人臉相似度檢測系統(tǒng)設(shè)計

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”身份的技術(shù)。提出了一種基于主元分析(PCA)的人臉相似度檢測方法。通過PCA算法對人臉圖像進行特征提取,再利用最鄰近距離分類法對特征向量進行分類相似度檢測。利用劍橋ORL的人臉數(shù)據(jù)庫的數(shù)據(jù)進行實驗仿真，仿真結(jié)果驗證了本算法是有效的。關(guān)鍵詞：人臉相似度檢測，主元分析，最近鄰距離分類法，人臉庫-III-1人臉相似度檢測是模式相似度檢測研究的一個熱點,它在身份鑒別、信用卡相似度所選取的特征必須對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),同時又能保留所需要的相似度檢測信息,這些信息對光照、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)計具有良好分類能力和魯棒性(SVM人臉相似度檢測技術(shù)的細節(jié)似度檢測（身份確認或者身份查找。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，表明待相似度檢測的人臉的身份。人臉相似度檢測技術(shù)的廣泛應(yīng)用一項技術(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)展的社會經(jīng)濟和科學(xué)技術(shù)使得人類對安全(包括人身安全、隱私保護等)得認識越來越重視。人臉相似度檢測得一個重要應(yīng)用就是人類的身份相似度檢測。一般來說，人類得身份相似度檢測方式分為三類: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，包括各種密碼、口令和暗號等;DNA、簽名、語音等。前兩類相似度檢測方式屬于傳統(tǒng)的身份相似度檢測技術(shù)，其特點是-1-似度檢測技術(shù)，如DNA相似度檢測技術(shù)、指紋相似度檢測技術(shù)、虹膜相似度檢測技術(shù)、語音相似度檢測技術(shù)和人臉相似度檢測技術(shù)等。生物相似度檢測技術(shù)在上個世紀(jì)已經(jīng)有了一定得發(fā)展，其中指紋相似度檢測技術(shù)已經(jīng)趨近成熟，但人臉相似度檢測技術(shù)的研究還處于起步階段。指紋、虹膜、掌紋等相似度檢測技術(shù)都需要被相似度檢測者的配合，有的相似度檢測技術(shù)還需要添置復(fù)雜昂貴的設(shè)備。人臉相似度檢測可以利用已有的照片或是攝像頭遠距離捕捉圖像，無需特殊的采集設(shè)備，系統(tǒng)的成本低。并且自動人臉相似度檢測可以在當(dāng)事人毫無覺察的情況下完成身份確認相似度檢測工作，這對反恐怖活動有非常重要的意義。基于人臉相似度檢測技術(shù)具有如此多的優(yōu)勢，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技術(shù)之一。人臉相似度檢測技術(shù)的難點問題，表現(xiàn)在以下方面:些肌肉的運動導(dǎo)致不同面部表情的出現(xiàn)，會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、部分遮掩將會造成錯誤相似度檢測。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)達國家開始重視人臉相似度檢測的研究工作并取得進展。1972年，Harmon用交互人臉相似度檢測方法在理論上與實踐上進行了詳細的論述。同年，Sakai設(shè)計了人臉圖像自動相似度檢測系統(tǒng)。80T.MinamiSakai的人臉圖像自動相似度檢測系統(tǒng)。但早期的人臉相似度檢測一般都需要人的某些先驗知識，無法擺脫-2-Karhunen-Loève19902000年之間，SCIEI可檢索到的相關(guān)文獻多達數(shù)千篇，這期間關(guān)于人臉相似從事人臉相似度檢測的研究。人臉相似度檢測是當(dāng)前模式相似度檢測領(lǐng)域的一個前沿課題，但目前人臉相似度檢測尚處于研究課題階段，尚不是實用化領(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人，但利用計算機進行完全自動的人臉相似度檢測存在許多困難，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、成像距離等影響。人臉相似度檢測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，每個像素都含有各自不同的灰度級，由此帶來來對數(shù)據(jù)庫進行檢索的方法速度快，而利用拓撲屬性圖匹配來確定匹配度的方法則相對較快。人臉相似度檢測的研究內(nèi)容人臉相似度檢測技術(shù)(AFR)就是利用計算機技術(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信息，用來“辨認”身份的技術(shù)。人臉相似度檢測技術(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、計算機視覺、模式相似度檢測、計算機智能等領(lǐng)域，是伴隨著現(xiàn)代化計算機技術(shù)、數(shù)據(jù)庫技術(shù)發(fā)展起來的綜合交叉學(xué)科。人臉相似度檢測研究內(nèi)容人臉相似度檢測的研究范圍廣義上來講大致包括以下五個方面的內(nèi)容。人臉定位和檢測(FaceDetection):即從動態(tài)的場景與復(fù)雜的背景中檢測出人臉的各樣遮擋的影響。人臉表征(FaceRepresentation)-3-人臉相似度檢測(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)信息進行分析，并對其加以歸類。生理分類(PhysicalClassification):即對待相似度檢測人臉的生理特征進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的人臉圖像估算等。人臉驗證與人臉相似度檢測。人臉驗證((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人臉圖像，判斷它是否是某人的問題，屬于一對一的兩類模式分類問題，主要用于安全系統(tǒng)的身份驗證。人臉相似度檢測（FaceRecognition):即是回答“是誰”的問題。它是給定一幅待內(nèi)容。人臉相似度檢測系統(tǒng)的組成:織等模塊，如圖1.1。其中人臉檢測和人臉相似度檢測是整個自動人臉相似度檢測系統(tǒng)中非常重要的兩個環(huán)節(jié)，并且相對獨立。下面分別介紹這兩個環(huán)節(jié)。人臉檢測人臉檢測人臉庫預(yù)處理特征提取分類相似度檢測圖1.1人臉相似度檢測系統(tǒng)框圖人臉檢測與定位，檢測圖像中是否由人臉，若有，將其從背景中分割出來，并確定其在圖-4-KPCALDA此時人臉的定位很簡單。證件照背景簡單，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，這時人臉的檢測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，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;后者是指對圖像進行光照補償?shù)忍幚?，以克服光照變化的影響，光照補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率。提取出待相似度檢測的人臉特征之后，即進行特征匹配。這個過程是一對多或者一對一的匹配過程，前者是確定輸入圖像為圖像庫中的哪一個人(即人臉相似度檢測)，后者是驗證輸入圖像的人的身份是否屬實(人臉驗證)。以上兩個環(huán)節(jié)的獨立性很強。在許多特定場合下人臉的檢測與定位相對比較容易，因此“特征提取與人臉相似度檢測環(huán)節(jié)”得到了更廣泛和深入的研究。近幾年隨著人們越來越關(guān)心各種復(fù)雜的情形下的人臉自動相似度檢測系統(tǒng)以及多功能感知研究的興起，人臉檢測與定位才作為一個獨立的模式相似度檢測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人臉相似度檢測結(jié)構(gòu)圖其他方法-5-2雖然人臉相似度檢測方法的分類標(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行分類相似:人工神經(jīng)網(wǎng)絡(luò)的方法、統(tǒng)計模式的方法等。另一類是基于提取人臉圖像的幾何特征參數(shù)(Feature-BasedApproaches)，因為人臉不是剛體，有著復(fù)雜的表情，對其嚴(yán)格進行特征匹配會出現(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行研究，后三種方法主要從提取圖像的局部特征講行研究。基于特征臉的方法特征臉方法(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。相似度檢測時將測試圖像投影到主元子空間上得到了一組投影系數(shù)，然后和各個己知人的人臉圖像進行比較相似度檢測，取得了很好的相似度檢測效果在此基礎(chǔ)上出現(xiàn)了很多特征臉的改進算法。特征臉方法隨光線角度及人臉尺寸的影響，相似度檢測率會有所下降?；谏窠?jīng)網(wǎng)絡(luò)的方法神經(jīng)網(wǎng)絡(luò)在人臉相似度檢測應(yīng)用中有很長的歷史。早期用于人臉相似度檢測的神經(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等人用一個無監(jiān)督/求其平均，相似度檢測效果還會提高。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上有其獨到的優(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)于人臉相似度檢測的規(guī)律和規(guī)則的隱性表達。此外，神經(jīng)網(wǎng)絡(luò)以時示方式處理信息，如果能用硬件實現(xiàn)，種族相似度檢測等。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)點用圖像位置的Gabor小波分解得到的特征向量再對圖中的每個節(jié)點位置進行最佳匹配，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)及尺度變化都敏感。此方法的主要缺點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。在聚束圖中，所有節(jié)點都已經(jīng)定位在相應(yīng)目標(biāo)上。對于大量數(shù)據(jù)庫，這樣可以大大減少相似度檢測時間。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苯佑嬎銉筛眻D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，也很難從中自動提取所需的特征量。模板匹配方法但它對光照、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，正因為這些部件的形狀、大小和結(jié)構(gòu)上的各種差異才使得世界上每個人臉千差萬別，因此對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的重要特征。幾何特征最早是用于人臉檢測輪廓的描述與相似度檢測，首先根據(jù)檢測輪廓曲線確定若干顯著點，并由這些顯著點導(dǎo)出一組用于相似度檢測的特征度量如距離、角度等。采用幾何特征進行正面人臉相似度檢測一般是通過提取人眼、口、鼻等重要特征點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、鼻子的相對位置等)，而且這將使得眼睛的定位變得很復(fù)雜。而且實際圖像中，部件未必輪廓分明，有時人用眼看也只是個大概，計算機提取就更成問題，因而導(dǎo)致描述同一個人的不同人臉時，其模型參數(shù)可能相差很大，而失去相似度檢測意義。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，如對標(biāo)準(zhǔn)身份證照片的應(yīng)用。-8-3PCA人臉相似度檢測方法引言人臉相似度檢測技術(shù)是指當(dāng)輸入一張正面人臉圖像時，相似度檢測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。相似度檢測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)出所對應(yīng)的原來的高維向量]對應(yīng)到人臉相似度檢測中，有如下的闡述:對于一幅nxmvpp個列向量羅列起來形成一個(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對每一幅圖像x進行變換（即在特征空間中進行投影）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個特征值對應(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St進行分解時，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，表達和逼近人臉圖像，因此可以進行人臉的相似度檢測與合成。相似度檢測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)庫中的某個人；若同一幅未知人臉出現(xiàn)數(shù)次，則計算其特征權(quán)值模式并加入到人臉數(shù)據(jù)庫中。((training是測試階段(testingPCAKMNXN的二維數(shù)I(x,y)N2x1的向量。從一個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，這是由于計算機抽取數(shù)字特征方面的能力遠遠超過于人，這些數(shù)字特征包括統(tǒng)計平均值、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單，快速，實用的基于變換系數(shù)特征的算法，它存在如下優(yōu)點：--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，不需任何低級或中級處理：(2)不需要人臉的幾何和反射知識；通過低維子空間表示對數(shù)據(jù)進行壓縮；于訓(xùn)練集和測試集圖像的灰度相關(guān)性，而且要求測試圖像與訓(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，對于復(fù)雜變化背景，需首先進行復(fù)雜的圖像分割處理；4流程圖訓(xùn)練樣本訓(xùn)練樣本PCA測試樣本測試模塊分類結(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陣達到降維的目的。仿真結(jié)果105張50幅。另一個是ORL4010400100%。而隨著訓(xùn)練樣本的也會對結(jié)果產(chǎn)生影響，效果不是很好。進行直方圖均衡化比灰度歸一化的識別率高，預(yù)處也只是起到了簡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，使得可以盡量消除光照、表情、遮掩和姿勢的影響。下圖為測試流程截圖：-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算法中特征提取、分類器設(shè)計作了系統(tǒng)的研究，在理論、方法和應(yīng)用上進行了一系列探索，所取得的主要成果總結(jié)如下:用的人臉相似度檢測標(biāo)準(zhǔn)數(shù)據(jù)庫。特征維數(shù)和訓(xùn)練樣本個數(shù)對相似度檢測性能的影響。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“人臉相似度檢測系統(tǒng)”具有存儲功能，只要把一些具有潛在危險性的“重點人物”的“臉部特寫”輸入存儲系統(tǒng)，重點人物如擅自闖關(guān)，就會在 0.01秒之內(nèi)被出來，同時向其他安保中心“報警”。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出，這時候面部檔案信息未被系統(tǒng)存儲的所有人全都會被拒之門外。與以前的指紋相似度檢測系統(tǒng)相比，人臉相似度檢測系統(tǒng)有很多的改進。用于人臉相似度檢測的攝像機一天24小時都可工作，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。人臉相似度檢測系統(tǒng)意味著每個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、文明奧運的功能。人臉的自動分割。人臉相似度檢測技術(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兩個方面的工作。要想使人臉相似度檢測技術(shù)得到廣泛的發(fā)展和應(yīng)用,首先必須要解決人臉自動分割問題。而人臉的自動分割是一個很有挑戰(zhàn)性的研究課題。基于代數(shù)特征的人臉相似度檢測方法。它的有點在于應(yīng)用簡單 ,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四樏娌康募毠?jié)信息非常重要 ,對表情的相似度測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研究一個值得探索的方向。基于多分類器融合的表情相似度檢測方法，由于不同的分類器想對于不同的特征和環(huán)境有著不同的性能,研究一個良好的融合策略將是提高人臉相似度檢測系統(tǒng)的一個很好的研究方向。-17-參考文獻張瑩,李勇平,敖新宇.基于主元分析法的通用人臉檢測模塊設(shè)計[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系統(tǒng)的設(shè)計[J]. 電子設(shè)計程,2012,10:182-185.陸珂.基于主元分析法的人臉檢測與跟蹤算法研究[D].華東理工大學(xué)[4]趙黎.基于主元分析法的人臉檢測系統(tǒng)設(shè)計與實現(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,張長水.局域區(qū)域特征的快速人臉檢測法.[J]北京;清華大學(xué)學(xué)報.1999.96（1）;4~6.陳剛,戚飛虎.實用人臉相似度檢測系統(tǒng)的本征臉法實現(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[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別.2006.06.龔勛,PCA與人臉識別及其理論基礎(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