人臉識(shí)別課程設(shè)計(jì)報(bào)告Word版

1、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：整理為word格式一、問(wèn)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(kāi)，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

2、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(lái)確定圖像間的相似度，最常見(jiàn)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)。 整理為word格式二、PCA 原理和人臉識(shí)別方法1）K-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

3、 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(wú)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 表示。這樣，訓(xùn)練樣本庫(kù)就可以用 i（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：12.r,其對(duì)應(yīng)的特征向量為 k。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

4、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。 整理為word格式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(xiě)成列向量形式排列成矩陣2) 求協(xié)方差

5、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)行匹配整理為word格式四、實(shí)驗(yàn)結(jié)果與分析matlab 界面效果如下所示 圖 1 用戶使用界面整理為word格式圖 2 選擇圖片圖 3 圖片選擇后整理為word格式圖 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(méi)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function

6、pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) 整理為word格式% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % read image to be recognize %讀取圖片global im; filename, pathname = uige

7、tfile(*.bmp,choose photo); str = pathname, filename; im = imread(str); axes( handles.axes1); imshow(im); % - Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) 整理為word格式% hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in

8、 a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global im global reference global W %均值向量按列排成的變換矩陣global imgmean %均值向量global col_of_data global pathname global img_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 = 100000

9、000; 整理為word格式 % 最小距離法，尋找和待識(shí)別圖片最為接近的訓(xùn)練圖片 for k = 1:col_of_data temp = norm(objectone - reference(:,k); if(distancetemp) aimone = k; distance = temp; aimpath = strcat(pathname, /, img_path_list(aimone).name); axes( handles.axes2 ) imshow(aimpath) end end % 顯示測(cè)試結(jié)果 % aimpath = strcat(pathname, /, img_p

10、ath_list(aimone).name); 整理為word格式% axes( handles.axes2 ) % imshow(aimpath) % - Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles s

11、tructure with handles and user data (see GUIDATA) global reference global W global imgmean global col_of_data global pathname 整理為word格式global img_path_list % 批量讀取指定文件夾下的圖片 128*128 pathname = uigetdir; img_path_list = dir(strcat(pathname,*.bmp); img_num = length(img_path_list); imagedata = ; if img_n

12、um 0 for j = 1:img_num img_name = img_path_list(j).name; temp = imread(strcat(pathname, /, img_name); temp = double(temp(:); imagedata = imagedata, temp; end end col_of_data = size(imagedata,2); % 中心化 & 計(jì)算協(xié)方差矩陣 整理為word格式imgmean = mean(imagedata,2); for i = 1:col_of_data imagedata(:,i) = imagedata(:,i) - imgmean; end covMat = imagedata*imagedata; COEFF, latent, explained = pcacov(covMat); % 選擇構(gòu)成 95%能量的特征值 i = 1; proportion = 0; while(proportion 95) proportion = propor