1、設(shè)一大挈YANGTZEUNIVERSITY數(shù)字圖像處理實(shí)驗(yàn)報(bào)告院系：計(jì)算機(jī)科學(xué)學(xué)院班級(jí)：計(jì)科11303小組成員：張世柳、鄧偉養(yǎng)、蘭洋、馮威成員學(xué)號(hào)：201510049實(shí)驗(yàn)名稱：基于MATLAB勺人臉識(shí)另I算法實(shí)驗(yàn)時(shí)間：2015.10.01-2015.10。9實(shí)驗(yàn)地點(diǎn)：東4教2號(hào)機(jī)房一、緒論2二、實(shí)驗(yàn)設(shè)計(jì)2（一）實(shí)驗(yàn)題目2（二）實(shí)驗(yàn)?zāi)康?三、實(shí)驗(yàn)準(zhǔn)備2（一）環(huán)境準(zhǔn)備2（二）知識(shí)準(zhǔn)備3四、算法設(shè)計(jì)3（）問題描述31 .主成分的一般定義32 .主成分的性質(zhì)43 .主成分的數(shù)目的選取4（二）PCA算法的功能實(shí)現(xiàn)51 .人臉空間的建立52 .特征向量的選取53 .人臉識(shí)別54 .識(shí)別流程6五、程序?qū)崿F(xiàn)6

2、（一）人臉識(shí)別程序61 .用戶界面62 .選擇圖片63 .圖片選擇后64 .查找后6（二）測(cè)試及結(jié)果分析6六、實(shí)驗(yàn)總結(jié)7七、參考文獻(xiàn)10、緒論隨著科技的發(fā)展，人類社會(huì)的進(jìn)步，傳統(tǒng)身份識(shí)別由于容易遺失，容易被破解已不能起到身份識(shí)別作用。人們需要更加安全可靠的身份識(shí)別技術(shù)。而生物特征的獨(dú)一無二，不易丟失和被復(fù)制的特性很好滿足了身份識(shí)別的需要。同時(shí)隨著計(jì)算機(jī)科學(xué)技術(shù)和生物醫(yī)學(xué)的發(fā)展使得利用生物特征識(shí)別成為了可能。在生物特征識(shí)別領(lǐng)域，由于人臉識(shí)別的操作快速簡單，結(jié)果直觀，準(zhǔn)確可靠，不需要人的配合等優(yōu)點(diǎn)已成為人們關(guān)注的焦點(diǎn)。主成分分析（PCA通過提取高維度的人臉圖像的主元，使得圖像在低維度空間中被處理來

3、降低了圖像處理的難度。由于其有效的解決了圖像空間維數(shù)過高的問題，已經(jīng)成為人臉識(shí)別領(lǐng)域非常重要的理論，本實(shí)驗(yàn)研究的是基于MATLA隊(duì)臉識(shí)別算法的實(shí)現(xiàn)。二、實(shí)驗(yàn)設(shè)計(jì)（一）實(shí)驗(yàn)題目機(jī)器人視覺一一基于MATLAB勺人臉識(shí)別算法（二）實(shí)驗(yàn)?zāi)康?,初步了解人臉識(shí)別的特征法；5 .學(xué)會(huì)使用主成分分析算法（PCA；3,通過功能模塊實(shí)現(xiàn)人臉識(shí)別系統(tǒng)；4,完成數(shù)字圖像處理課程的作業(yè)要求。三、實(shí)驗(yàn)準(zhǔn)備（一）環(huán)境準(zhǔn)備MATLAB7.0(二)知識(shí)準(zhǔn)備1. MATLAB的優(yōu)勢(shì)特點(diǎn)：(1)高效的數(shù)值計(jì)算及符號(hào)計(jì)算功能，能使用戶從繁雜的數(shù)學(xué)運(yùn)算分析中解脫出來；(2)具有完備的圖形處理功能，實(shí)現(xiàn)計(jì)算結(jié)果和編程的可視化；(3)友

4、好的用戶界面及接近數(shù)學(xué)表達(dá)式的自然化語言，使學(xué)者易于學(xué)習(xí)和掌握；(4)功能豐富的應(yīng)用工具箱，為用戶提供了大量方便實(shí)用的處理工具。2.主成分分析(PrincipalComponentAnalysis,PCA,將多個(gè)變量通過線性變換以選出較少個(gè)數(shù)重要變量的一種多元統(tǒng)計(jì)分析方法。PCA1數(shù)字圖像處理中經(jīng)常用到的降維方法，在處理有關(guān)數(shù)字圖像處理方面的問題時(shí)，比如經(jīng)常用的圖像的查詢問題，在一個(gè)幾萬或者幾百萬甚至更大的數(shù)據(jù)庫中查詢一幅相近的圖像。這時(shí)，我們通常的方法是對(duì)圖像庫中的圖片提取響應(yīng)的特征，如顏色，紋理，sift,surf,vlad等特征，然后將其保存，建立響應(yīng)的數(shù)據(jù)索引，再對(duì)要查詢的圖像提取相應(yīng)

5、的特征，與數(shù)據(jù)庫中的圖像特征對(duì)比，找出與之最近的圖片。如果為了提高查詢的準(zhǔn)確率，通常會(huì)提取一些較為復(fù)雜的特征，如sift,surf等，一幅圖像有很多個(gè)這種特征點(diǎn)，每個(gè)特征點(diǎn)又有一個(gè)相應(yīng)的描述該特征點(diǎn)的128維的向量，設(shè)想如果一幅圖像有300個(gè)這種特征點(diǎn)，那么該幅圖像就有300*vector(128維)個(gè)，如果我們數(shù)據(jù)庫中有一百萬張圖片，這個(gè)存儲(chǔ)量是相當(dāng)大的，建立索引也很耗時(shí)，所以用PCA將其降維。四、算法設(shè)計(jì)(一)問題描述1.主成分的一般定義設(shè)有隨機(jī)變量X1,X2,Xp,其樣本均數(shù)記為，一，,樣本標(biāo)準(zhǔn)差記為S1,S2,S6首先作標(biāo)準(zhǔn)化變換，我們有如下的定義：(1)若C1=a11x1+a12x2

6、+,+a1pxp,且使Var(C1)最大，則稱C1為第一主成分;(2)若C2=a21x1+a22x2+a2pxp,一(a21,a22,a2p)垂直于(a11,a12,a1p),且使Var(C2)最大，則稱C2為第二主成分；(3)類似地，可有第三、四、五，主成分，至多有p個(gè)。第3頁(共23頁)2.主成分的性質(zhì)主成分C1,C2,CpM有如下幾個(gè)性質(zhì)：(1)主成分間互不相關(guān)，即對(duì)任意i和j,Ci和Cj的相關(guān)系數(shù)Corr(Ci,Cj)=0i(2)組合系數(shù)(ail,ai2,aip)構(gòu)成的向量為單位向量，(3)各主成分的方差是依次遞減的，即Var(C1)>Var(C2)>,>Var(Cp

7、)(4)總方差不增不減，即Var(C1)+Var(C2)+,+Var(Cp)=Var(x1)+Var(x2)+,+Var(xp)=p這一性質(zhì)說明，主成分是原變量的線性組合，是對(duì)原變量信息的一種改組，主成分不增加總信息量，也不減少總信息量。(5)主成分和原變量的相關(guān)系數(shù)Corr(Ci,xj)=aij=aij(6)令X1,X2,Xp勺相關(guān)夕!陣為R,(ai1,ai2,aip)則是相關(guān)矩陣R勺第i個(gè)特征向量(eigenvector)i主成分的方差，即Var(Ci)=R的第i個(gè)特征值(eigenvalue)3.主成分的數(shù)目的選取前面已指出，設(shè)有p個(gè)隨機(jī)變量，便有p個(gè)主成分。由于總方差不增不減，C1,C

8、冷前幾個(gè)綜合變量的方差較大，而Cp,Cp-1等后幾個(gè)綜合變量的方差較小，嚴(yán)格說來，只有前幾個(gè)綜合變量才稱得上主(要)成份，后幾個(gè)綜合變量實(shí)為“次”(要)成份。實(shí)踐中總是保留前幾個(gè)，忽略后幾個(gè)。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，累積方差增加無幾，便不再多留。（二）PCA算法的功能實(shí)現(xiàn)1 .人臉空間的建立假設(shè)一幅人月圖像包含N個(gè)像素點(diǎn)，它可以用一個(gè)N維向量r表示。這樣，訓(xùn)練樣本庫就可以用ri（i=i，M）表示。協(xié)方差矩陣C的正交特征向量就是組成人臉

9、空間的基向量，即特征臉。將特征值由大到小排列：1>X2>.>Xr,其對(duì)應(yīng)的特征向量為11k0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。2 .特征向量的選取雖然協(xié)方差矩陣Q最多有對(duì)應(yīng)于非零特征值的k（k遠(yuǎn)小于M）個(gè)特征向量，但是通常情況下，k仍然很大，而事實(shí)上，根據(jù)應(yīng)用的要求，并非所有的特征向量都有需要保留，而特征空間投影的計(jì)算速度是直接與創(chuàng)建子空間所用的特征向量的數(shù)目相關(guān)，若考慮到計(jì)算時(shí)間的因素，可以適當(dāng)?shù)臏p去一些信息量少的特征向量，而且，去掉這些特征向量之后不一定不利

10、于分類結(jié)果，有的情況下反而能夠提高識(shí)別性能。3 .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)。換句話說，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)即是K-L變換的展開系數(shù)，也可以稱為該圖像的代數(shù)特征。因此，在獲得特征臉之后，就可以對(duì)每一類別的典型樣本進(jìn)行投影，由此得到每個(gè)人臉的投影特征從而構(gòu)成人臉特征向量，作為下一步識(shí)別匹配的搜索空間。輸入圖像及其在人臉空間上的投影（重構(gòu)圖像），人臉圖像在人臉空間中的投影變化不明顯而非人臉圖像的投影變化明顯。因

11、此，檢測(cè)一幅圖像中是否存在人臉的基本思想是，計(jì)算該圖像中任意位置處的局部圖像與人臉空間之間的距離e。其中，e是局部圖像是否為人臉的度量。因此，計(jì)算給定圖像任意一點(diǎn)上的6,就可以得到一映射圖8（x,y）。4 .識(shí)別流程五、程序?qū)崿F(xiàn)（一）人臉識(shí)別程序1 .用戶界面2 .選擇圖片3 .圖片選擇后4 .查找后（二）測(cè)試及結(jié)果分析實(shí)驗(yàn)在兩個(gè)圖庫上測(cè)試，一個(gè)是自建人臉庫，該庫包含10個(gè)不同人物，每人有5張不同表情和姿態(tài)下的圖片，總共50幅。另一個(gè)是ORL人臉庫，ig庫包含40個(gè)不同人物，每人有10張圖片，共400幅。用訓(xùn)練樣本進(jìn)行測(cè)試，識(shí)別率為100%。而隨著訓(xùn)練樣本的增加，識(shí)別率會(huì)有所提升，由于標(biāo)準(zhǔn)人臉

12、庫在采集時(shí)考慮了多種因素，人臉圖像比較標(biāo)準(zhǔn)，所以識(shí)別率較自建人臉庫識(shí)別率高，另外因?yàn)樽越ㄈ四槑斓膱D片太少，即訓(xùn)練樣本太少，也會(huì)對(duì)結(jié)果產(chǎn)生影響，效果不是很好。進(jìn)行直方圖均衡化比灰度歸一化的識(shí)別率高，預(yù)處理對(duì)識(shí)別的效果起著至關(guān)重要的作用。而此次實(shí)驗(yàn)的預(yù)處理還比較粗糙，PCA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(dá)，使得可以盡量消除光照、表情、遮掩和姿勢(shì)的影響。(三)程序源碼1. “讀取圖片”按鈕%讀取待查找圖片globalim;%由于要在兩個(gè)按鈕函數(shù)中使用，故使用全局變量filename,pathname=.uigetfile('*.bmp',&

13、#39;選擇圖片');str=pathname,filename;%合成路徑+文件名im=imread(str);%讀取圖片axes(handles.axes1);%d!用第一個(gè)axesimshow(im);title('待查找')顯示圖片2. “開始查找”按鈕%PCA人臉識(shí)別globalim;%使用全局變量imgdata=;%訓(xùn)練圖像矩陣fo門=1:10forj=1:5a=imread(strcat('C:UsersdellDesktopORLs',num2str(i),'',num2str(j),'.bmp');b=a

14、(1:112*92);%b是行矢量1XN,其中N=10304b=double(b);imgdata=imgdata;b;%imgdata是一個(gè)M*N矩陣，imgdata中每一行數(shù)據(jù)一張圖片，M=50end;end;imgdata=imgdata'%每一列為一張圖片imgmean=mean(imgdata,2);%平均圖片，N維列向量fori=1:50minus(:,i)=imgdata(:,i)-imgmean;%minus是一個(gè)N*M矩陣，是訓(xùn)練圖和平均圖之間的差值end;covx=minus'*minus;%M*M階協(xié)方差矩陣COEFF,latent,explained=p

15、cacov(covx');%PCA用協(xié)方差矩陣的轉(zhuǎn)置來計(jì)算以減小計(jì)算量%選擇成95%的能量的特征值i=1;proportion=0;while(proportion<95)proportion=proportion+explained(i);i=i+1;end;p=i-1;%訓(xùn)練得到特征臉坐標(biāo)系i=1;while(i<=p&&latent(i)>0)base(:,i)=latent(i)A(-1/2)*minus*COEFF(:,i);%base是NXp階矩陣，用來進(jìn)行投影，除以latent(i)A(1/2)是對(duì)人臉圖像的標(biāo)準(zhǔn)化i=i+1;end%將訓(xùn)

16、練樣本對(duì)坐標(biāo)系上進(jìn)行投影，得到一個(gè)p*M階矩陣為參考reference=base'*minus;%測(cè)試過程一一在測(cè)試圖片文件夾中選擇圖片，進(jìn)行查找測(cè)試a=im;b=a(1:10304);b=double(b);b=b'object=base'*(b-imgmean);distance=100000;%最小距離法，尋找和待識(shí)別圖片最為接近的訓(xùn)練圖片fork=1:50temp=norm(object-reference(:,k);if(distance>temp)which=k;distance=temp;end;end;%找出距離最近的圖片所在的位置numl=cei

17、l(which/5);%第numl個(gè)文件夾num2=mod(which,5);%第num2個(gè)圖片文件if(num2=0)num2=5;end;I=imread(strcat('C:UsersdellDesktopFaces',num2str(num1),'',num2str(num2),'.bmp');%讀取該圖片axes(handles.axes2);%d!用第2個(gè)axes%輸出判斷所最接近的訓(xùn)練樣本的人臉圖片并顯示其人名switchnum1case1imshow(I);title('此人為case2imshow(I);title(&#

18、39;此人為case3imshow(I);title('此人為case4imshow(I);title('此人為case5imshow(I);title('此人為case6imshow(I);title('此人為case7imshow(I);title('此人為case8imshow(I);title('此人為case9imshow(I);title('此人為case10imshow(I);title('此人為end;Peter');%顯示圖片及人名Ben');Nick');Park');Linkin');Andy');Arthur');Lisa');Dana&