《【计算机软件毕业设计】基于Eigenfaces的人脸识别算法实现》由会员分享，可在线阅读，更多相关《【计算机软件毕业设计】基于Eigenfaces的人脸识别算法实现（25页珍藏版）》请在金锄头文库上搜索。
1、河北农业大学 本科毕业论文(设计)题 目： 基于Eigenfaces的人脸识别算法实现 摘要随着科技的快速发展,视频监控技术在我们生活中有着越来越丰富的应用。在这些视频监控领域迫切需要一种远距离，非配合状态下的快速身份识别，以求能够快速识别所需要的人员信息，提前智能预警。人脸识别无疑是最佳的选择。可以通过人脸检测从视频监控中快速提取人脸，并与人脸数据库对比从而快速识别身份。这项技术可以广泛应用于国防，社会安全，银行电子商务，行政办公，还有家庭安全防务等多领域。本文按照完整人脸识别流程来分析基于PCA(Principal Component Analysis)的人脸识别算法实现的性能。首先使用常
2、用的人脸图像的获取方法获取人脸图像。本文为了更好的分析基于PCA人脸识别系统的性能选用了ORL人脸数据库。然后对人脸数据库的图像进行了简单的预处理。由于ORL人脸图像质量较好，所以本文中只使用灰度处理。接着使用PCA提取人脸特征，使用奇异值分解定理计算协方差矩阵的特征值和特征向量以及使用最近邻法分类器欧几里得距离来进行人脸判别分类。关键词:人脸识别 PCA算法 奇异值分解定理 欧几里得距离ABSTRACTWith the rapid development of technology, video surveillance technology has become increasingly
3、diverse applications in our lives. In these video surveillance urgent need for a long-range, with rapid identification of non-state, in order to be able to quickly identify people the information they need, advance intelligence warning. Face recognition is undoubtedly the best choice. Face detection
4、 can quickly extract human faces from video surveillance, and contrast with the face database to quickly identify identity. This technology can be widely used in national defense, social security, bank e-commerce, administrative offices, as well as home security and defense and other areas.In accord
5、ance with the full recognition process to analyze the performance of PCA-based face recognition algorithm. The first to use the method of access to commonly used face images for face images. In order to better analysis is based on the performance of the PCA face recognition system selected ORL face
6、database. Then the image face database for a simple pretreatment. Because ORL face image quality is better, so this article uses only gray scale processing. Then use the PCA for face feature extraction using singular value decomposition theorem to calculate the covariance matrix of the eigenvalues a
7、nd eigenvectors, and use the Euclidean distance of the nearest neighbor classifier to the classification of human face discrimination.KEYWORDS: face recognition PCA algorithm SVD Euclidean distance目录摘要2ABSTRACT31 人脸识别概述51.1 人脸识别的研究概况和发展趋势51.1.1 人脸识别的研究概况51.1.2 人脸识别的发展趋势61.2 人脸识别的主要难点71.3 人脸识别的流程71.3
8、.1 人脸图像采集81.3.2 预处理81.3.3 特征提取81.4 本章小结92 人脸图像102.1 人脸图像获取102.2 人脸图像数据库102.3 人脸图像预处理112.3.1 灰度变化112.3.2 二值化122.3.3 图像锐化122.4 本章小结133 人脸识别143.1 PCA算法理论143.2 PCA人脸识别算法的实现153.2.1 K-L变换153.2.2 SVD 定理153.2.3 PCA算法163.2.4 人脸识别过程173.3 程序运行效果173.4 程序代码183.4.1 代码类关系183.4.2 代码的OpenCV相关193.4.3 关键函数代码193.5 本章小结
9、23结论24致谢25参考文献26251 人脸识别概述1.1 人脸识别的研究概况和发展趋势1.1.1 人脸识别的研究概况人脸识别的研究开始于上世纪七十年代，当时的研究主要是基于人脸外部轮廓的方法。到现在为止，人脸识别主要经历了三个阶段的发展。对于人脸识别的研究历史可分为三个阶段：第一阶段（1964-1990）这个阶段主要采取的技术是基于人脸几何结构的。研究的重点主要在剪影上。研究人员做了大量关于如何提取面部剪影曲线的结构特征的研究。这个阶段属于人脸识别的初级阶段，突出的研究成果不多，也没有获得的实际应用。第二阶段（1991-1997）这个阶段虽然时间相对较短，但是硕果累累，出现了若干具有代表性的
10、算法和几个商业化的人脸识别系统，如Identix（原为Visionics）公司的FaceIt系统。这个时期最具盛名的人脸识别方法是MIT媒体实验室的Turk和Pentland提出的的“特征脸”方法。后来很多人脸识别技术都与特征脸有关，现在特征脸已与归一化的协相关量方法一起成为了人脸识别性能测试的基准算法。这个时期的主要成果有：1992年左右，Brunelli和Poggio做了一个基于结构特征的方法和基于模板匹配的方法性能对比的实验，并得出了模块匹配的方法优于基于特征的方法的结论。这个结论和特征脸的共同作用，基本上停止了纯粹基于结构特征人脸识别的研究，并且很大的促进了基于表观的线性子空间建模和基
11、于统计模式识别技术的发展，使其逐渐成为主流技术。Belhumeur等人的Fisherface方法也是此阶段一个重要的成果。该方法目前依然是主流人脸识别方法中的一种，产生了很多变种，比如子空间判别模型等。其先使用PCA即特征脸对人脸图像表现特征进行降维，并使用线性判别分析方法对降维后的主成分进行变换以获得“尽量大的类间散度和尽量小的类内散度”。弹性匹配技术为另一个重要方法。它用一个属性图来描述人脸：属性的顶点代表面部关键特征点，它的属性为相应特征点处的多分辨率，多方向局部特征Gabor变换，称为Jet；边的属性为不同特征点间的几何关系。对于输入的图像，其通过一种优化搜索策略来定位预先定位的若干面
12、部关键特征点，同时提取它们的Jet特征，得到输入人脸图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。弹性匹配方法的优点是既保留了面部的全局结构特征，也对人脸关键局部特征进行了建模。局部特征分析由Atick等提出。其在本质上是基于统计的低维对象描述方法，与PCA相比，局部特征分析在全局主成分分析的基础上提取的是局部特征。它既保留了全局拓扑信息，有提取了局部特征，使其具有了更好的描述和识别能力。局部特征分析技术已商业化为著名FaceIt系统。柔性模型，包括主动形状模型和主动外观模型。它是人脸建模方面的一个新的进步。其主要将人脸描述为2D形状和纹理两个分离的部分，分别用PCA建模
13、，然后再通过PCA将两者合成来对人脸建模。柔性模型具有良好的人脸合成能力，可以使用基于合成的图像分析技术对人脸图像进行特征提取和建模。这个阶段所提出的算法在理想图像采集条件，人员配合，中小规模正面人脸数据库上达到了非常好的性能。，也诞生几个著名的人脸识别系统。第三阶段（1998年现在）这个时期关于人脸识别的研究非常热门。有大量的研究人员从事这方面的研究。主要针对的是主流的人脸识别技术在采集条件不理想和用户不配合下鲁棒性差的问题。光照和姿态问题成为了研究焦点。这个时期主要成果有：Georghiades等人基于光照锤模型的多姿态，多光照条件人脸识别方法。Blanz和Vetter等人基于3D变形模型
14、的多姿态，多光照的人脸识别方法。Shashua等人基于上图像的人脸图像识别与绘制技术。总体而言，目前非理想成像条件下（尤其是光照和姿态），对象不配合，大规模人脸数据库上的人脸识别已逐渐成为研究的重点。而非线性建模方法，统计学习理论，基于Boosting的学习技术，基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。从整个人脸识别的研究历史来看，基于PCA的特征脸识别方法占据了非常重要的地位，也对后来的人脸识别技术产生甚远的影响。在后来很多的人脸识别技术，我们或多或少都会发现它的影子。人脸图像维数都很高，PCA方法不但很好表征人脸而且通过去除相关性，减少冗余，解决了在人脸识别过程中
15、图像为数过高的问题。并且随着现代社会的发展，快速人脸识别的需求越来越大。所以研究基于PCA的人脸识别算法的实现还是有实际意义。1.1.2 人脸识别的发展趋势人脸识别至今虽然取得了丰硕的研究成果，但是还有很多问题需要解决。人脸识别的难度在于：人脸是非刚性物体，并且会随着年龄的增长而改变，特征难以完全描述；人脸常常有许多遮挡物，如：眼镜，帽子等；环境的光照和人脸的姿态等。人脸识别的未来主要的发展趋势如下：1) 多数据融合与方法综合人脸识别技术经过这几十年的发展，已取得非常不错的成果。但是各种技术和方法都有自己不同的适应环境和各自的特点。如何使用数据融合理论，将不同的方法综合起来，相互补充，来取得较好的人脸识别效果，便成为人们的研究热点之一。2) 动态跟踪人脸识别系统目前的静态人脸识别技术只能满足一般身份识别场合如门禁系统，考勤系统等，无法进行人脸的动态跟踪与识别。随着现在社会的发展，目前对动态人脸的跟踪与识别的需求越来越大，尤其是在一些安全领域。3) 基于小波神经网络的人脸识别小波自提出以来，其理论和应用得到了长足的发展。它被认为是傅里叶分析的突破性的发展。随着神经网络的理论研究的深入，与小波，混沌，模糊集等非线性理论相结合已成为一个非常重要的发展方向。小波变换具有时频特性和变焦特性，神经网络具有自学习，自适应，鲁棒性，容错性和推广能力。如果能结合两者的优
