、圖像增強(qiáng)、圖像復(fù)原以及投影重建圖像。圖像直方圖是指一幅圖像灰度分布的概率圖，為提高圖像對比度，常常需要改變原圖像灰度分布的概率圖，及圖像直方圖均衡化。圖像增強(qiáng)指將原始圖像經(jīng)過一定變換后，提高圖像對比度。圖像復(fù)原是指將失真或畸變的圖像盡可能恢復(fù)到原狀。圖像重建是圖像處理中一個重要的內(nèi)容，它是指由原三維投影數(shù)據(jù)（圖像）重建原三維圖像的方法。第三部分是圖像比較和抽象，其中包括圖像匹配，圖像描述和模式識別。采用必要的方法提取圖像特征部分，以達(dá)到定量或半定量分析的目的。模式識別誕生于20世紀(jì)20年代，隨著40年代計算機(jī)的出現(xiàn)，50年代人工智能的興起，模式識別在60年代迅速發(fā)展成一門學(xué)科，它所研究的理論和方法在很多科學(xué)和技術(shù)領(lǐng)域中得到廣泛的重視，推動了人工智能系統(tǒng)的發(fā)展，擴(kuò)大了計算機(jī)應(yīng)用的可能性。幾十年來，模式識別研究取得了大量的成果，在很多方面得到了成功的應(yīng)用。模式識別方法和應(yīng)用十分廣泛，也相當(dāng)復(fù)雜。模式識別的研究對象基本上可概括為二大類：一類是有直覺形象的如圖象、相片、圖案、文字等等，一類是沒有直覺形象而只有數(shù)據(jù)或信息波形如語聲、心電脈沖、地震波等等。對于模式識別來說，無論是數(shù)據(jù)、信號還是平面圖形或立體景物都是除掉他們的物理內(nèi)容而找出它們的共性，把具有同一共性的歸為一類，而具有另一種共性者歸為另一類。它的目的是研制出能夠自動處理某些信息的機(jī)器系統(tǒng)，以便代替人來完成分類和辨別的任務(wù)。以下就是模式識別的簡單框圖：信息處理特征抽取判決被識圖象圖象信息獲取信息處理特征抽取判決被識圖象圖象信息獲取結(jié)果圖1-1-1從框圖可以看出，一個圖象識別系統(tǒng)可分為三個主要部分：第一部分是圖象信息的獲取，它相當(dāng)于對被研究對象的調(diào)查和了解，從中得到數(shù)據(jù)和材料，對圖象識別來說就是把圖片、底片、文字圖形等用光電掃描設(shè)備變換為電信號以備后續(xù)處理。第二部分是信息的加工與處理。它的作用在于把調(diào)查了解到的數(shù)據(jù)材料進(jìn)行加工、整理、分析、歸納以去偽存真，去粗取精，抽出能發(fā)映事物本質(zhì)的特征。抽取什么特征，保留多少特征與采用何種判決有很大關(guān)系。第三部分是判決或分類。這相當(dāng)于人們從感性認(rèn)識升到理性認(rèn)識而做出的結(jié)論的過程。第三部分與特征抽取的方式密切相關(guān)。它的復(fù)雜程度也依賴于特征的抽取方式。如類似度相關(guān)性最小距離等等。1.1.2人臉識別概述自古以來，鑒別人的身份就是人類生活必不可少的內(nèi)容。早在古埃及時，人們就開始通過人體生物特征的測量（如人臉、人手等）來鑒別人的身份。在刑偵領(lǐng)域，人們也早已使用最有效的人體生物特征之一——指紋來確定罪犯。本世紀(jì)隨著計算機(jī)技術(shù)的出現(xiàn)，人們開始憑借計算機(jī)的強(qiáng)大功能來研究和實現(xiàn)自動的身份鑒別系統(tǒng)。六十年代，出現(xiàn)了以自動測量人體手指和手的身份鑒別系統(tǒng)；八十年代，計算機(jī)技術(shù)日新月異，于是基于計算機(jī)技術(shù)的人體生物識別技術(shù)的研究和產(chǎn)品研發(fā)也方興未艾，如火如荼了。早在60年代末,人臉識別即引起了研究者的強(qiáng)烈興趣，但早期的人臉識別一般都需要人的某些先驗知識，無法擺脫人的干預(yù)。進(jìn)入90年代，由于高速度高性能的計算機(jī)的出現(xiàn)，人臉識別的方法有了重大突破，進(jìn)入了真正的機(jī)器自動識別階段，人臉識別研究得到了前所未有的重視，國際上發(fā)表有關(guān)人臉識別等方面的論文數(shù)量大幅度增加，僅從1990年到2000年之間，EI可檢索到的相關(guān)文獻(xiàn)多達(dá)數(shù)千篇,這期間關(guān)于人臉識別的綜述也屢屢可見。1.1.3人臉性別鑒別的發(fā)展歷史現(xiàn)實生活中，兩類模式識別問題廣泛存在，例如身份認(rèn)證中的性別鑒別、鈔票的真假識別、醫(yī)學(xué)染色體變異與非變異識別、以及醫(yī)學(xué)細(xì)胞的識別等。隨著計算機(jī)及網(wǎng)絡(luò)技術(shù)的高速發(fā)展,信息安全顯示出前所未有的重要性。身份鑒定(識別)是保證系統(tǒng)安全的必要前提,在金融、國家安全、司法、電子商務(wù)、電子政務(wù)等應(yīng)用領(lǐng)域,都需要準(zhǔn)確的身份鑒定(識別)。身份鑒定(識別)一般可分為三類:基于特定物品；基于特定知識；基于生物特征。前兩類方法(如身份證、工作證、智能卡、密碼、口令等)存在攜帶不便、容易遺失、或者由于使用過多或不當(dāng)而損壞、不可讀和密碼易被破解等諸多問題。因此,目前廣泛使用的依靠證件、個人識別號碼、口令等傳統(tǒng)方法來確認(rèn)個人身份的技術(shù)面臨著嚴(yán)峻的挑戰(zhàn),并越來越不適應(yīng)現(xiàn)代科技的發(fā)展和社會的進(jìn)步。而基于生物特征識別技術(shù)的個人身份識別系統(tǒng)具有更好的安全性、可靠性和有效性,而且人臉的識別具有唯一性,因此越來越受到人們的重視。例如應(yīng)用人臉的性別識別來判別身份的真假。人臉性別鑒別(識別)技術(shù)[1]就是利用計算機(jī)分析人臉圖像，從中提取有效的識別信息，用來辨認(rèn)性別的一門技術(shù)，它涉及到模式識別、圖像處理、計算機(jī)視覺、生理學(xué)、心理學(xué)及認(rèn)識學(xué)等諸多學(xué)科的知識，并與基于其他生物特征的身份鑒別方法以及計算機(jī)人機(jī)感知交互的研究領(lǐng)域都有密切聯(lián)系。與指紋、視網(wǎng)膜、虹膜、基因、掌紋等其他人體生物特征識別系統(tǒng)相比，人臉識別系統(tǒng)更加直接、友好。使用者無心理障礙。人臉性別鑒別技術(shù)應(yīng)用背景十分廣泛，可用于公安系統(tǒng)刑偵破案的罪犯身份識別、身份證及駕駛執(zhí)照等證件驗證、銀行及海關(guān)的監(jiān)控、自動門衛(wèi)系統(tǒng)、視頻會議、機(jī)器人的智能化研究以及醫(yī)學(xué)等方面。雖然人類可以毫不困難地由人臉辨別一個人的性別，但利用計算機(jī)進(jìn)行完全自動的人臉性別鑒別仍存在許多困難，其表現(xiàn)在:人臉是非剛體，存在表情變化；人臉隨年齡增長而變化；發(fā)型、眼鏡等裝飾對人臉造成遮擋；人臉?biāo)蓤D像受光照、成像角度、成像距離和一個人的漂亮程度等影響[2]。女性化程度越高人的漂亮程度就越高。此外人臉性別鑒別技術(shù)研究與相關(guān)學(xué)科的發(fā)展及人腦的認(rèn)識程度緊密相關(guān)。這諸多因素使得人臉性別鑒別研究成為一項極富挑戰(zhàn)性的課題。經(jīng)過數(shù)十年的研究,計算機(jī)技術(shù)日新月異，于是基于計算機(jī)技術(shù)的人體生物識別技術(shù)的研究和產(chǎn)品研發(fā)也方興未艾，如火如荼了。近年來，在美國、歐洲、中國香港等許多國家和地區(qū)的大學(xué)都成立了以人體生物識別技術(shù)（biometrics）為主要研究方向的實驗室或研究中心，同時許多公司也相繼開發(fā)出許多產(chǎn)品，并不斷地推向市場，逐步形成了一個很有希望的產(chǎn)業(yè)。在我國，哈工大成立了第一個人體生物識別技術(shù)研究中心，已經(jīng)開展了用于身份鑒別的人臉識別、話者識別、聯(lián)機(jī)簽名識別、指紋識別等多項研究工作，已取得了一定的成果，并首次提出了將人體生物識別技術(shù)用于中醫(yī)診斷，已經(jīng)開展了面向中醫(yī)診斷的自動舌象處理系統(tǒng)，基于人體生物特征識別技術(shù)的掌紋診病系統(tǒng)等研究工作。另外，中科院自動化所國家模式識別實驗室也已廣泛開展人體生物識別技術(shù)方面的研究工作，清華大學(xué)、北京大學(xué)等高校及其他研究機(jī)構(gòu)都有許多人員投身到這一新興研究領(lǐng)域。90年代直今,由于高速度高性能計算機(jī)的出現(xiàn),人臉性別鑒別的方法有了重大突破,進(jìn)入了真正的機(jī)器自動識別階段,國際上發(fā)表有關(guān)人臉性別鑒別等方面的論文數(shù)量大幅度增加。識別的方法也層出不鮮,多種多樣。Gollomb等人[3]采用兩層神經(jīng)元網(wǎng)絡(luò)SEXNET方法,用來識別30×30的人臉樣本的性別；Cottrell等人[4]先對樣本進(jìn)行主分量分析,然后訓(xùn)練BP神經(jīng)元網(wǎng)絡(luò)用于識別人臉的表情和性別；Edelman等[5]采用線性神經(jīng)元網(wǎng)絡(luò)進(jìn)行分類,用人臉的三個不同部分(整個人臉、人臉的上半部分和下半部分)分別訓(xùn)練,對這三種情況下的分類器性能加以比較分析；Alice等[2]系統(tǒng)地研究了人臉女性化程度、男性化程度、可識別程度和漂亮程度之間的關(guān)系，并用PCA模型對人臉中所含信息的統(tǒng)計結(jié)構(gòu)進(jìn)行了定量計算；他們還用PCA方法從人臉的三維模型（結(jié)構(gòu)和紋理）中提取特征，并用于訓(xùn)練性別分類的感知機(jī)[6]等等。1.1.4人臉性別鑒別的特點人臉圖象的性別鑒別是人臉識別中的兩類識別問題，而鑒于人臉識別技術(shù)與其他人體生物特征識別技術(shù)相比較，因而它有其獨(dú)特的優(yōu)點。（1）人臉識別技術(shù)有快速、簡便、非侵?jǐn)_和不需要人的被動配合的特點。因為除這種識別技術(shù)以外，其余的人體生物特征識別技術(shù)對人們來說都是一種干擾，都需要人的被動配合。如指紋和掌紋識別都需要人們將手放在玻璃表面，而虹膜識別需要用激光照射人的眼睛，而聲音識別需要人對著麥克風(fēng)講話，字跡識別則需要人簽字等等。而人體面貌識別無需干擾人們的行為，你只需要很快從一架攝像機(jī)前走過，你的面貌就已經(jīng)被快速地采集和檢驗，所以非常簡便。（2）人臉識別技術(shù)有良好的防偽、防欺詐、準(zhǔn)確、直觀、方便的特點。因為同其他人體生物特征識別技術(shù)相比較，只有面像識別是最直觀、最可靠、最準(zhǔn)確的，因而它是優(yōu)良的防偽、防欺詐的。（3）人臉識別技術(shù)具有性價比高、經(jīng)濟(jì)、可擴(kuò)展性良好的特點。因為人體面貌識別技術(shù)比其他的人體生物特征識別技術(shù)的性能要優(yōu)越，它不要人的行為的配合能方便有效地核查人的身份，而且只需通用的PC硬件及相關(guān)軟件，因而經(jīng)濟(jì)、性價比高；由于其直觀、準(zhǔn)確，且應(yīng)用更為廣泛，因此具有良好的可擴(kuò)展性能。（4）人臉識別技術(shù)具有非接觸式的、連續(xù)的和實時的特點，利用此優(yōu)點，可以在監(jiān)控范圍內(nèi)發(fā)現(xiàn)人臉，而不論其遠(yuǎn)近和位置，能連續(xù)的跟蹤他們并將它們從背景中分離出來，將他的面像與監(jiān)控列表進(jìn)行比對。整個過程完全是無需干預(yù)的，連續(xù)的和實時的。1.2人臉性別鑒別原理1.2.1人臉性別鑒別的概念人臉性別鑒別就是對于輸入的人臉圖像或者視頻，首先判斷其中是否存在人臉，如果存在人臉，則進(jìn)一步的給出每個人臉的位置、大小和各個主要面部器官的位置信息，并依據(jù)這些信息，進(jìn)一步提取每個人臉中所蘊(yùn)含的身份特征，并將其與已知人臉庫中的人臉進(jìn)行對比，從而辨別出每個人臉的性別身份。人臉性別鑒別的過程可以分為以下三個部分：（1）人臉檢測判斷輸入圖像中是否存在人臉，如果有，給出每個人臉的位置，大小。（2）面部特征定位對找到的每個人臉，檢測其主要器官的位置和形狀等信息。（3）人臉比對根據(jù)面部特征定位的結(jié)果，與庫中人臉對比，判斷該人臉的性別身份信息。從應(yīng)用的角度，人臉性別鑒別包括兩大類：（1）人臉性別身份識別即根據(jù)人臉圖像識別出人物的性別身份，鑒別此人的性別問題；（2）人臉性別身份確認(rèn)/驗證判斷圖像中的人臉的性別是否是其真實的性別，即確認(rèn)真實性別的問題；特征提?。簽榱死脙x器進(jìn)行圖像判讀及分析處理，需要從原始圖像數(shù)據(jù)中求出有益于分析的判讀標(biāo)志及統(tǒng)計量等各種參數(shù)。對圖像進(jìn)行變換，突出其具有代表性的特征的方法，叫特征提取。特征提取可以定量地抽出以下三種特征：（1）光譜特征可提取顏色或灰度或波段間的亮度比等目標(biāo)物的光譜特征，例如Landsat的MSS有四個波段，根據(jù)某類地物的光譜特征，采用特定的比值可將其突出出來。（2）空間（幾何）特征把目標(biāo)物的形狀、大小、或者邊緣，線性構(gòu)造等幾何性特征提取出來，例如把區(qū)域斷層明顯突出出來。（3）紋理特征是指周期性圖案及區(qū)域的均勻性等有關(guān)紋理的特征。根據(jù)構(gòu)成圖案的要素形狀、分布密度、方向性等紋理進(jìn)行圖像特征提取的處理叫做紋理分析。1.2.2人臉性別鑒別的過程人臉性別鑒別的識別過程一般分三步：（1）首先建立人體面貌的面像檔案即用攝像機(jī)采集單位人員的人體面貌的面像文件或取他們的照片形成面像文件，并將這些面像文件生成面紋（Faceprint）編碼貯存起來。（2）獲取當(dāng)前的人體面像即用攝像機(jī)捕捉的當(dāng)前出入人員的面像，或取照片輸入，并將當(dāng)前的面像文件生成面紋編碼。（3）用當(dāng)前的面紋編碼與檔案庫存的對比即將當(dāng)前的面像的面紋編碼與檔案庫存中的面紋編碼進(jìn)行檢索比對。上述的“面紋編碼”方式是根據(jù)人體面貌臉部的本質(zhì)特征和開頭來工作的。這種面紋編碼可以抵抗光線、皮膚色調(diào)、面部毛發(fā)、發(fā)型、眼鏡、表情和姿態(tài)的變化，具有強(qiáng)大的可靠性，從而使它可以從百萬人中精確地辯認(rèn)出某個人，從而鑒別出其性別來。1.2.3人臉性別鑒別的主要方法及各方法優(yōu)缺點人臉性別自動識別系統(tǒng)包括兩個主要的技術(shù)環(huán)節(jié),如圖1-人臉檢測與定位特征提取與分類識別輸入圖像 輸出結(jié)果人臉檢測與定位特征提取與分類識別圖1-2-1性別自動識別系統(tǒng)首先是人臉檢測與定位，即檢測圖像中是否有人臉，若有，將其從背景中分割出來，并確定其在圖像中的位置。其次是特征提取與人臉分類識別。特征提取之前一般需要做幾何歸一化和灰度歸一化的工作。前者是指根據(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，后者是指對圖像進(jìn)行光照補(bǔ)償?shù)忍幚?，以克服光照變化的影響。提取出待識別的人臉特征之后，即可進(jìn)行特征匹配。這個過程是一對多或一對一的匹配過程，前者是確定輸入圖像為圖像庫中的哪一類人，后者是驗證輸入圖像的人的性別是否屬實。識別人臉主要依據(jù)那些在不同個體之間存在較大差異而對于同一個人則比較穩(wěn)定的特征。而性別判別就是兩類識別問題，依據(jù)的是對于某類事物有相對比較穩(wěn)定的特征。具體的特征形式隨識別方法的不同而不同，而且提取特征量的方法不同分類的方法和結(jié)果就不同。早期研究較多的靜態(tài)人臉識別方法有基于幾何特征的人臉識別分類方法和基于相關(guān)匹配的人臉識別方法。目前，靜止圖像的人臉識別方法主要有三個研究方向：一是基于統(tǒng)計的識別方法,包括特征臉(Eigenface)方法和隱馬爾科夫模型(HiddenMarkovModel)方法；二是基于連接機(jī)制的識別方法，包括一般的神經(jīng)網(wǎng)絡(luò)方法和彈性圖匹配(ElasticGraphMathching)方法；三是其他一些綜合方法或處理非二維灰度圖像的方法。（1）幾何特征的人臉性別鑒別方法常采用的幾何特征有人臉的五官如眼睛、鼻子、嘴巴等的局部形狀特征，臉型特征以及五官在臉上分布的幾何特征。提取特征時往往要用到人臉結(jié)構(gòu)的一些先驗知識。在這種基于幾何特征的識別中，識別總歸為特征矢量之間的匹配，基于歐氏距離的判決是最常用的識別方法?；趲缀翁卣鞯淖R別方法具有如下優(yōu)點：①符合人類識別人臉的機(jī)理，易于理解；②對每幅圖像只需存儲一個特征矢量，存儲量??；③對光照變化不太敏感。但是這種方法同樣存在很多的問題：①從圖像中抽取穩(wěn)定的特征比較困難，特別是特征受到遮擋時；②對強(qiáng)烈的表情變化和姿態(tài)變化的魯棒性較差；③一般幾何特征只描述了部件的基本形狀與結(jié)構(gòu)關(guān)系，忽略了局部細(xì)微特征,造成部分信息丟失，一般只適合于要求不高的粗分類。（2）基于模板匹配的人臉性別鑒別方法模板匹配法是一種經(jīng)典的模式識別方法，這種方法大多是用歸一化互相關(guān)，直接計算兩類圖像之間的匹配程度。由于這種方法要求兩類圖像上的目標(biāo)要有相同的尺度、取向和光照條件,所以預(yù)處理要做尺度歸一化和灰度歸一化的工作。最簡單的人臉模板是將人臉看成一個橢圓，檢測人臉也就是檢測圖像中的橢圓。另一種方法是將人臉用一組獨(dú)立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。但這些模板的獲得必須利用各個特征的輪廓，而傳統(tǒng)的基于邊緣提取的方法很難獲得較高的連續(xù)邊緣。即使獲得了可靠度高的邊緣,也很難從中自動提取所需的特征量。為此，用彈性模板方法提取特征顯示出其獨(dú)到的優(yōu)越性。彈性模板由一組根據(jù)特征形狀的先驗知識設(shè)計的可調(diào)參數(shù)所定義。為了求出這組參數(shù)，需要利用圖像的邊緣、峰值、谷值和強(qiáng)度信息及特征形狀的先驗知識設(shè)計合適的能量函數(shù)。參數(shù)向能量減小方向調(diào)整，當(dāng)能量達(dá)到最小時，這組參數(shù)對應(yīng)的模板形狀最符合特征形狀。把基于幾何特征的人臉性別鑒別方法和基于模板匹配的人臉性別鑒別方法進(jìn)行比較，可以得出結(jié)論:基于幾何特征的人臉分類方法具有識別速度快和內(nèi)存要求小的優(yōu)點，但在識別率上模板匹配要優(yōu)于基于幾何特征的識別方法。增加幾何特征對于基于幾何特征的人臉分類方法只能輕微地提高識別率，因為要提高幾何特征的提取質(zhì)量本身就十分困難，而且隨著圖像質(zhì)量的下降和人臉遮擋的引入，則后者的識別分類效果會大幅下降。所以模板匹配法要優(yōu)于幾何特征法。（3）特征臉(Eigenface)方法此方法是從主成分分析(PrincipalComponentAnalysis，PCA)導(dǎo)出的一種人臉識別和描述技術(shù)。PCA實質(zhì)上是KL展開的網(wǎng)絡(luò)遞推實現(xiàn)，KL變換是圖像壓縮中的一種最優(yōu)正交變換，其生成矩陣一般為訓(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)域看作是一種隨機(jī)向量，因此可以采用KL變換獲得其正交KL基底。對應(yīng)其中較大特征值的基底具有與人臉相似的形狀，因此又稱之為特征臉。利用這些基底的線性組合可以描述、表達(dá)和逼近人臉圖像，因此可以進(jìn)行人臉性別識別和合成。識別過程就是將一類人臉圖像映射到由特征臉張成的子空間上，比較其與已知人臉在特征臉空間中的位置。但特征臉方法受光照、角度和人臉尺寸等因素影響較大，于是對特征臉方法進(jìn)行了改進(jìn)，如雙子空間法、相形歧義分析方法、Fisher臉方法等。其中Fisher臉方法又稱為線性判別分析方法(LinearDiscriminantAnalysis，LDA),它選擇以類內(nèi)散布正交的矢量作為特征臉空間,從而能壓制圖像之間的與識別信息無關(guān)的差異，對光照及人臉表情變化都不太敏感。Luis等人從傳統(tǒng)特征臉發(fā)展出自身特征臉的概念，使用這種技術(shù)并結(jié)合人臉顏色信息，可以有效地從動態(tài)圖像序列中識別出指定的人臉。此外，與KL變換的思想比較接近但不是從統(tǒng)計角度出發(fā)的另一種變換是奇異值分解(SVD)的方法，即將圖像矩陣的奇異值作為模式的特征矢量。SVD方法具有如下優(yōu)點：①人臉圖像的奇異值具有良好的穩(wěn)定性，當(dāng)圖像上有小的擾動時，奇異值變化不大；②奇異值表示了圖像的代數(shù)特征，是一種本質(zhì)的內(nèi)在特征，在某種程度上，SV特征同時擁有代數(shù)與幾何兩方面的不變性，即對圖像灰度值的比例變化、平移、旋轉(zhuǎn)和伸縮不變性。（4）隱馬爾科夫模型(HiddenMarkovModel,HMM)隱馬爾科夫模型(HiddenMarkovModel,HMM)主要是用于描述信號統(tǒng)計特性的一組統(tǒng)計模型。（5）基于神經(jīng)網(wǎng)絡(luò)的方法神經(jīng)網(wǎng)絡(luò)在人臉識別應(yīng)用中有很長的歷史。早期用于人臉識別的神經(jīng)網(wǎng)絡(luò)主要是Kohonen自聯(lián)想映射神經(jīng)網(wǎng)絡(luò)，如果將神經(jīng)網(wǎng)絡(luò)方法和統(tǒng)計方法結(jié)合在一起，便產(chǎn)生了一種基于概率決策的神經(jīng)網(wǎng)絡(luò)(ProbabilisticDecisoinBasedNeuralNetwork，PDBNN)用于識別人臉并進(jìn)行性別鑒別。其主要思想是采用虛擬樣本(正反例)進(jìn)行強(qiáng)化和反強(qiáng)化學(xué)習(xí)，從而得到較理想的概率估計結(jié)果，并采用模塊化的網(wǎng)絡(luò)結(jié)構(gòu)加快網(wǎng)絡(luò)的學(xué)習(xí)。這種網(wǎng)絡(luò)結(jié)構(gòu)繼承了決策神經(jīng)網(wǎng)絡(luò)(DBNN)的結(jié)構(gòu)，并加入概率變化。每個子網(wǎng)對應(yīng)一個人，這種結(jié)構(gòu)不僅有利于訓(xùn)練和識別，而且有利于做硬件?，F(xiàn)在出現(xiàn)了多模態(tài)的神經(jīng)網(wǎng)絡(luò)，如TDNN+RBF等，即由兩種類型的神經(jīng)網(wǎng)絡(luò)共同來完成人臉識別任務(wù)。神經(jīng)網(wǎng)絡(luò)方法在性別判別上比其他類型的方法有其獨(dú)到的優(yōu)勢，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現(xiàn)的關(guān)于人臉分類識別的規(guī)律和規(guī)則的隱性表達(dá)。此外，神經(jīng)網(wǎng)絡(luò)以并行方式處理信息，如果能用硬件實現(xiàn)，就能顯著提高速度。神經(jīng)網(wǎng)絡(luò)方法主要用于人臉識別、性別識別和種族識別等等。（6）彈性圖匹配方法彈性圖匹配方法是一種基于動態(tài)鏈接結(jié)構(gòu)(DynamicLinkArchitecture，DLA)的方法，它將人臉用格狀的稀疏圖表示，圖中的節(jié)點用圖像位置的Gabor小波分解得到的特征向量標(biāo)記，圖的邊用連接節(jié)點的距離向量標(biāo)記。匹配時，首先尋找與輸入圖像最相似的模型圖，再對圖中的每個節(jié)點位置進(jìn)行最佳匹配，這樣產(chǎn)生一個變形圖，其節(jié)點逼近模型圖的對應(yīng)點的位置。彈性圖匹配方法對光照、位移、旋轉(zhuǎn)及尺度變化都不敏感，是一種優(yōu)于特征臉方法的人臉識別分類方法。此方法的主要缺點是對每個存儲的人臉需計算其模型圖，計算量大，存儲量大。1.3人臉性別鑒別的應(yīng)用隨著經(jīng)濟(jì)的發(fā)展，高新科技的越來越完善，恐怖分子的襲擊對國家的安全有很大的威脅。社會上的不良分子利用高科技進(jìn)行犯案，對社會造成混亂，對人們造成身體上和財富上的極大傷害。為此，各國都投入大量物力人力研究并發(fā)展各類識別技術(shù)，通過這些識別技術(shù)來對人進(jìn)行身份鑒定、畫面監(jiān)控等，從而有效地打擊犯罪分子的犯案。也因此這一技術(shù)得到極大發(fā)展，其中，目前最受重視并最為有效的，就要算是人臉識別和性別鑒別技術(shù)了。人臉性別鑒別技術(shù)是一門嶄新的科學(xué)技術(shù)，在國家安全、軍事安全和公安、司法、民政、金融、民航、海關(guān)、邊境、口岸、保險及民用等領(lǐng)域?qū)嶋H應(yīng)用具有極廣闊的前景。如：公安布控監(jiān)控、監(jiān)獄監(jiān)控、司法認(rèn)證、民航安檢、口岸出入控制、海關(guān)身份驗證、銀行密押、智能身份證、智能門禁、智能視頻監(jiān)控、智能出入控制、司機(jī)駕照驗證、各類銀行卡、金融卡、信用卡、儲蓄卡的持卡人的身份驗證，社會保險身份驗證等。人臉性別鑒別技術(shù)是人臉識別中的兩類判別技術(shù)，而人臉識別技術(shù)又是生物特征識別技術(shù)的一種。生物特征識別技術(shù)，又是依據(jù)人體本身所固有的生理特征(面像、指紋、掌紋、視網(wǎng)膜、虹膜、簽名、語音等)或行為特征，利用圖像處理技術(shù)(或其他數(shù)位信號處理技術(shù))和模式識別的方法來達(dá)到身份鑒別或驗證目的的一門科學(xué)。其主要有面像識別、指紋識別、掌紋識別、虹膜識別、話音識別、簽名識別和視網(wǎng)膜識別等。人臉性別鑒別技術(shù)在需要進(jìn)行身份鑒定的領(lǐng)域均可使用，特別是在不能接觸識別對象時，更能體現(xiàn)出技術(shù)的優(yōu)越性。人臉性別鑒別技術(shù)的應(yīng)用領(lǐng)域十分廣，目前此技術(shù)已經(jīng)在商業(yè)的和政府的許多領(lǐng)域中得到應(yīng)用。（1）身份確認(rèn)與人員的男女檢索可用于電腦/網(wǎng)絡(luò)安全、銀行業(yè)務(wù)、智能卡、訪問控制、邊境控制等領(lǐng)域，網(wǎng)訊公司在這一領(lǐng)域的產(chǎn)品有門禁和考勤，民政收容與遣送等。（2）身份證可用于選民登記、身份證、護(hù)照、駕駛執(zhí)照、工作證等、網(wǎng)訊公司在這一領(lǐng)域的產(chǎn)品有機(jī)場安檢口身份證檢查以及結(jié)合犯罪嫌疑人識別系統(tǒng)的安檢口控制系統(tǒng)等。（3）計算機(jī)信息保護(hù)系統(tǒng)利用人臉特征識別用戶，保護(hù)計算機(jī)信息，網(wǎng)訊公司在這一領(lǐng)域的產(chǎn)品有面像屏幕保護(hù)和文件加密。（4）犯罪嫌疑人識別系統(tǒng)應(yīng)用于臉部照片登記系統(tǒng),事件后分析系統(tǒng)，網(wǎng)訊公司在這一領(lǐng)域的主要應(yīng)用系統(tǒng)為基于Internet的網(wǎng)上追逃系統(tǒng)。（5）遠(yuǎn)距離身份識別應(yīng)用于監(jiān)視、監(jiān)控、閉路電視、交通管理、敵友識別等，網(wǎng)訊公司在這一領(lǐng)域的主要應(yīng)用系統(tǒng)為重大嫌疑犯重點地區(qū)布控系統(tǒng)。此外，此技術(shù)在信息安全領(lǐng)域也有著巨大的潛在應(yīng)用價值?？梢赃M(jìn)行計算機(jī)的安全登錄控制、應(yīng)用程序安全使用、數(shù)據(jù)庫安全訪問和文件加密，還可以保護(hù)電子商務(wù)的安全性，還可用于圖像庫檢索，在大型人臉庫中檢索與索引圖像相同或相近的臉像。例如：公安部門可以利用此技術(shù)進(jìn)行罪犯臉像庫的管理和查詢，自動取款機(jī)(ATMA)可以從數(shù)據(jù)庫中快速檢索用戶身份。第2章軟件介紹2.1MATLAB簡介MATLAB是matrixlaboratory（矩陣實驗室）的縮寫，是1984年由美國MathWorks公司推出的數(shù)值計算及圖形工具軟件，最初是作為“矩陣?yán)碚摗焙汀皵?shù)據(jù)分析”等課程的計算工具。MathWorks公司1993年推出了MATLAB4.0版，1997年推出5.0版，2000年推出5.2版，到了今天已經(jīng)推出到6.5版。經(jīng)過十幾年的發(fā)展和完善，目前已成為世界各國在科學(xué)分析和計算領(lǐng)域的主流軟件，并被IEEE評述為國際公認(rèn)的最優(yōu)秀的科技應(yīng)用軟件。特別是6.5版，它在界面編程方面，參考了現(xiàn)今非常流行的可視化編程的思想，因此在界面制作上顯得十分容易。MATLAB具有以下的基本功能：（1）數(shù)值計算功能（2）符號計算功能（3）完備的圖形處理及可視化功能（4）可視化建模及動態(tài)仿真功能。2.1.1Matlab語言特點：（1）編程效率高M(jìn)atlab語言編寫程序，比Basic、Fortran和C等語言更加接近我們書寫計算公式的思維方式，用Matlab編寫程序猶如在演算紙上排列出公式與求解問題。因此，Matlab語言也可通俗地稱為演算紙式科學(xué)算法語言由于它編寫簡單，所以編程效率高，易學(xué)易懂。

（2）用戶使用方便

Matlab語言是一種解釋執(zhí)行的語言（在沒被專門的工具編譯之前），它靈活、方便，其調(diào)試程序手段豐富，調(diào)試速度快，需要學(xué)習(xí)時間少。人們用任何一種語言編寫程序和調(diào)試程序一般都要經(jīng)過四個步驟：編輯、編譯、連接以及執(zhí)行和調(diào)試。各個步驟之間是順序關(guān)系，編程的過程就是在它們之間作瀑布型的循環(huán)。Matlab語言與其它語言相比，較好地解決了上述問題，把編輯、編譯、連接和執(zhí)行融為一體。它能在同一畫面上進(jìn)行靈活操作快速排除輸入程序中的書寫錯誤、語法錯誤以至語意錯誤，從而加快了用戶編寫、修改和調(diào)試程序的速度，可以說在編程和調(diào)試過程中它是一種比VB還要簡單的語言。

具體地說，Matlab運(yùn)行時，如直接在命令行輸入Matlab語句（命令），包括調(diào)用M文件的語句，每輸入一條語句，就立即對其進(jìn)行處理，完成績譯、連接和運(yùn)行的全過程。又如，將Matlab源程序編輯為M文件，由于Mat1ab磁盤文件也是M文件，所以編輯后的源文件就可直接運(yùn)行，而不需進(jìn)行編譯和連接。在運(yùn)行M文件時，如果有錯，計算機(jī)屏幕上會給出詳細(xì)的出鍺信息，用戶經(jīng)修改后再執(zhí)行，直到正確為止。所以可以說，Mat1ab語言不僅是一種語言，廣義上講是一種該語言開發(fā)系統(tǒng)，即語言調(diào)試系統(tǒng)。

（3）擴(kuò)充能力強(qiáng)

高版本的Matlab語言有豐富的庫函數(shù)，在進(jìn)行復(fù)雜的數(shù)學(xué)運(yùn)算時可以直接調(diào)用，而且Matlab的庫函數(shù)同用戶文件在形成上一樣，所以用戶文件也可作為Matlab的庫函數(shù)來調(diào)用。因而，用戶可以根據(jù)自己的需要方便地建立和擴(kuò)充新的庫函數(shù)，以便提高M(jìn)atlab使用效率和擴(kuò)充它的功能。另外，為了充分利用Fortran、C等語言的資源，包括用戶已編好的Fortran，C語言程序，通過建立Me調(diào)文件的形式，混合編程，方便地調(diào)用有關(guān)的Fortran，C語言的子程序。

（4）語句簡單，內(nèi)涵豐富Mat1ab語言中最基本最重要的成分是函數(shù)，其一般形式為「a，b，c……」=fun（d，e，f，……），即一個函數(shù)由函數(shù)名，輸入變量d，e，f,……和輸出變量a，b，c……組成，同一函數(shù)名F，不同數(shù)目的輸入變量（包括無輸入變量）及不同數(shù)目的輸出變量，代表著不同的含義（有點像面向?qū)ο裰械亩鄳B(tài)性。這不僅使Matlab的庫函數(shù)功能更豐富，而大大減少了需要的磁盤空間，使得Matlab編寫的M文件簡單、短小而高效。

（5）高效方便的矩陣和數(shù)組運(yùn)算

Matlab語言像Basic、Fortran和C語言一樣規(guī)定了矩陣的算術(shù)運(yùn)算符、關(guān)系運(yùn)算符、邏輯運(yùn)算符、條件運(yùn)算符及賦值運(yùn)算符，而且這些運(yùn)算符大部分可以毫無改變地照搬到數(shù)組間的運(yùn)算，有些如算術(shù)運(yùn)算符只要增加“·”就可用于數(shù)組間的運(yùn)算，另外，它不需定義數(shù)組的維數(shù)，并給出矩陣函數(shù)、特殊矩陣專門的庫函數(shù)，使之在求解諸如信號處理、建模、系統(tǒng)識別、控制、優(yōu)化等領(lǐng)域的問題時，顯得大為簡捷、高效、方便，這是其它高級語言所不能比擬的。在此基礎(chǔ)上，高版本的Matlab已逐步擴(kuò)展到科學(xué)及工程計算的其它領(lǐng)域。因此，不久的將來，它一定能名符其實地成為“萬能演算紙式的”科學(xué)算法語言。

（6）方便的繪圖功能

Matlab的繪圖是十分方便的，它有一系列繪圖函數(shù)（命令），例如線性坐標(biāo)、對數(shù)坐標(biāo)，半對數(shù)坐標(biāo)及極坐標(biāo)，均只需調(diào)用不同的繪圖函數(shù)（命令），在圖上標(biāo)出圖題、XY軸標(biāo)注，格（柵）繪制也只需調(diào)用相應(yīng)的命令，簡單易行。另外，在調(diào)用繪圖函數(shù)時調(diào)整自變量可繪出不變顏色的點、線、復(fù)線或多重線。這種為科學(xué)研究著想的設(shè)計是通用的編程語言所不及的?？傊?，Matlab語言的設(shè)計思想可以說代表了當(dāng)前計算機(jī)高級語言的發(fā)展方向。MATLAB的上述特點，使它深受工程技術(shù)人員及科技專家的歡迎，并很快成為應(yīng)用學(xué)科計算機(jī)輔助分析、設(shè)計、仿真、教學(xué)等領(lǐng)域不可缺少的基礎(chǔ)軟件。目前，在國外高等院校，MATLAB已成為本科生、研究生必須掌握的基礎(chǔ)軟件，國內(nèi)一些理工院校也已經(jīng)或正把MATLAB作為學(xué)生必須掌握的一種軟件。2.1.2MATLABimageprocessingtoolbox圖像處理工具包是由一系列支持處理操作的函數(shù)組成的，所支持的圖像處理操作有：幾何操作、區(qū)域操作和塊操作；線性濾波和濾波器設(shè)計；變換（DCT變換）；圖像分析和增強(qiáng)；二值圖像操作等。圖像處理工具包的函數(shù)，按功能可以分為以下幾類：圖像顯示；圖像文件輸入與輸出；幾何操作；像素值和統(tǒng)計；圖像分析與增強(qiáng)；圖像濾波；線性二維濾波器設(shè)計；圖像變換；領(lǐng)域和塊操作；二值圖像操作；顏色映射和顏色空間轉(zhuǎn)換；圖像類型和類型轉(zhuǎn)換；工具包參數(shù)獲取和設(shè)置等。和其他工具包一樣，用戶還可以根據(jù)需要書寫自己的函數(shù)，以滿足特定的需要。也可以將這個工具包和信號處理工具包或小波工具包等其他工具包聯(lián)合起來使用。由于圖像操作很多，這里僅僅以圖像的噪聲消除和邊緣檢測為例，來說明該工具包的基本使用方法。（1）圖像的噪聲消除操作在圖像處理中，經(jīng)常要對噪聲污染的圖像進(jìn)行去噪操作。圖像處理工具包提供了多種消除或降低噪聲的方法。不同的方法應(yīng)用于不同種類的噪聲。這些方法是：線性濾波、中值濾波和自適應(yīng)濾波等。此外為了模擬各種噪聲的作用，工具包還提供了imnoise()函數(shù)，通過這個函數(shù)，可以向圖像加入各種不同的噪聲。當(dāng)然，圖像降質(zhì)的原因是多種多樣的，可以根據(jù)不同的降質(zhì)原因建立相應(yīng)的數(shù)學(xué)模型，由于MATLAB強(qiáng)大的數(shù)學(xué)功能，無論使用連續(xù)或是離散方法，都是可能的。舉個最簡單的例子，如果圖像降質(zhì)是由于附加了背景噪聲圖案而引起，那么只要知道了背景圖案，兩幅圖相差就可以較好的恢復(fù)原圖像。這在MATLAB中用兩個矩陣相減就可實現(xiàn)。（2）圖像的邊緣檢測為了進(jìn)一步顯示MATLAB的友好的用戶界面功能，下一個例子是隨工具包帶的一個名為“edgedemo”的演示程序（代碼也是可見的）。在MATLAB集成環(huán)境中運(yùn)行edgedemo，將出現(xiàn)一個圖形窗口界面，這是一個典型的MATLAB應(yīng)用程序和用戶交互的圖形界面。MATLAB5.1版以后，這個界面可以很方便地用軟件所帶的圖形用戶界面生成工具（GUItools）生成。圖2-1-1本例是對名為“Rice”的圖像應(yīng)用“Sobel”算子，用戶還可以設(shè)定檢測的閾值和方向等參數(shù)。實際上，這個演示程序使用了工具包提供的“edge”函數(shù)，該函數(shù)以圖像強(qiáng)度作為輸入?yún)?shù)之一，輸出一幅二值圖像，圖像中像素值為“1”,表示的是邊緣上的點，“0”表示非邊緣點。該函數(shù)提供了6種檢測邊緣的方法，如“Sobel”、“Prewitt”等。其中“THRESH”規(guī)定了檢測的敏感性閾值，凡是邊強(qiáng)度小于這個閾值，就不認(rèn)為是檢測到了邊界。“DIRECTION”規(guī)定了檢測的方向，它的值是一個字符串，用來表示只檢測水平方向的邊界（當(dāng)為“horizontal”時），還是只檢測垂直方向的邊界（當(dāng)為“vertical”時）。它的默認(rèn)值是“both”，表示同時檢測兩個方向的邊界。2.2MATLAB在圖像處理技術(shù)方面的應(yīng)用MATLAB圖形處理工具箱支持四種圖像類型，分別為真彩色圖像、索引色圖像、灰度圖像、二值圖像，由于有的函數(shù)對圖象類型有限制，這四種類型可以用工具箱的類型轉(zhuǎn)換函數(shù)相互轉(zhuǎn)換。MATLAB可操作的圖像文件包括BMP、HDF、JPEG、PCX、TIFF、XWD等格式。下面就圖形處理的基本過程討論工具箱所實現(xiàn)的常用功能。（1）常用圖像操作圖像的讀寫與顯示操作：用imread()讀取圖像，imwrite()輸出圖像，把圖像顯示于屏幕有imshow（），image（）等函數(shù)。Imcrop（）對圖像進(jìn)行裁剪，圖像的插值縮放可用imresize（）函數(shù)實現(xiàn)，旋轉(zhuǎn)用imrotate（）實現(xiàn)。（2）圖像增強(qiáng)功能圖像增強(qiáng)是數(shù)字圖像處理過程中常用的一種方法，目的是采用一系列技術(shù)去改善圖像的視覺效果或?qū)D像轉(zhuǎn)換成一種更適合于人眼觀察和機(jī)器自動分析的形式。常用的圖像增強(qiáng)方法有以下幾種：灰度直方圖均衡化。均勻量化的自然圖像的灰度直方圖通常在低灰度區(qū)間上頻率較大，使得圖像中較暗區(qū)域中的細(xì)節(jié)看不清楚，采用直方圖修整可使原圖像灰度集中的區(qū)域拉開或使灰度分布均勻，從而增大反差，使圖像的細(xì)節(jié)清晰，達(dá)到增強(qiáng)目的。直方圖均衡化可用histeq（）函數(shù)實現(xiàn)。灰度變換法。照片或電子方法得到的圖像，常表現(xiàn)出低對比度即整個圖像偏亮或偏暗，為此需要對圖像中的每一個象素的灰度級進(jìn)行標(biāo)度變換，擴(kuò)大圖像灰度范圍，以達(dá)到改善圖像質(zhì)量的目的。這一灰度調(diào)整過程可用imadjust（）函數(shù)實現(xiàn)。平滑與銳化濾波。平滑技術(shù)用于平滑圖像中的噪聲，基本采用在空間域上的求平均值或中值?；蛟陬l域上采取低通濾波，因在灰度連續(xù)變化的圖像中，我們通常認(rèn)為與相鄰象素灰度相差很大的突變點為噪聲點，灰度突變代表了一種高頻分量，低通濾波則可以削弱圖像的高頻成分，平滑了圖像信號，但也可能使圖像目標(biāo)區(qū)域的邊界變得模糊。而銳化技術(shù)采用的是頻域上的高通濾波方法，通過增強(qiáng)高頻成分減少圖像中的模糊，特別是模糊的邊緣部分得到了增強(qiáng)，但同時也放大了圖像的噪聲。在MATLAB中，各種濾波方法都是在空間域中通過不同的卷積模板即濾波算子實現(xiàn)，可用fspecial（）函數(shù)創(chuàng)建預(yù)定義的濾波算子，然后用filter2（）或conv2（）函數(shù)在實現(xiàn)卷積運(yùn)算的基礎(chǔ)上進(jìn)行濾波。（3）邊緣檢測和圖像分割功能邊緣檢測試一種重要的區(qū)域處理方法，邊緣是所要提取目標(biāo)和背景的分界線，提取出邊緣才能將目標(biāo)和背景區(qū)分開來。如果一個象素落在邊界上，那么它的領(lǐng)域?qū)⒊蔀橐粋€灰度級變化的帶。對這種變化最有用的兩個特征是灰度的變化率和方向。邊緣檢測算子可以檢查每個象素的領(lǐng)域并對灰度變化率進(jìn)行量化，也包括對方向的確定，其中大多數(shù)是基于方向?qū)?shù)掩模求卷積的方法。MATLAB工具箱提供所謂edge（）函數(shù)可針對sobel算子、prewitt算子、Roberts算子、log算子和canny算子實現(xiàn)檢測邊緣的功能。基于灰度的圖像分割方法也可以用簡單的MATLAB代碼實現(xiàn)。（4）圖像變換功能圖像變換技術(shù)是圖像處理的重要工具，常運(yùn)用于圖像壓縮、濾波、編碼和后續(xù)的特征抽取或信息分析過程。MATLAB工具箱提供了常用的變換函數(shù)，如fft2（）與ifft2（）函數(shù)分別實現(xiàn)二維快速傅立葉變換與其逆變換，dct2（）與idct2（）函數(shù)實現(xiàn)二維離散余弦變換與其逆變換，Radon（）與iraon（）函數(shù)實現(xiàn)Radon變換與逆Radon變換。除了以上基本的圖像除了功能，MATLAB還提供了如二值圖像的膨脹運(yùn)算dilate（）函數(shù)、腐蝕運(yùn)算erode（）函數(shù)等基于數(shù)學(xué)形態(tài)學(xué)與二值圖像的操作函數(shù)。第3章基于主元分析和線性判別分析原理3.1主元分析(PCA)的概念主成分分析(PrincipalComponentAnalysis，PCA)方法就是將包含人臉的圖像區(qū)域看作是一種隨機(jī)向量，因此可以用K-L變換獲取其正交K-L基底，對應(yīng)其中較大特征值的基底具有與人臉相似的形狀，因此，又稱之為特征臉。利用相對較小的Eigenface集描述人臉，這樣每幅人臉圖像就對應(yīng)于一個維數(shù)較低的權(quán)向量，因此，人臉識別可以在降維后的空間上進(jìn)行。然而，該方法的缺點是，得到的特征在一般情況下是最佳描述特征(themostexpressivefeatures，MEFs)，而不是最佳分類特征(themostdiscriminatingfeatures，MDFs)。其具體的算法思想如下：假設(shè)參加訓(xùn)練的人臉圖像一共有N張，每張圖像的維數(shù)為M×M，則可以分別表示為：L1、L2、L3、…、LN，那么平均臉可以表示為：(1)每張人臉和平均人臉的距離可以表示為：(2)設(shè)矩陣={、、、…、}，特征臉需要做的就是找出矩陣的前Z個較大特征值的特征向量，但是一個×維的大矩陣，求這樣一個矩陣的特征值計算量是非常大的。為此我們可以先求出的特征值與特征向量，然后求出如下：(j=0、1、2、…、Z-1)(3)表示的特征向量，表示的特征向量，是的特征值，就是所指的特征臉。求出特征臉以后,剩下的工作就是要對庫中的人臉進(jìn)行降維，由可以組成一個投影矩陣，表示為，并進(jìn)行降維：(i=0、1、2、…、N-1)(4)由式(4)可以得出所有人臉向量的降維向量。3.2線性判別分析(LDA)的概念LDA(LinearDiscriminantAnalysis)方法也稱為線性判別分析方法。它選擇與類內(nèi)散布的正交的矢量作為特征臉空間，從而能夠壓制圖像之間的與識別信息無關(guān)的差異，對光照及人臉表情變化都不太敏感。這種方法的最終目的就是找到一些特征使得類間離散度和類內(nèi)離散度的比值最大。樣本的類內(nèi)離散度矩陣可以定義為：(5)其中可以定義為：(i=1、2、…、C)(6)其中，是先驗概率，是類的均值。樣本的內(nèi)間離散度矩陣可以定義為：(7)其中，是先驗概率，是類的均值，是所有樣本的均值。如果是非奇異矩陣，在投影以后，各類樣本之間盡可能的分開一些，即類間離散度越大越好，同時各類樣本的內(nèi)部盡量的密集起來，即類內(nèi)離散度越小越好。因此可以定義Fisher準(zhǔn)則函數(shù)如下：(8)下面就是要求出取最大值時對應(yīng)的特征向量。通過數(shù)學(xué)變換可以得出，就是滿足如下等式的解：(i=1、2、…、m)(9)如果非奇異，就是求的本征值問題。其中該矩陣最多只有C-1非零特征值，C是類別數(shù)目。3.3基于PCA-LDA的人臉性別鑒別方法人臉圖象的識別和分類一定要對圖片進(jìn)行標(biāo)準(zhǔn)化，因為圖像要受到各種因素的影響，例如：圖像的質(zhì)量、圖像的背景、圖像的光照情況、圖像的大小、圖像中人臉的旋轉(zhuǎn)、圖像中人臉的臉部表情的不同等等因素，會造成人臉識別和分類的困難和識別率的下降。本文也不例外，先對圖片進(jìn)行設(shè)置并格式轉(zhuǎn)換和歸一化。本文設(shè)計的總的思路是，首先利用PCA將圖像進(jìn)行降維，然后在低維空間中利用LDA進(jìn)行特征提取作為分類特征，然后再利用ORL人臉數(shù)據(jù)庫進(jìn)行測試。其簡單自動性別分類系統(tǒng)如下圖3-3-1所示：輸入圖象性別分類特征提取人臉檢測輸入圖象性別分類特征提取人臉檢測性別圖3-3-1自動性別分類系統(tǒng)人臉識別的基本過程主要分為訓(xùn)練階段和識別階段。而人臉的性別鑒別是人臉識別中的典型兩類識別問題，因而性別鑒別的方法和思路跟人臉識別大同小異，也分為訓(xùn)練階段和識別階段。由于構(gòu)成訓(xùn)練樣本的尺寸有多種,所以需要把原始圖像歸一化到一個標(biāo)準(zhǔn)的尺寸,得到一個訓(xùn)練樣本集,共有C個類,每個圖像可以設(shè)為ψi(i=1、2、…、N)，即一共有N張訓(xùn)練樣本。訓(xùn)練階段的步驟如下:(1)把歸一化好的圖像看成是一個向量,可以設(shè)為xi(i=1、2、…、N),用這些向量減去平均臉,得到每一幅人臉與平均臉的差值。(2)由這些差值構(gòu)成一個協(xié)方差矩陣,求出這個矩陣的前K個最大特征值的特征向量,然后把這些向量再組合起來構(gòu)成一個PCA投影矩陣,設(shè)為Wpca；(3)用這個投影矩陣把所有的訓(xùn)練樣本投影到一個K維的子空間,具體的算法可以參照公式(4)；(4)把第2步得出的最佳描述特征qi(i=1,2,…,N),分別構(gòu)成類內(nèi)散布矩陣和類間散布矩陣,計算矩陣的前t個最大特征值的特征向量,由這些向量構(gòu)成一個LDA投影矩陣,設(shè)為Wlda；(5)可以采用與(4)式類似的方法,用第3步得出的矩陣把所有樣本投影到一個t維子空間,得出最佳分類特征ηi(i=1,2,…,N),并根據(jù)這些特征組成一個C類特征人臉識別分類數(shù)據(jù)庫；(6)計算人臉類間的最大距離β=||ηi-ηj||(i,j=1、2、…、C)(10)識別階段的基本步驟如下:(1)把待識別的人臉圖像減去平均臉,得到一個差值向量,可以設(shè)為S：(2)把這個差值作兩次投影變換,得出最佳分類特征η=(11)(3)用待識別人臉與人臉庫中的每類人臉進(jìn)行比較,得出最小的歐幾里德距離α1=||η-ηi||(i=1,2,…,C)(12)(4)如果要區(qū)分待識別的圖像是否為人臉圖像,則需要計算待識別的人臉的圖像與重建人臉圖像的距離α2=||x-η+f||(13)其中f為平均臉。(5)根據(jù)分類規(guī)則最小距離（歐幾里德距離）則可判別是庫中的哪類人臉。即判別出輸入的人臉圖像是男還是女，并計算出識別率。其人臉性別鑒別系統(tǒng)結(jié)構(gòu)見圖3-3-2訓(xùn)練用的圖像集合訓(xùn)練用的圖像集合主分量分析模擬K－L變換主分量分析模擬K－L變換測試用的圖像集合測試用的圖像集合識別對比識別識別對比識別結(jié)果線性判別分析判別為男判別為女人臉特征數(shù)據(jù)庫判別為男判別為女人臉特征數(shù)據(jù)庫圖3-3-2人臉性別鑒別系統(tǒng)結(jié)構(gòu)圖第4章程序的設(shè)計過程及調(diào)試過程4.1人臉性別鑒別系統(tǒng)設(shè)計流程圖測試人臉圖像測試人臉圖像訓(xùn)練人臉圖像提取數(shù)據(jù)，并進(jìn)行格式轉(zhuǎn)換和歸一化，計算各類的平均值和總平均值提取數(shù)據(jù)，并進(jìn)行格式轉(zhuǎn)換和歸一化，計算各類的平均值和總平均值提取數(shù)據(jù)，并進(jìn)行格式轉(zhuǎn)換和歸一化，計算各類的平均值和總平均值提取數(shù)據(jù)，并進(jìn)行格式轉(zhuǎn)換和歸一化，計算各類的平均值和總平均值求出PCA投影距陣W求出PCA投影距陣Wpca求出PCA投影距陣Wpca由W由Wpca獲得最佳描述特征MEFs由Wpca獲得最佳描述特征MEFs由最佳描述特征MEFs求得類內(nèi)散布距陣Sw和類間散布距陣Sb由最佳描述特征MEFs求得類內(nèi)散布距陣Sw和類間散布距陣Sb由最佳描述特征MEFs求得類內(nèi)散布距陣Sw和類間散布距陣Sb由最佳描述特征MEFs求得類內(nèi)散布距陣Sw和類間散布距陣Sb由類內(nèi)散布距陣Sw和類間散布距陣Sb求得LDA投影距陣Wlda由類內(nèi)散布距陣Sw和類間散布距陣Sb求得LDA投影距陣Wlda由類內(nèi)散布距陣Sw和類間散布距陣Sb求得LDA投影距陣Wlda由類內(nèi)散布距陣Sw和類間散布距陣Sb求得LDA投影距陣Wlda由LDA投影距陣Wlda獲得最佳分類特征MDFs由LDA投影距陣Wlda獲得最佳分類特征MDFs由LDA投影距陣Wlda獲得最佳分類特征MDFs由LDA投影距陣Wlda獲得最佳分類特征MDFs根據(jù)訓(xùn)練樣本和測試樣本的最佳分類特征MDFs，由根據(jù)訓(xùn)練樣本和測試樣本的最佳分類特征MDFs，由最小距離（歐幾里德距離）進(jìn)行識別分類并計算出識別率圖4-1-1人臉性別鑒別系統(tǒng)設(shè)計流程圖4.2程序設(shè)計過程及調(diào)試過程因為本文研究的是人臉性別鑒別，是人臉識別的典型兩類識別。因此利用ORL人臉數(shù)據(jù)庫進(jìn)行測試具有較好的識別效果。ORL人臉數(shù)據(jù)庫是英國劍橋大學(xué)Olivetti研究所制作的人臉數(shù)據(jù)庫。該數(shù)據(jù)庫由40個不同人、每人10幅、共400幅圖像組成。其中，(36人為男性，4人為女性)。這些人的圖像是在不同時間、不同視角、不同表情（閉眼/睜眼、微笑/吃驚/生氣/憤怒/高興）和不同臉部細(xì)節(jié)（戴眼鏡/沒戴眼鏡、有胡子/沒胡子、不同發(fā)型）的條件下拍攝的。人臉姿態(tài)也有變化，其深度旋轉(zhuǎn)與平面旋轉(zhuǎn)可達(dá)到20度；人臉的尺度也有最多10%的變化。每幅原始圖像有256個灰度級，大小為112×92。程序的設(shè)計步驟如下：（1）先建立人臉圖象數(shù)據(jù)庫。在ORL人臉數(shù)據(jù)庫中任意取4個男的圖片，每人取5幅一共20幅，存入文件夾dB\so1作為一類。取4個女的每人5幅圖片，一共20幅存入文件夾dB\so2作為另一類。其中取每一類的10幅作為訓(xùn)練樣本，10幅作為測試樣本。（2）讀取訓(xùn)練樣本和測試樣本，并進(jìn)行格式轉(zhuǎn)換，歸一化和計算各類的平均值和總平均值。先定義訓(xùn)練（測試）ORL圖庫路徑，由ORLPath[]和BMPPath[]得出。img=double(imread())，讀入圖像并轉(zhuǎn)換為雙精度以便計算。詳細(xì)見附帶程序。（3）對訓(xùn)練樣本和測試樣本進(jìn)行特征提取，分別得出訓(xùn)練樣本和測試樣本的特征距陣即最佳分類特征，并存為B.mat和T.mat文件。這一步是最關(guān)鍵最復(fù)雜的。先計算由訓(xùn)練（測試）集特征向量構(gòu)成的協(xié)方差矩陣中個最大特征值對應(yīng)的特征向量，這個特征向量構(gòu)成PCA投影矩陣。接著利用PCA投影矩陣,將特征向量空間轉(zhuǎn)換為降維的維MEF空間,并獲得最佳描述特征MEFs，即，其中。然后計算由訓(xùn)練（測試）集最佳描述特征構(gòu)成的類內(nèi)散布矩陣和類間散布矩陣和，然后計算對應(yīng)矩陣的個最大特征值對應(yīng)的特征向量。由這個最大特征值對應(yīng)的特征向量構(gòu)成FLD投影矩陣。最后就利用FLD投影矩陣，將MEF空間轉(zhuǎn)換為降維的維MDF空間,獲得對應(yīng)的最佳分類特征MDFs，即，其中。這過程當(dāng)中，在進(jìn)行LDA提取特征的時候，運(yùn)用了自編的輔助函數(shù)eig_self.m。eif_self(x)的功能是對x求特征值并使特征值安降序排列。（4）根據(jù)訓(xùn)練樣本和測試樣本的最佳分類特征MDFs，由最小距離（歐幾里德距離）即α1=||η-ηi||(i=1、2、…、C)，其中η和ηi分別為訓(xùn)練樣本和測試樣本的最佳分類特征，進(jìn)行識別分類并計算出識別率。當(dāng)訓(xùn)練樣本和測試樣本都是20幅時，訓(xùn)練樣本程序和測試樣本程序分別用了1.828秒和1.249秒時間對40幅圖像進(jìn)行處理，平均每幅0.0715秒，而識別判定程序只用了0.0160秒就完成了識別過程，而且識別率達(dá)到了96%，也很穩(wěn)定。LDA中存在奇異性問題。當(dāng)樣本總數(shù)大于樣本維數(shù)時，通常是非奇異的。否則，很可能是奇異的。最初建立的人臉數(shù)據(jù)庫在運(yùn)行當(dāng)中就出現(xiàn)了奇異性的警告，因此我又進(jìn)行了數(shù)據(jù)庫的多樣本分類，把實驗結(jié)果制成了表格并且和之前的小樣本分類結(jié)果進(jìn)行了對比，得出了一般性指導(dǎo)作用。訓(xùn)練樣本的選擇為：每人選前4幅為訓(xùn)練樣本，40人共160幅，則測試樣本為240幅；每人選前5幅為訓(xùn)練樣本，40人共200幅，則測試樣本為200幅；每人選前6幅為訓(xùn)練樣本，40人共240幅，則測試樣本為160幅。實驗結(jié)果見表4-2-1表4-2-1不同的訓(xùn)練樣本和測試樣本下的識別率結(jié)果訓(xùn)練樣本數(shù)（個）測試樣本數(shù)（個）識別率（%）20209616024093.52002009424016095程序調(diào)試過程：（1）先讀取訓(xùn)練樣本。此步驟包括設(shè)置訓(xùn)練樣本路徑；進(jìn)行格式轉(zhuǎn)換使圖象變?yōu)殡p精度格式方便計算；歸一化圖象去除光照等影響。執(zhí)行的程序為zhh_train.m。（2）對訓(xùn)練樣本進(jìn)行特征提取。此步驟的最終目的是經(jīng)過計算來獲得訓(xùn)練樣本的最佳分類特征MDFs。執(zhí)行的程序為TQ_train.m。（3）讀取測試樣本。此步驟也是包括設(shè)置測試樣本路徑；進(jìn)行格式轉(zhuǎn)換使圖象變?yōu)殡p精度格式方便計算；歸一化圖象去除光照等影響。執(zhí)行的程序為zhh_test.m。（4）對測試樣本進(jìn)行特征提取。此步驟的最終目的是經(jīng)過計算來獲得測試樣本的最佳分類特征MDFs。執(zhí)行的程序為TQ_test.m。（5）最后的步驟就是判別分類了。此步驟是根據(jù)步驟（2）獲得的訓(xùn)練樣本的最佳分類特征MDFs和步驟（4）獲得的測試樣本的最佳分類特征MDFs，利用最少距離的方法來計算出識別率的。執(zhí)行的程序為PB.m。4.3實驗結(jié)果分析和比較程序調(diào)試的最初階段是取每一類的10幅圖片做訓(xùn)練樣本，另外10幅做測試樣本的，結(jié)果很理想，識別率達(dá)到了96%。針對訓(xùn)練樣本和測試樣本的不同而識別率不同，我把訓(xùn)練樣本和測試樣本的圖片數(shù)目進(jìn)行多種分類后再進(jìn)行調(diào)試。例如取16幅為訓(xùn)練樣本，則剩下24幅為測試樣本；取14幅為訓(xùn)練樣本，則剩下26幅為測試樣本；按照此法以下累推。經(jīng)過實驗得出結(jié)論：識別率都比較穩(wěn)定，能達(dá)到很高的識別率。當(dāng)訓(xùn)練樣本個數(shù)為2個，測試樣本為38時，仍然能得出穩(wěn)定的識別率。只是在提取訓(xùn)練樣本特征向量的時候出現(xiàn)警告。因為訓(xùn)練樣本總數(shù)太少，產(chǎn)生了奇異向量，即分母為零的情況。但是這并不影響分類的最后結(jié)果，仍然能得出較高的識別率。同時知道此方法在小樣本的測試中能得到很高的識別率。程序調(diào)試的第二階段取400幅樣本來實驗，樣本總數(shù)大于樣本的維數(shù)，故沒有出現(xiàn)奇異性的問題。同時可以知道，一般情況下訓(xùn)練樣本越多則識別率就越高。證明此方法在人臉性別鑒別中有很好的推廣能力和應(yīng)用前景。由上面的實驗結(jié)果數(shù)據(jù)可以知道，利用PCA-LDA的方法具有識別率較高而所用的特征向量數(shù)目較小(即最終的特征空間維數(shù)低)的特點。特征臉的圖像主要反映的是原始模式變化最大的成分而Fisher線性判別方法使投影后的模式樣本的類間散布矩陣最大而類內(nèi)散布矩陣最小，也就是說，投影后保證模式樣本在新的空間中有最大的類間距離和最小的類內(nèi)距離，即模式在該空間中有最佳的可分離性。Fisher線性判別分析提取的特征向量集強(qiáng)調(diào)的是不同人臉的差異，而不是照明條件、人臉表情和方向的變化。因而，采用FLD方法對人臉進(jìn)行識別比采用PCA方法對光照條件、人臉的姿態(tài)等的變化更為不敏感，從而采用Fisher鑒別向量有助于提高識別效果。本文的方法由于綜合利用了PCA方法和FLD方法的優(yōu)點，因此具有最佳識別效果，即所用的特征數(shù)目少而識別率較高。使用PCA方法和FLD方法都能大大降低原始特征空間的維數(shù),并已在人臉識別中得到了廣泛的應(yīng)用；然而，PCA方法得到的特征是最佳描述特征而不是最佳分類特征。本文通過主分量分析得到人臉的最佳描述特征,最后利用Fisher線性判別分析來得到維數(shù)更低的最佳鑒別特征。這樣，既利用了特征臉方法和Fisher線性判別分析方法的優(yōu)點，又克服了它們的不足之處，同時使分類器的設(shè)計更加簡潔、有效,提高了人臉圖像的識別率。實驗證明該方法具有良好的識別能力和推廣能力?？偨Y(jié)本課題歷經(jīng)3個多月的學(xué)習(xí)、探索和實踐，到如今告一段落，這個過程感觸良多。剛接到這個課題時，我對圖像的識別和MATLAB編程的了解不深，僅僅是表面很膚淺，很籠統(tǒng)的認(rèn)識。在1－2周查找資料的過程中，我漸漸了解到原來圖像的識別是一門很大、很深的學(xué)問，而且人體圖像識別技術(shù)不但在學(xué)術(shù)上有極大的研究價值，而且有極廣泛的應(yīng)用領(lǐng)域，正是因為圖像識別技術(shù)有美好的發(fā)展前景，所以我漸漸的對圖像識別產(chǎn)生了濃厚的興趣，在查找資料的過程中也了解許多生物識別技術(shù)的最新科研成果及未來的發(fā)展方向。開始，我首先學(xué)習(xí)了MATLAB的程序設(shè)計，對MATLAB的圖像讀取，矩陣運(yùn)算，以及圖像處理工具包（imageprocessingtoolbox）等進(jìn)行了全面的學(xué)習(xí)。這為以后做畢業(yè)設(shè)計打下了良好的基礎(chǔ)。然后就是查找大量的科技文獻(xiàn)資料，包括前人的研究成果和最新的研究成果，國外的人臉識別的發(fā)展?fàn)顩r等等，加深了對人臉識別的理解。然后就是結(jié)合自己的畢業(yè)設(shè)計的題目進(jìn)行方案設(shè)計，并制訂程序設(shè)計流程圖，在審查過方案是可行的之后就著手編程，用了兩周的時間基本上把程序編寫完畢，但是進(jìn)行調(diào)試的時候由于程序的設(shè)計方案不夠好，運(yùn)行的時間很長。然后我及時找甘老師給我指導(dǎo)，討論之后，我重新整理思路設(shè)計一套簡潔的方案出來。接著對程序進(jìn)行調(diào)試，剛開始由于幾個變量設(shè)置錯誤，程序無法運(yùn)行，修改過之后程序可以運(yùn)行，但結(jié)果不對，于是又從頭到尾把程序檢查一遍，又對所用到的函數(shù)逐個檢查，還是沒發(fā)現(xiàn)問題，后經(jīng)甘老師的數(shù)次指導(dǎo)才發(fā)現(xiàn)問題所在，把錯誤改正后，程序可以正常運(yùn)行，而且結(jié)果比較理想。最后，在甘俊英老師的指導(dǎo)和幫助下，經(jīng)過自己堅持不懈地努力和一個一個不眠夜晚的奮斗，終于能如期地完成了本課題的設(shè)計任務(wù)。通過本次畢業(yè)設(shè)計除了使我對圖像處理和模式識別的原理有了更深步的認(rèn)識；掌握了PCA和LDA的概念和特征提取的原理；另外，這次畢業(yè)設(shè)計也是對我四年來所學(xué)各專業(yè)知識的一個綜合運(yùn)用和檢查。使我的分析與解決實際問題的能力得到很大的提高和認(rèn)識。而且查找和收集資料的能力；及對實驗數(shù)據(jù)的分析處理能力都有一個巨大的進(jìn)步。令我的自學(xué)能力更上了一個臺階，同時也使我明白到理論和實踐是相互聯(lián)系的，學(xué)習(xí)理論的目的就是把它更好的應(yīng)用于實踐當(dāng)中，而實踐又能使自己對理論有更深一層的理解。致謝本人的畢業(yè)設(shè)計題目為PCA-LDA算法在性別鑒別中的應(yīng)用。本論文是在我的指導(dǎo)老師甘俊英老師的悉心指導(dǎo)下完成的，在此表示衷心的感謝！在畢業(yè)設(shè)計的過程中，從開始查找資料到最后程序的調(diào)試，甘老師都一直從嚴(yán)要求，每星期至少與甘老師匯報一次進(jìn)度，使我在畢業(yè)設(shè)計的過程中遇到的問題都能夠及時得到解決，甘老師對待工作嚴(yán)格要求，一絲不茍；但在遇到問題請教甘老師時又是和藹可親、平易近人，特別是我在調(diào)試程序時，程序運(yùn)行結(jié)果不正確，檢查了一個多星期也沒查出問題所在，后多次與甘老師討論，才找到問題。每次去請教甘老師，甘老師都會熱情解答我的問題，有時一個小小的問題，甘老師也會認(rèn)真的解答，有些我一時不能理解的問題，甘老師都會耐心的講好幾次，直到我真正明白為止，甘老師這種誨人不倦，認(rèn)真負(fù)責(zé)的教學(xué)精神值得讓人敬佩！在甘老師的悉心指導(dǎo)和幫助下，使我對MTALAB編程及模式識別方面的知識有了更深一步的認(rèn)識，在遇到困難時甘老師給我的鼓勵與支持使我有了克服困難的決心和勇氣！我會緊記甘老師的淳淳教誨和熱心幫助，這次畢業(yè)設(shè)計是我踏進(jìn)社會前的一次很好的演習(xí)，使我學(xué)會了怎樣去完成一個任務(wù)，怎樣去克服困難，這次畢業(yè)設(shè)計真的使我獲益非淺！主要參考文獻(xiàn)1邊肇祺,張學(xué)工.模式識別(第二版)[M].北京:清華大學(xué)出版社,2000.2AliceJ.O'Tooleetal.ThePerceptionofFaceGender:TheRoleofStimulusStructureinRecognitionandClassification.MemoryandCognition,Vol.26,pp.146-160,1997.3B.A.Golomb,D.T.Lawrence,andT.J.Sejnowski.SEXNET:Aneuralnetworkidentifiessexfromhumanfaces.InAdvancesinNeuralInformationProcessingSystems,pp.572–577,1991.4G.W.CottrellandJ.Metcalfe.EMPATH:Face,emotion,andgenderrecognition5B.Edelman,D.Valentin,H.Abdi.Sexclassificationoffaceareas:howwellcanalinearneuralnetworkpredicthumanperformance.JournalofBiologicalSystem,Vol.6(3),pp.241-264,1998.6AliceJ.O'Toole,ThomasVetter,HeinrichH.Bulthoff&NikolausF.Troje.Theroleofshapeandtextureinformationinsexclassification.TechnicalReportNo.23December10,1995.7甘俊英,張有為,毛士藝.自適應(yīng)主元提取算法及其在人臉圖象特征提取中的應(yīng)用[J].電子學(xué)報,2002,30(7):1013-10168余冰,金連甫,陳平.利用標(biāo)準(zhǔn)化LDA進(jìn)行人臉識別[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報,2003,15(3):302-306附錄1【1】訓(xùn)練樣本特征矩陣生成源程序tic%定義訓(xùn)練ORL圖庫路徑ORLPath=['E:\db\s01';'E:\db\s02';];BMPPath=['\01.bmp';'\02.bmp';'\03.bmp';'\04.bmp';'\05.bmp';'\06.bmp';'\07.bmp';'\08.bmp';'\09.bmp';'\10.bmp';];%=========================================%相關(guān)變量設(shè)置persons=2;dd=2;%降維后的維數(shù)pic=20;%每個人包含的人臉圖像個數(shù)xun=10;%每個人參加訓(xùn)練樣本個數(shù)ce=pic-xun;%每個人參加測試的樣本個數(shù)P=persons*xun;%總訓(xùn)練樣本個數(shù)T=persons*ce;%測試樣本的個數(shù)%Partone訓(xùn)練A_1=zeros([112,92]);%計算全體訓(xùn)練樣本的總值fori=1:personsAA(:,:,i)=zeros([112,92]);forj=1:xunimg_path=[ORLPath(i,:),BMPPath(j,:)];img=double(imread(img_path));%讀入圖像并轉(zhuǎn)換為雙精度以便計算TR(:,:,(i-1)*xun+j)=img;%載入全體訓(xùn)練樣本AA(:,:,i)=AA(:,:,i)+img;%第i類訓(xùn)練樣本的總值A(chǔ)_1=A_1+img;%計算總值endMC(:,:,i)=1/xun*AA(:,:,i);%計算第i類訓(xùn)練樣本的均值endMM=1/P*A_1;%計算全體訓(xùn)練樣本均值saveMCMCsaveMMMMsaveTRTRtocticN=2;%輸入是幾類模式識別問題M=10;%輸入每一類模式有幾幅圖片loadTR%讀取測試圖像loadMC%載入每類圖像的均值loadMM%載入總均值m=MCtotal_m=MMS=zeros(112,112);%計算類內(nèi)離散度矩陣