基于機器學(xué)習(xí)方法的人臉識別研究與實現(xiàn)

PAGEi中國石油大學(xué)（北京）現(xiàn)代遠(yuǎn)程教育畢業(yè)設(shè)計（論文）PAGEXV基于機器學(xué)習(xí)方法的人臉識別研究與實現(xiàn)摘要在過去的這些年，越來越多的研究學(xué)者關(guān)注到人臉識別技術(shù)。人臉識別的主要功能是通過在圖像或者實時視頻中準(zhǔn)確的找到人的臉部，并且確認(rèn)人的身份，主要通過檢測和識別兩個步驟完成。本文主要探研究的內(nèi)容為人臉識別的提取以及與面部識別相關(guān)的一些算法，本文首先結(jié)合對人類臉部進(jìn)行識別的意義價值和當(dāng)前的背景討論人臉識別的意義。闡述人臉識別技術(shù)相關(guān)的怎樣定位、檢測、提取以及如何評價人臉識別結(jié)果等技術(shù)。闡述人臉識別用到的算法：支持向量機、主成分分析、基于幾何特征的人臉識別算法、隱馬爾科夫模型方法、基于神經(jīng)網(wǎng)絡(luò)的方法。本文使用支持向量機的方法實現(xiàn)了人臉識別的功能，使用視頻實時采集，并且實時識別的方式，使得程序有更好的實用性。關(guān)鍵詞：支持向量機；人臉識別；人臉檢測目錄第一章緒論 11.1背景與意義 11.2研究現(xiàn)狀 21.3研究內(nèi)容 21.4論文組織結(jié)構(gòu) 3第二章人臉檢測相關(guān)技術(shù)簡介 42.1人臉檢測與定位 42.1.1基于可視特征的方法 42.1.2基于模板匹配的方法 42.2人臉特征提取與識別 52.2.1基于幾何特征方法 52.2.2基于代數(shù)特征方法 62.3人臉識別的結(jié)果評價 6第三章人臉識別算法 73.1支持向量機 73.2基于PCA的人臉識別算法 73.3基于幾何特征的人臉識別算法 83.4隱馬爾科夫模型方法 93.5基于神經(jīng)網(wǎng)絡(luò)的方法 10第四章基于支持向量機的人臉識別實現(xiàn) 114.1實驗過程 114.1.1數(shù)據(jù)采集 114.1.2數(shù)據(jù)訓(xùn)練和匹配 114.2結(jié)果與分析 12第五章總結(jié)與展望 13參考文獻(xiàn) 14致謝 錯誤!未定義書簽。中國石油大學(xué)（北京）現(xiàn)代遠(yuǎn)程教育畢業(yè)設(shè)計（論文）PAGEPAGE1第一章緒論1.1背景與意義自從20世紀(jì)以來，信息化帶給人類又一次工業(yè)革命，計算機被人們發(fā)明出來之后，由它帶來的應(yīng)用層出不窮，同時使我們的生活發(fā)生了翻天覆地的變化，人們?yōu)榱颂岣呱a(chǎn)力，把更多的工作交給計算機去做。人們希望計算機越來越智能，并且在最近這幾十年里，人們也一直在研究人工智能相關(guān)的技術(shù)。希望通過人工智能更多的模擬類的各種活動。作為一個受到廣泛關(guān)注的課題，人臉識別在人工智能領(lǐng)域十分重要，人工智能離不開心理、統(tǒng)計等眾多學(xué)科的基礎(chǔ)支持。研究人臉識別技術(shù)有助于信息安全的發(fā)展，并且會讓機器更加人性化。目前我們研究的生物識別技術(shù)有人臉、語音、虹膜、指紋、耳型等識別技術(shù)。比爾·蓋茨投資了很多生物科技企業(yè)，并且曾經(jīng)預(yù)言新世紀(jì)里通過人臉、語音、指紋識別的生物技術(shù)會極大的帶動信息技術(shù)相關(guān)產(chǎn)業(yè)的發(fā)展。我們現(xiàn)在可以看到指紋識別已經(jīng)是一個十分成熟的識別技術(shù)，在人們的生活中隨處可見?；谌四樀淖R別技術(shù)也在慢慢變成成熟。當(dāng)前人工智能領(lǐng)域中，人臉識別技術(shù)具有很廣泛的應(yīng)用場景，它不僅在各種門禁系統(tǒng)、銀行身份確認(rèn)、視頻會議、檔案管理等方面能得到方便的應(yīng)用，也可以公安、海關(guān)以及國家安全方面的政府工作中也能發(fā)揮重要角色。隨著對人臉識別的不斷研究，我們掌握的相關(guān)技術(shù)也越來越成熟，很多數(shù)學(xué)相關(guān)的理論已經(jīng)變成人臉識別的基礎(chǔ)，人臉識別用到的數(shù)學(xué)分析方法也越來越多，相信數(shù)學(xué)分析會給人臉識別帶了質(zhì)的飛躍。人臉識別是一種友好和直接的生物識別方式，相對于指紋、虹膜等識別方式來說，人臉識別不需要人們做更多的配合工作，識別的過程更加直接和自然。因此人臉識別在各種安全和反恐領(lǐng)域會發(fā)揮重要的價值，尤其是在全球發(fā)生這么多恐怖襲擊事件后，相信人臉識別在未來會受到更多的關(guān)注，并且得到更好的應(yīng)用。1.2研究現(xiàn)狀在生物識別課題相關(guān)的領(lǐng)域，人臉識別技術(shù)是一個非常重要的方向，對于人臉識別技術(shù)的關(guān)注也已經(jīng)有很長的歷史了，從20世界60年代開始有大量的學(xué)者關(guān)注這個問題，在當(dāng)時人們通常采用幾何圖形的方式構(gòu)造人臉的結(jié)構(gòu)，再通過結(jié)構(gòu)圖分析人臉的一些特征點進(jìn)行辨認(rèn)。這種方式分析人臉的結(jié)構(gòu)比較簡單，不過如果人臉的表情和姿態(tài)變化時，這種方式分析的結(jié)果會變得非常不準(zhǔn)確。二十世紀(jì)九十年代開始，計算機的性能得到巨大的提升，人臉識別的各種方法也隨著突破各種技術(shù)難關(guān)得到發(fā)展，國外的許多大學(xué)和研究機構(gòu)都提出了各種不同的研究識別方式?？偟膩碚f主要分為以下幾個大類（1）示例數(shù)據(jù)學(xué)習(xí)，這用方法的基本思想是將正反兩種不同的示例歸納整合，產(chǎn)生出接受正例排斥反例的一般規(guī)則。（2）隱馬爾科夫模型（HMM），馬爾科夫模型是一個離散時序的有限狀態(tài)自動機。隱馬爾科夫模型非常善于檢測有序的序列，我們可以根據(jù)人臉的特征，把人臉分為前額、眼睛、鼻子、嘴巴和下巴這樣的有序隊列方便其有序的識別和檢測。(3)模板匹配，使用固定模板時首先準(zhǔn)備一個或多個用于參照的模版，然后通過將模版和需要測試的數(shù)據(jù)之間建立對比關(guān)系，通過設(shè)定閾值來判斷人臉數(shù)據(jù)樣本。在國內(nèi)多所高校和研究所例如北京科技大學(xué)、哈爾濱工業(yè)大學(xué)、中科院計算所、中國科技大學(xué)、四川大學(xué)等，也相繼在人臉識別方面投入了科研力量，并取得了不錯的成績。1.3研究內(nèi)容本篇文章概述了當(dāng)前常見的一些人臉識別相關(guān)的技術(shù)，介紹了對人臉識別進(jìn)行研究的價值，概述了人臉檢測相關(guān)的各種理論知識，介紹了目前在識別人臉過程中使用的一些算法，同時本文采用支持向量機等綜合方法實現(xiàn)了人臉圖像的識別。1.4論文組織結(jié)構(gòu)全文共分五章。第一章緒論主要介紹了研究人臉識別的價值以及背景，并且結(jié)合國內(nèi)外各個相關(guān)機構(gòu)提出的研究方向概述了人臉識別當(dāng)前的狀況。第二章人臉檢測理論與基礎(chǔ)，介紹了進(jìn)行人臉的檢測與定位的方法和理論，關(guān)于人臉特征提取與識別方面的知識與理論，以及通過怎樣的方式評價一個人臉識別的系統(tǒng)的檢測結(jié)果的優(yōu)劣。第三章人臉檢測先關(guān)技術(shù)簡介介紹了在人臉識別領(lǐng)域非常熱門和相對成熟的幾種算法：基于神經(jīng)網(wǎng)絡(luò)的方法、支持向量機、基于幾何特征的人臉識別算法、隱馬爾科夫模型方法、PCA。第四章基于支持向量機的人臉識別實現(xiàn)，通過支持向量機算法實現(xiàn)人臉識別檢測功能。第五章總結(jié)與展望。對本片文章的工作內(nèi)容和最后獲得的成績進(jìn)行了總結(jié)，分析了文中需要進(jìn)一步完善的地方，對未來需要做的工作進(jìn)行了展望。中國石油大學(xué)（北京）現(xiàn)代遠(yuǎn)程教育畢業(yè)設(shè)計（論文）PAGEPAGEI第二章人臉檢測相關(guān)技術(shù)簡介2.1人臉檢測與定位2.1.1基于可視特征的方法此方法通過面部可視的特點設(shè)計，根據(jù)人臉上器官的排列情況以及各個器官相對之間的色彩等特點來檢測和識別人臉圖像。（1）幾何特點大部分人臉的外觀雖然各有不同，但是其內(nèi)部構(gòu)造是存在一定的規(guī)律的，其五官的位置分布存在一定的比例關(guān)系。圖2-1為人的五官位置的相對比例。圖2-1人臉器官的相對位置分布Sirohey等[1]提出一種方案，先用canny算法檢測人臉的大致邊框位置，然后對其進(jìn)行篩選分組并且用橢圓將人臉的輪廓進(jìn)行擬合，從而達(dá)到從背景中分割人臉的效果。（2）紋路特點人的臉部擁有其與眾不同的紋路特點。Dai等[2]利用了基于空間灰度相關(guān)矩陣的參數(shù)特征來標(biāo)識其紋路特點，輸入圖片時強化其色彩信息，再用空間灰度矩陣去得到圖片結(jié)構(gòu)化的特性，把人臉的這種結(jié)構(gòu)化的模型檢測作為人面部識別的依據(jù)。2.1.2基于模板匹配的方法模板的匹配是指通過計算圖片跟模板的關(guān)聯(lián)程度達(dá)到識別人臉的目的的方法。對于需要匹配的人臉圖，分別去計算通用模板中的臉部各個器官的相關(guān)程度數(shù)值，并用這些數(shù)值來確定人臉的是否存在。Lades等[3]后來提出了動態(tài)鏈接模型（DLA），這種方法通過稀疏圖把待識別的圖像表示出來，見圖2-2。通過多種尺度表示其頂點，直邊的位置表示拓?fù)潢P(guān)系，同時標(biāo)記幾何距離。然后用基于匹配代價的函數(shù)優(yōu)化的彈性圖匹配技術(shù)去實現(xiàn)識別人臉的。圖2-2人臉彈性圖的匹配2.2人臉特征提取與識別人臉特征提取和識別方法的發(fā)展可以分成三個階段[4]：第一個階段分析研究人的面部特征。Bertillon根據(jù)輸入圖跟數(shù)據(jù)庫里面的圖像進(jìn)行關(guān)聯(lián)，同時加上對指紋的匹配計算，做出了一個相對優(yōu)秀的軟件程序。Allen[3]為了提升人臉檢測時的結(jié)果正確率，設(shè)計了一種有效的模擬重建，Parke實現(xiàn)了這一想法，實現(xiàn)出的模型質(zhì)量較高。第二階段是人機交互階段。代表性工作的有Goldston等[6]，他提出的想法是，將人臉圖像使用具有幾何特征的參數(shù)來呈現(xiàn)，并且設(shè)計了一套基于用二十一個維度的特征矢量表示人臉圖像特征的系統(tǒng)。Kaya等[7]提出一種基于歐幾里得距離表征人臉特征的方法，其中計算人臉的特征參數(shù)是采用積分投影的方法，并且這是基于一張圖像的，然后利用分類技術(shù)去匹配人臉。第三階段是人臉自動機器識別的階段[8]。近些年來，人臉識別技術(shù)的方法跟隨著計算機性能的大幅提升，也得到了比較大的進(jìn)展，研究學(xué)者們提出了很多種自動識別的方法。目前主要可以分為以下幾類：基于幾何特征的人臉識別、基于代數(shù)特征的人臉識別、基于機器學(xué)習(xí)的人臉識別。2.2.1基于幾何特征方法基于幾何特征的方法基本思想是將人臉表述為一個幾何特征矢量，使用聚類思想去設(shè)計分類器，然后進(jìn)行識別，其中我們?nèi)绾芜x擇這個幾何特征的矢量就顯得非常關(guān)鍵。Brunelli等一開始是用改進(jìn)的積分投影法提取歐幾里得表征的多維人臉矢量，Yuille等則使用了另一種幾何特征提取方法，他是使用可變形模板結(jié)合人臉活動輪廓進(jìn)行人臉幾何特征提取，Chow等[9]則采用了自適應(yīng)霍夫變換結(jié)合動態(tài)模板方法。2.2.2基于代數(shù)特征方法這種方法一般是把圖像平面上的點轉(zhuǎn)化為某個空間中的映射，用基本圖將人的面部信息編碼，這種方法的目的就是尋找一個從空間域到時間域的最優(yōu)表示。LDA即線性判別分析，這種方法實現(xiàn)的思路是吧多個維度空間中的數(shù)據(jù)投影至一維空間，用類的各個成員的信息組成一組特征向量，進(jìn)而表現(xiàn)了不同人臉的變化，我們將它稱之為Fisher-face。2.3人臉識別的結(jié)果評價下面是公認(rèn)的人臉自動機器識別系統(tǒng)系能評價的一些重要的定義和指標(biāo)[8]:（1）檢測：檢測定位人臉的過程（2）拒檢：不能正常檢測人臉（3）拒檢率：被拒檢概率（4）匹配相似度：指參與對比人臉的相似度，值越大匹配度越高（5）錯誤拒絕：指定匹配相似度閾值，小于閾值為不被正確接受的比率（6）錯誤接受：錯誤拒絕的概率（7）首選識別率：相似度最大的人臉為正確的比率（8）累計識別率：前N個候選人中正確識別結(jié)果的比率中國石油大學(xué)（北京）現(xiàn)代遠(yuǎn)程教育畢業(yè)設(shè)計（論文）中國石油大學(xué)（北京）現(xiàn)代遠(yuǎn)程教育畢業(yè)設(shè)計（論文）PAGEPAGEI第三章人臉識別算法3.1支持向量機1995年Vapnik提出了支持向量機的概念（SupportVectorMachine-SVM）[10]，SVM在最開始的時候是基于線性判別函數(shù)來解決二分類的問題的，不過SVM輸出的結(jié)果是分類類別而不是類別的概率，這與邏輯回歸有明顯的區(qū)別。當(dāng)時支持向量機在被用于文本分類的方面時表現(xiàn)十分出色（AdaBoost+SVM），因此在機器學(xué)習(xí)領(lǐng)域很快被推廣應(yīng)用起來。一直到了2006年Hition在Science上發(fā)表文章表示在MINIST手寫數(shù)字識別任務(wù)中神經(jīng)網(wǎng)絡(luò)的失敗率為1.2%，比當(dāng)時SVM的1.4%還要低，12年深度學(xué)習(xí)一鳴驚人，使得深度神經(jīng)網(wǎng)絡(luò)開始受到重視，SVM逐漸衰落。不過作為一種十分可靠的分類器SVM仍然是有監(jiān)督學(xué)習(xí)的經(jīng)典代表。SVM與PCA、LDA以及流行學(xué)習(xí)等降維方法所不同的是，其通過升維解決分類問題。其實數(shù)據(jù)是否真正需要降維存在部分爭議，數(shù)據(jù)降維主要是因為維數(shù)太高，我們目前無法求解，或很難有較好的方法進(jìn)行求解，存在curseofdimension的問題。然而，有時數(shù)據(jù)降維后所得結(jié)果其實并不比未經(jīng)降維處理的原始數(shù)據(jù)要好，或者有時是因為數(shù)據(jù)維數(shù)降低使其結(jié)果表面上看上去要比原來的要好，而真正結(jié)果卻并沒有多大精度的提升，甚至不如不進(jìn)行降維處理。如在人臉識別中，通過PCA降維除去冗余，但是若只利用原始數(shù)據(jù)的顏色信息其仍能取得不錯的結(jié)果。因此通過降維技術(shù)是否真正能是結(jié)果得到有效提高仍需仔細(xì)分析。（Sunjian老師等人就曾對此進(jìn)行過相關(guān)討論-BlessingofDimension,2013CVPR。最近也有相關(guān)學(xué)者提出維度適當(dāng)才能有較好的效果）3.2基于PCA的人臉識別算法主成分分析即（Principalcomponentsanalysis，PCA）是由Turk和Pentlandt41[11]在20世紀(jì)90年代提出，用作對數(shù)據(jù)集合進(jìn)行簡化和分析的一種技術(shù)。主成分分析算法通過特征量來剖析多元統(tǒng)計分布，是一種非常優(yōu)秀的算法。主成分分析一般可以被理解為通過分析數(shù)據(jù)中的內(nèi)部結(jié)構(gòu)來解釋數(shù)據(jù)變量的方法。假設(shè)某個多元的數(shù)據(jù)集合被表示在一個相對高緯度的坐標(biāo)系中，就可以使用這種算法得到一個相對低緯度的圖，而這個低緯度的圖像就是在信息最多的點上之前數(shù)據(jù)的投影。這樣就會通過少量的主成分降低數(shù)據(jù)的維度了。PCA跟因子分析密切相關(guān)，并且已經(jīng)有很多混合這兩種分析的統(tǒng)計包。而真實要素分析則是假定底層結(jié)構(gòu)，求得微小差異矩陣的特征向量。圖3-1PCA樣本投影如上圖所示，我們將樣本到紅色向量的距離稱作是投影誤差（ProjectionError）。以二維投影到一維為例，PCA就是要找尋一條直線，使得各個特征的投影誤差足夠小，這樣才能盡可能的保留原特征具有的信息。因為PCA僅保留了特征的主成分，所以PCA是一種有損的壓縮方式.3.3基于幾何特征的人臉識別算法因為組成人臉的部分是固定的，因為面部器官的大小和形狀的不同導(dǎo)致人臉的不同，所以這些器官的幾何結(jié)構(gòu)可以看成是人臉描述的特征。使用幾何特點對人臉進(jìn)行識別，通常是提取人的面部器官的一些特征點的形狀以及分布情況當(dāng)作分類的依據(jù)。確定臉部邊緣，使用灰度差投影方法找出人臉邊緣輪廓的公式為g(x,y)=|f(x,y)-f(x,y-1)|+|f(x,y)-f(x,y+1)|(3-1)對于每列，首先算出每個像素跟旁邊像素的灰度差值，接著將這列每個像素的灰度差進(jìn)行加法操作，標(biāo)記為v(y)，在圖像左（右）側(cè)三分之一內(nèi)找到最大的值，會得到v(y)，y就是人臉邊界所在。由于頭發(fā)會影響人臉的邊緣識別，因為膚色灰度值通常大于頭發(fā)的灰度值，所以灰度值相加的條件應(yīng)該是f(x,y-1)<f(x,y+1)(3-2)圖3-2灰度差值投影由于我們臉上所有器官的邊緣一定比我們的臉頰小，所以臉部邊緣對應(yīng)的垂直方向上的灰度差的和最大。即對灰度差的垂直方向上的積分投影中，圖的最左邊和最右邊都有一個較大的數(shù)值，這正好跟人面部兩端對應(yīng)。通過灰度差投影識別人臉輪廓效果如下圖：圖3-4灰度差投影法定位后的效果圖3.4隱馬爾科夫模型方法隱馬爾可夫模型即（HiddenMarkovModel，HMM）是用來統(tǒng)計分析的一種模型。在80年代成為信號處理的非常重要的方向被廣泛傳播并且得到發(fā)展，目前應(yīng)用的領(lǐng)域非常多，比如說文字、語音、行為方面的只能識別以及故障診斷等方面。Smaria[12]是最早把隱馬爾可夫模型在人臉識別方面使用的。其思路為首先把人的臉部看做一個系統(tǒng)，把人的臉部分為多個部分額頭、眼睛、鼻子、嘴巴和下巴幾個部分，假如臉部出現(xiàn)稍微的偏轉(zhuǎn)，其順序還是一樣的。所以一般使用一個5狀態(tài)的一維隱馬爾可夫模型（1D-HMM）將人臉圖像建模。后來Nefian[13]等學(xué)者通過改變觀察矢量的表示方法完善了其識別和訓(xùn)練的準(zhǔn)確率。使用隱馬爾可夫模型作為人臉識別的方法有很多好處：①關(guān)系性強，因為其利用了各個器官相互之間的關(guān)系。②適應(yīng)性強，即使人臉部有一些表情或者頭部發(fā)生一些轉(zhuǎn)動也可以適應(yīng)。③識別率高。④擴展性強，當(dāng)有新樣本出現(xiàn)時，不用再次訓(xùn)練之前的所有樣本。因此可以看出隱馬爾可夫模型在人臉識別方面具有很大的應(yīng)用空間。3.5基于神經(jīng)網(wǎng)絡(luò)的方法人工神經(jīng)網(wǎng)絡(luò)即(ArtificialNeuralNetworks,ANN)是受到生物學(xué)所啟發(fā)而來的一種方法，可以理解為一組計算節(jié)點相互關(guān)聯(lián)起來。人工神經(jīng)網(wǎng)絡(luò)在處理數(shù)據(jù)時可以理解為首先外界輸入數(shù)據(jù),然后根據(jù)規(guī)則在某些神經(jīng)節(jié)點上觸發(fā)或不觸發(fā)響應(yīng)。所有的響應(yīng)結(jié)果結(jié)合起來影響最終系統(tǒng)的輸出。如今在很多通過特征提取難以解決的問題，如計算機視覺方面，ANN已經(jīng)表現(xiàn)除了很好的效果。ANN的結(jié)構(gòu)可以理解為很多互相連接的節(jié)點。一般分為：輸入、隱含、輸出三層，跟我們生物的神經(jīng)相似。輸入層對應(yīng)著網(wǎng)絡(luò)接收到的數(shù)據(jù),可以被理解為從其它方法獲得的一個輸入向最。該層和不在兩端的一個隱含層連接。相對于其他深度訓(xùn)練的方法，訓(xùn)練完成之后，觀察不到其內(nèi)部是怎么做到的。因此ANN也會被稱作黑盒子，因為我們基本不能全部分析了解其運作方式。隱含層可能會存在多個并且每層之間都是相連的。每一條邊都有一個表示權(quán)重的值，表示神經(jīng)元之間的相關(guān)程度。輸出層是網(wǎng)絡(luò)的最后一層，用于輸出ANN的結(jié)果，因為ANN主要用來解決分類的問題，所以每個類別一個輸出。圖3-5人工神經(jīng)網(wǎng)絡(luò)的三個層次

第四章基于支持向量機的人臉識別實現(xiàn)4.1實驗過程本程序訓(xùn)練使用的數(shù)據(jù)來源于自己采集，通過筆記本自帶的攝像頭實時采集人臉數(shù)據(jù)，利用opencv自帶的圖像處理工具，采集多張人臉圖像并且保存到磁盤文件夾中。然后通過PCA+SVM算法對數(shù)據(jù)進(jìn)行訓(xùn)練，最終通過攝像頭將識別到的人臉數(shù)據(jù)跟訓(xùn)練數(shù)據(jù)進(jìn)行比對，識別出身份。4.1.1數(shù)據(jù)采集通過攝像頭采集圖片，利用opencv的自帶圖像處理庫識別視頻幀中是否有人臉，如果有人臉，將人臉部分畫出明顯的邊框，并且圖像中人臉部分進(jìn)行截取，每次采集100張人臉的圖片。(1)首先加載識別分類器，打開攝像頭采集實時圖片信息，將圖片進(jìn)行灰度化處理，通過opencv人臉識別分類檢測圖片中的人臉數(shù)據(jù)，我們可以得到人臉信位置在圖片上的位置，只需要將圖片中截取含有人臉部分的圖片，便于后邊對人臉圖片進(jìn)行分析時更加準(zhǔn)確。每次只采集一個人臉圖片，指定不同的文件夾路徑將不同的人臉圖片分開保存。(2)創(chuàng)建一個窗口用來顯示攝像頭實時采集到的數(shù)據(jù)，并且根據(jù)人臉的位置畫一個正方形的框，同時在圖片上寫出當(dāng)前是采集的第幾張圖片。圖4-1采集數(shù)據(jù)過程圖4-2采集數(shù)據(jù)結(jié)果4.1.2數(shù)據(jù)訓(xùn)練和匹配從磁盤中加載圖片文件，擬合并降維訓(xùn)練數(shù)據(jù)集，在攝像頭中截取視頻幀，采集實時識別出的人臉，然后使用SVM進(jìn)行分類比較，識別出實時視頻中的人臉，并且在人臉部分畫框表示出來。(1)載入訓(xùn)練數(shù)據(jù)集的程序從指定文件夾讀取采集好的圖片，給圖片數(shù)據(jù)設(shè)置身份標(biāo)簽。(2)使用PCA算法對訓(xùn)練集數(shù)據(jù)進(jìn)行降維操作，建立PCA類，設(shè)置主成分的方差以及其占的最底比例閾值，讓PCA類根據(jù)樣本的特征方差自己去決定降維到的維度數(shù)。然后擬合并將為訓(xùn)練數(shù)據(jù)。(3)將訓(xùn)練好的數(shù)據(jù)跟攝像頭實時采集的畫面比對，捕獲指定攝像頭的實時視頻流，循環(huán)檢測識別人臉，圖像灰化，降低計算復(fù)雜度，利用分類器，找出攝像頭中的人臉。使用SVM根據(jù)之前訓(xùn)練好的模型，將識別到的人臉進(jìn)行分類處理，得到人臉的分類結(jié)果，根據(jù)結(jié)果識別出人的身份。4.2結(jié)果與分析本文通過自己采集數(shù)據(jù)，并且使用PCA+SVM實現(xiàn)了實時人臉數(shù)據(jù)采集和實時數(shù)據(jù)識別的功能。識別效果如圖4-6。圖4-6人臉識別效果

第五章總結(jié)與展望本篇文章首先根據(jù)國內(nèi)外人臉識別研究的狀況，概述了人臉識別對于我們社會發(fā)展的重要性，介紹了其主要研究的內(nèi)容。接著介紹了人臉識別相關(guān)的技術(shù)方案。文中提到了幾種根據(jù)人臉的面部幾何特征對人臉進(jìn)行定位的方法，比如根據(jù)人眼睛和嘴巴等關(guān)鍵點的位置判定人臉以及根據(jù)人臉邊緣位置識別人臉等方法。本文介紹了人臉的身份識別用到的一些算法，最后通過PCA+SVM方法實現(xiàn)了人臉識別。人臉識別技術(shù)經(jīng)過這么多年的發(fā)展，已經(jīng)取得了很大的發(fā)展，不僅在機器學(xué)習(xí)領(lǐng)域變成了一個研究的熱點問題，在實際應(yīng)用當(dāng)中也變得非常廣泛，隨著計算機科學(xué)的不斷發(fā)展，人臉識別的用途越來越廣泛，對人臉識別程序的性能和識別效率要求也越來越高，希望未來機器學(xué)習(xí)能夠給我們帶來更多的便利。

參考文獻(xiàn)[1]SiroheySA.Humanfacesegmentationandidentification[R].Technical?report?CS-TR-3176.?Maryland:Univ.?Of?Maryland,?1993.[2]DaiY,NakanoY.Face-texturemodelbasedonSGLDanditsapplicationinfacedetectioninacolorsence[J].PatternRecongnition,1996.[3]LadesM,VorgrubbenJC.Distorioninvarantobjecetrecognitioninthedynamiclinkarthiecture[J].IEEETrans,OnComputer,1993.[4]陶亮.基于人臉識別的身份認(rèn)證方法研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，工程碩士專業(yè)學(xué)位