基于PCA方法的人脸特征提取和检测

人工智能及识别技术

本栏目责任编辑：唐一东

基于ＰＣＡ方法的人脸特征提取和检测

曾阳艳１，２，叶柏龙２

（１．湖南商学院计算机与电子工程学院，湖南长沙４１０２０５；２．湖南大学软件学院，湖南长沙４１００８２）

摘要：本文介绍了ＰＣＡ的原理，并利用了ＰＣＡ方法完成了人脸的特征提取和人脸检测。

关键词：ＰＣＡ；特征提取；人脸检测

中图分类号：ＴＰ３７文献标识码：Ａ文章编号：１００９－３０４４（２００８）０４－１０７４２－０３

ＴｈｅＦａｃｅｏｆｔｈｅＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎａｎｄＤｅｔｅｃｔｉｏｎＢａｓｅｄｏｎＰＣＡ

ＺＥＮＧＹａｎｇ－ｙａｎ１，２，ＹＥＢｏ－ｌｏｎｇ２

（１．ＨｕｎａｎＵｎｉｖｅｒｓｉｔｙｏｆＣｏｍｍｅｒｃｅ，Ｃｈａｎｇｓｈａ４１０２０５，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＳｏｆｔｗａｒｅ，ＨｕｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ４１００８２，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：ＴｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｔｈｅｐｒｉｎｃｉｐｌｅｏｆＰＣＡａｎｄｕｓｅｄｔｈｅｍｅｔｈｏｄｔｏｃｏｍｐｌｅｔｅｔｈｅｆａｃｅｏｆｔｈｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｄｅｔｅｃｔｉｏｎ．

Ｋｅｙｗｏｒｄｓ：ＰＣＡ；ＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎ；ＦａｃｅＤｅｔｅｃｔｉｏｎ

１引言

主成分分析（ＰＣＡ，ＰｒｉｎｃｉｐｌｅＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ）方法是应用最广泛的一种特征提取方法之一，它是一种统计学方法，在信号处理、模式识别、数字图像处理等领域己经得到了广泛的应用。主成分分析方法基本思想是提取出空间原始数据中的主要特征（主元），减少数据冗余，使得数据在一个低维的特征空间被处理，同时保持原始数据的绝大部分的信息，从而解决数据空间维数过高的

瓶颈问题。

２ＰＣＡ概述

主成分分析法（ＰＣＡ）是模式识别判别分析中最常用的一种线性映射方法，该方法是根据样本点在多维模式空间的位置分布，以

样本点在空间中变化最大方向，即方差最大的方向，作为判别矢量来实现数据的特征提取与数据压缩的。从概率统计观点可知，一

个随机变量的方差越大，该随机变量所包含的信息就越多，如当一个变量的方差为零时，该变量为一常数，不含任何信息。所谓主成

分就是原始数据的ｍ个变量经线性组合（或映射）后得到的变量，该变化使得其变换后的变量方差为最大（第一主成分）的部分。各

个主成分之间是相互线性无关的（正交的），从第一主成分往后，主成分按方差大小的顺序排列（对应特征值按大小顺序排列）。对于

特征值为λｉ的主成分，λｉ也是该主成分的方差，该值表示样本点在该主成分方向的离散程度，主成分λｉ的贡献率ηｉ可用下式表示：

ηｉ＝λｉ／（λ１＋λ２＋…＋λｐ）

主成分中方差较小或λｉ较小的主成分被认为包含的是噪声，在分析时不使这些变量引入模型，这样使分析的主成分减少，以达

到降维的目的。

主成分中任两个，可构成判别分析平面，因此可实现高维空间向两维平面及其他维平面映射的目的。一般取方差较大的几个主

成分构成判别分析平面。

３ＰＣＡ原理

令ｘ为表示环境的ｍ维随机向量。假设ｘ均值为零，即

Ｅ［ｘ］＝０

令ｗ表示为ｍ维单位向量，ｘ在其上投影。这个投影被定义为向量ｘ和ｗ的内积，表示为：

收稿日期：２００８－０１－１２

作者简介：曾阳艳（１９８１－），女，湖南长沙人，研究生，湖南商学院助教，主要研究方向：人工智能、图形图象处理；叶柏龙（１９６４－），男，湖南长沙人，湖南大学教授，硕导，研究方向：人工智能，软件工程等。

７４２

电脑知识与技术

本栏目责任编辑：唐一东人工智能及识别技术满足约束条件：

而主成分分析的目的就是寻找一个权值向量ｗ使得表达式的值最大化：

根据线性代数的理论，可以知道满足式子值最大化的ｗ应该满足下式：

即使得上述式子最大化的ｗ是矩阵的最大特征值所对应的特征向量。

４基于ＰＣＡ方法人脸图像特征提取

在我们的人脸识别问题中，通过将二维人脸灰度矩阵的各行级联起来，可以得到一个一维的长向量。假定样本集中有Ｍ个长度为Ｎ（人脸图像灰度矩阵的行＊列）的长向量，表示如下（ｐｊ为像素的灰度值）：ｘｉ＝［ｐ１…ｐＮ］Ｔ，ｉ＝１，２，…，Ｍ＾

令ｍ为｛ｘｉ｜ｉ＝１，…，Ｍ｝的均值，即：；又令ωｉ为各向量相对于该均值的偏差，即：ωｉ＝ｘｉ－ｍ。

令Ｗ＝［ω１…ωＭ］，计算的协方差矩阵Ｃ＝ＷＷＴ，则矩阵Ｃ的各特征向量构成的单位正交基对应对于ωｉ的一组投影坐标。

因为矩阵Ｗ大小为Ｎ×Ｍ，因此Ｃ矩阵大小为Ｎ×Ｎ（Ｎ为人脸图像分辨率，通常Ｎ≥１００００），求解这样大矩阵的特征值和特征向量将会消耗相当大的计算资源。考查矩阵ＷＴＷ，其大小为Ｍ×Ｍ，通常样本数量不会太多（Ｍ≤１０００），因此我们先计算该矩阵的特征值和特征向量，假定为λ＇ｉ和μ＇ｉ，则有：ＷＴＷμ＇ｉ＝λ＇ｉμ＇ｉ

两边同时左乘Ｗ，得到：

由上式可以看出，Ｃ矩阵的前Ｍ－１个特征值λｉ和特征向量μｉ分别为λ＇ｉ和｜｜Ｗμ＇ｉ｜｜（Ｗμ＇ｉ归一化）。既然我们只是将个Ｍ个图像向量合成为矩阵Ｗ，因此其协方差矩阵的秩不可能超过Ｍ－１（－１来源于各图像向量与均值向量相减），所以Ｃ矩阵的其它特征值均为零。通过这种方法可以求出矩阵的所有特征值和特征向量。

将特征向量按照特征值由大到小的顺序排列，对应于最大特征值的特征向量能够反映出人脸图像的最大相异性。特征值大小按照指数规律递减，因此，大约最开始５％￣１０％的特征值蕴含了人脸图像９０％的相异性，即人脸信息绝大部分包含在最开始５％￣１０％特征值所对应的特征向量中，这使得我们能够对协方差矩阵Ｃ降维。我们抽取Ｃ矩阵的前５０个特征值和特征向量构成特征空间，令νｎｉ＝μＴｉｗｎ（ｗｎ为某一幅人脸图像向量与图像ｍ均值的差，１≤ｉ≤５０），则Ωｎ＝［νｎ１νｎ２…νｎ５０］Ｔ为该图像在特征空间中投影得到的新图像向量，它只有５０维的大小，且保留了原图像的绝大部分信息。

５基于ＰＣＡ方法的人脸检测

特征相量μｉ如果按照人脸图像的排列方式组成一幅新的图像，称为特征图像，因为它看起来确实像一幅人脸图像，因此也称为特征脸，而Ωｎ的值表示各特征脸在该人脸图像中所占的比例成分。各人脸图像都可以通过这种特征脸的方法重构出来，通过比较重构后Ωｉ之间的欧拉距离可以用于识别当前图像所属人脸类别或者是否为人脸图像。我们采用该方法在一幅含有背景的照片中检测出人脸，步骤如下：

（１）计算人脸灰度图象向量的平均值（如图１）：

图１计算多个人脸灰度图像向量平均值的示意图

（２）计算协方差矩阵的特征值和特征向量，提取脸部特征，构造特征脸（选取前１０个特征向量）（如图２）。

（３）计算各人脸图像库中各样本的Ωｉ值。

（４）利用一３０＊３０大小的栅格扫描待检测图像，利用特征脸计算各扫描图像的Ω值，计算其与样本Ωｉ之间的欧拉距离：εｉ＝｜｜Ω－Ωｉ｜｜，若有任一εｉ的值小于预设的阈值，则认为当前扫描图像为一幅人脸，否则认为不是人脸（如图３）。

至此，我们通过ＰＣＡ方法实现了人脸的特征提取和检测。

６结束语

本文深入的介绍了ＰＣＡ的原理，并利用了ＰＣＡ方法成功的完成了人脸的特征提取和检测，由于从照片或摄像机拍摄图像中检

７４３

人工智能及识别技术

本栏目责任编辑：唐一东测出的人脸还存在表情和光照等因素的影响，因此还需要更进一步的图像处理和特征提取，有待于我们进一步的研究。

图２构造特征脸

图３从图像中识别人脸

参考文献：

［１］周激流，张晔．人脸识别理论研究进展［Ｊ］．计算机辅助设计与图形学学报，１９９９，１１（２）：１８０－１８４．

［２］李刚．基于特征脸法的正面人脸识别研究［Ｄ］．北京：国防科技大学研究生院，２００２．

［３］齐怀峰．基于特征脸的人脸检测与识别［Ｊ］．云南：云南师范大学学报，２００５，２５（９）：２２－２３．

［４］ＴｕｒｋＭ，ＰｅｎｔｌａｎｄＡＰ．ＥｉｇｅｎｆａｃｅｓｆｏｒＲｅｃｏｇｎｉｔｉｏｎ．ＪｏｕｒｎａｌｏｆＣｏｇｎｉｔｉｖｅＮｅｕｒｏｓｃｉｅｎｃｅ［Ｊ］，１９９１，３（１）：７１－８６．

７４４

电脑知识与技术

人脸识别流程

概述 本项目的主要目的是身份证照片与摄像头获取的人脸照片进行比对，确定身份证和目标对象是不是同一个人。 本文项目主要分三个方面，首先是人脸的检测定位；其次是对照片中定位好的人脸进行预处理，处理到适合提取特征值的水平；最后提取特征值比对识别是不是同一个人。系统的大框架如下： 第一步人脸检测定位 确定是否包含人脸,如果包含人脸,则需要确定脸部所在的位置和尺寸。因为获取的都是彩色图像，首先可以进行肤色检测。在检测出肤色像素后,需要根据它们在色度上的相似性和空间上的相关性分割出可能的人脸区域,同时利用区域的几何特征或灰度特征进行是否是人脸的验证,以排除其它色彩类似肤色的物体。这一步流程图如下：

页脚内容 第二步人脸图像预处理 图像处理的目的是为了方便提取人脸的特征值，进而才能比对识别，所以这一步也至关 重要。第一，对于分割出的人脸，由于噪声带来失真和降质，在特征提取之前采用滤波的方式来去除噪声是必须的步骤。第二尺度归一化，其思想是将尺寸各不相同的人脸图像变换为统一的标准尺寸图像以便于人脸特征的提取。第三灰度归一化，人脸识别的研究一般以灰度图像为研究对象，对于彩色的脸像,可对其首先进行灰度化处理。第四灰度均衡化，由于在图像采集中光照的改变容易导致图像呈现不同的明暗程度,因此需要对人脸图像进行灰度均衡化处理。灰度均衡化,其作用是增强人脸图像的整体对比度,并使灰度分布均匀,以消除光照变化的影响。流程图如下： 第三步特征提取对比识别 人脸特征提取与识别是人脸识别研究中最为关键的两个问题。人脸特征提取又称人脸描 述，是在基于人脸检测定位、归一化等图像预处理的基础上进行的人脸各特征提取的过程，为人脸识别分类打下基础。

图像特征提取及识别过程

纹理特征是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题，一直是人们关注的焦点，各种纹理特征提取方法层出不穷。 本文在广泛文献调研的基础上，回顾了纹理特征提取方法的发展历程，分析了其研究现状，对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。 灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本 文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。 关键字：灰度共生矩阵，纹理特征提取，图像识别

ABSTRACT Texture is a kind of importa nt visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image process ing area. Texture feature extract ion has bee n the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extracti on methods has bee n emerged in en dlessly. On the basis of exte nsive literature inv estigati on, we review the texture feature extract ion methods, an alyze the developme nt of the research status of the texture feature extracti on methods and make a comprehe nsive review of its classificati on . Fin ally ,based on gray symbiotic matrix image problem extracti on methods,we research how to effectively extract image texture feature described by the image characteristic value to image recog niti on. Graylevel co-occurre nee matrix is a simple and effective image texture descripti on method.This method's advantage is: it can use the image pixels relative positions of the spatial in formatio n more to accurately describe the texture image.This paper use the graylevel co-occurre nee matrix of the properties to extract statistics from the matrix corresp onding as texture feature parameters to realize image recog niti on. KEY WORDS : graylevel co-occurrenee matrix, texture feature extraction, image recog niti on

基于PCA算法的人脸识别毕业设计论文

太原科技大学 毕业设计（论文） 设计(论文)题目：基于PCA算法的人脸识别

毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期： Ⅰ

学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日 Ⅰ

人脸识别主要算法原理

人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧 面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。

可变形模板法可以视为几何特征方法的一种改进，其基本思想是: 设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的 基础。 3. 特征脸方法（Eigenface或PCA）

人脸识别介绍

人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。 人脸识别流程 1图像预处理 1.1 图像去噪 一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取 人脸检测 定位人脸区域 预处理 特征抽取 人脸特征 对比识别 结果 人脸特征库

不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地 引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动， 也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。 这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度 为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。 将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。 文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。

模式识别特征选择与提取

模式识别特征选择与提取 中国矿业大学计算机科学与技术学院电子信息科学系 班级：信科11-1班，学号：08113545，姓名：褚钰博 联系方法（QQ或手机）：390345438，e-mail:390345438@https://www.wendangku.net/doc/3512470522.html, 日期：2014 年06月10日 摘要 实际问题中常常需要维数约简，如人脸识别、图像检索等。而特征选择和特征提取是两种最常用的维数约简方法。特征选择是从某些事物中提取出本质性的功能、应用、优势等，而特征提取是对特征空间进行变换，将原始特征空间映射到低维空间中。 本文是对主成分分析和线性判别分析。 关键词：特征选择，特征提取，主成分分析，线性判别分析 1.引言 模式识别的主要任务是利用从样本中提取的特征，并将样本划分为相应的模式类别，获得好的分类性能。而分类方法与分类器设计，都是在d（变量统一用斜体）维特征空间已经确定的前提下进行的。因此讨论的分类器设计问题是一个选择什么准则、使用什么方法,将已确定的d维特征空间划分成决策域的问题。对分类器设计方法的研究固然重要，但如何确定合适的特征空间是设计模式识别系统另一个十分重要，甚至更为关键的问题。如果所选用的特征空间能使同类物体分布具有紧致性，即各类样本能分布在该特征空间中彼此分割开的区域内，这就为分类器设计成功提供良好的基础。反之，如果不同类别的样本在该特征空间中混杂在一起，再好的设计方法也无法提高分类器的准确性。本文要讨论的问题就是特征空间如何设计的问题。 基于主成分分析的特征选择算法的思想是建立在这样的基础上的：主成分分析方法将原始特征通过线性变换映射到新的低维空间时，获得的主成分是去了新的物理意义，难以理解，并且主成分是所有原始特征的线性组合。所以将主成分分析与特征选择相结合，设计多种相似性度量准则，通过找到与主成分相关的关键特征或者删除冗余、不相关以及没有意义的特征，将主成分又重新映射到原始空间，来理解成主成分的实际意义。 基于线性判别分析的高维特征选择将单个特征的Fisher准则与其他特征选择算法相结合，分层消除不相关特征与冗余特征。不相关特征滤波器按照每个特征的Fisher评价值进行特征排序，来去除噪音和不相关特征。通过对高维数据特征关联性的分析，冗余特征滤波器选用冗余度量方法和基于相关性的快速过滤器算法。分别在不同情境下进行数据分类实验，验证其性能。

人脸识别算法都有哪些

主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临

近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA） 特征脸方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有简单有效的特点, 也称为基于主成分分析(principal component analysis,简称PCA)的人脸识别方法。 特征子脸技术的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。 实际上，特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比较条件，则判断其为人脸。 基于特征分析的方法，也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量，这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系，而且也保留了各部件本身的信息，而基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。

特征提取在人脸识别中的应用.pdf

特征提取在人脸识别中的应用 刘磊，2014080008 一、 人脸识别研究现状 人脸识别的研究早已展开,Calton等早在1888年和1910年就分别在Nature杂志上发表过两篇关于利用人脸特征进行身份识别的文章,提出检测人脸特征或是关键点的方法。自动人脸识别的研究论文最早出现在1965年Chan和Bledsoe在Panoramic Research Inc上发表的技术报告中至今已有四十多年的历史。学者们一般将AFR的研究历史按照研究内容、技术方法等划分为以下三个阶段。 第一阶段(1964—1990年)。这一阶段人脸识别刚刚起步,还只是被作为一个一般性的模式识别问题进行研究,所釆用的方法主要是比较人脸的几何结构。总体而言,这一阶段可以看做是人脸识别研究的初级阶段,代表性的成果没有很多,也没有得到实际应用。 第二阶段(1991一1997年)。尽管第二阶段的时间比较短暂,但却是人脸识别研究的发展高峰期,不仅涌现出大量重量级研究成果,而且出现了若干商业化运作的人脸识别系统。这一阶段的人脸识别技术发展非常之快,所提出的算法在较理想图像采集条件下的中小规模正面人脸数据库上可以达到令人满意的性能。 第三阶段(1998—现在)。20世纪90年代以来,对人脸识别方法的研究变得非常热门,吸引了大量的研究人员和基金支持。由于主流的人脸识别技术对于光照、姿态等非理想采集条件,以及用户不配合造成的人脸变化等条件下的鲁棒性比较差。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问题逐渐成为研究的热点问题。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。 二、人脸识别系统 人脸识别系统是提取人脸的相关特征信息,并根据这些特征信息进行身份识别的生物识别技术,它利用计算机对人脸静态图像或动态视频流进行分析,提取出对识别有用的信息,从而进行身份认证,它是人类用来进行身份确认最直接、最自然、最友好的生物特征识别方法,而且与其他身份识别方法相比,人脸识别具有采集过程的非侵犯性、釆集的便捷性等优点,特别是使用者不会产生任何心理障碍,通过对人脸表情与姿态进行分析,还能获得其他识别系统难以获得的一些信息。 三、人脸识别的描述分类 1、人脸检测

模式识别特征提取

特征提取 SIFT算法提取步骤 SIFT算法提取特征点的主要步骤： （1）检测尺度空间极值点 检测尺度空间极值的目的是确定特征点位置和所在尺度组。即先使用高斯过滤器对原始图像进行若干次连续滤波建立第一个尺度组，再把图形减小到原来的一半，进行同样的高斯滤波形成第二个尺度组。之后，重复操作直到图像小于某一个给定阀值为止。接下来对每个尺度组中的高斯图像进行差分，形成高斯差分尺度组（DoG尺度图像）。

图3-1 尺度空间的构造 在上面建立的DoG尺度空间金字塔中，为了检测到DoG空间的最大值和最小值，DoG尺度空间中中间层(最底层和最顶层除外)的每个像素点需要跟同一层的相邻8个像素点以及它上一层和下一层的9个相邻像素点总共26个相邻像素点进行比较，以确保在尺度空间和二维图像空间都检测到局部极值，如图3-2所示 图3-2 DoG空间局部极值检测 在图3-2中，标记为叉号的像素若比相邻26个像素的DoG值都大或都小，则该点将作为一个局部极值点。被检测工件的高斯滤波图像如图3-3所示。

图3-3 原始图像和部分高斯滤波图像 （2）精确定位极值点 由于DoG值对噪声和边缘较敏感，因此，在上面DoG尺度空间中检测到局部极值点还要经过进一步的检验才能精确定位为特征点。一般通过二阶Taylor 展开式计算极值点的偏移量，获得亚像素定位精度，同时通过阈值设置剔除差异小的点。最终保留下来的点称为特征点，特征点的检测是在尺度空间中进行的，特征点保持为尺度不变量。各层图像特征点如图3-4所示。

图3-4 各层图像的特征点 （3）为每个关键点指定方向参数 σ—尺度空间坐标 O —组(octave)数 S —组内层数 在上述尺度空间中，O 和S ，σ的关系如下： ()[][]2,...,0,1,...,02 ,0+∈-∈=+S s O o s o S s o σσ (3-10)

基于PCA的人脸识别系统设计

1 HUNAN UNIVERSITY 毕业设计(论文) 设计论文题目基于PCA的人脸 识别系统 学生姓名李涛 学生学号20080810410 专业班级08级计科四班 学院名称信息科学与工程学院 指导老师潘华伟 学院院长章兢 20012 年 5 月18 日

摘要 随着计算机视觉技术的发展，以及社会的各个领域的需要，根据人固有的生物特征对人进行身份验证的课题吸引了一批研究人员，比较常见的有语音识别，指纹识别，人脸识别等技术。其中人脸识别因为识别率高、主动性强、使用方便等因素，在身份验证的各类方法中有独特的优势及相关的应用，成为了人体特征识别中的比较热门的研究课题。 本文首先阐述了人脸识别研究的历史，现状以及发展趋势，并说明了人脸识别的优势和难点。然后详细地说明人脸识别的两个部分：人脸检测和人脸识别。在人脸检测部分，本文主要介绍了基于haar分类器的检测方法，并详细说明了haar分类器的训练过程，讲述了分类器检测人脸的原理。在人脸识别部分，首先获取人的个人信息的，对人脸图像的采集并进行灰度化、归一化等预处理，然后采用PCA（主成分分析法）对采集到的图像进行特征提取，并存储相关的特征信息，最后对待识别的图像进行特征提取和分析，与训练的人脸图像数据计算欧式距离，最终识别出人的身份。在本文的最后，对实现的系统各项功能进行实验，对影响识别率的维数、采集图像数因素进行实验分析，并提出了主成分分析法人脸识别的优点和缺点。最后总结毕业设计中的不足，自己的心得体会，并对未来学习进行展望。 关键词：人脸检测，haar分类器，PCA，人脸识别

Abstract With the development of computer vision technology, and social needs in many areas, the subject of authentication according to the inherent biological characteristics attracted a group of researchers ，Voice recognition, fingerprint recognition, face recognition technology are common。Face recognition with the recognition rate, motivated, easy to use and other factors，has unique advantages in all kinds of authentication methods and related applications，has become a popular research topic in the human feature recognition。 This paper first describes the history, current situation and development trend of face recognition research, and describes the advantages and difficulties of face recognition。And then detail the recognition of two parts: face detection and face recognition。In the face detection part, the paper mainly describes the detection method based on haar classifier, and details of haar classifier training process, about the principle of the classification of the detected face。In face recognition part, it first obtains personal information the acquisition of face images and graying, owned by a pretreatment。And then using PCA (Principal Component Analysis) collected image feature extraction, and storage characteristics of information，int the last ，identifiable image feature extraction and analysis, and training of the face image data to calculate the Euclidean distance, and ultimately identify the identity of the person。In the last experiment, the dimension of the recognition rate, number of images collected factors experimental analysis, and the advantages and disadvantages of the principal component analysis for face recognition system implemented various functions. The final summary of graduate design deficiencies, and their own feelings and experiences and future learning prospects。 Keywords: face detection, Haar classifier, PCA, face recognition

基于matlab的人脸识别算法(PCA)

3.基于matlab的人脸识别算法 3.1 问题描述 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅 N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次试题采用PCA算法并利用GUI实现。 对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。 任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看，一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.1.1 主成分的一般定义 设有随机变量X1，X2，…，Xp，其样本均数记为，，…，，样本标准差记为S1，S2，…，Sp。首先作标准化变换，我们有如下的定义： (1) 若C1=a11x1+a12x2+ … +a1pxp，…，且使 Var(C1)最大，则称C1为第一主成分； (2) 若C2=a21x1+a22x2+…+a2pxp，…，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分； (3) 类似地，可有第三、四、五…主成分，至多有p个。 3.1.2 主成分的性质 主成分C1，C2，…，Cp具有如下几个性质： （1) 主成分间互不相关，即对任意i和j，Ci 和Cj的相关系数 Corr(Ci，Cj)=0 i j (2) 组合系数(ai1，ai2，…，aip)构成的向量为单位向量， (3) 各主成分的方差是依次递减的，即 Var(C1)≥Var(C2)≥…≥Var(Cp)

指纹的特征提取与识别

指纹的特征提取与识别 摘要 随着社会的发展，计算机技术的进步，人们对身份认证技术提出了更高的要求。传统的身份认证方法存在的种种弊端让人们将目光投向了生物特征识别这个崭新的领域。而指纹识别技术凭借其独有的优势在众多生物特征识别技术中脱颖而出，得到了广泛的关注和应用。现今，自动指纹识别技术已经广泛地应用于公安、海关、银行、网络安全等需要进行身份识别和鉴定的领域。因此，进行指纹识别技术方面的研究，具有较高的现实意义和理论意义。 本文综合运用图像处理和模式识别的技术，对自动指纹识别系统的若干问题进行了探讨和研究，实现了指纹图像的预处理、特征提取和指纹匹配等算法，并在指纹分割、指纹增强这两个方面进行了改进和创新。 关键词:指纹识别，指纹分割，指纹增强，特征点提取，指纹匹配

第1章绪论 1.1 指纹识别系统的结构 本文主要是对指纹识别系统中图像处理方面的相关算法进行研究，本文的指纹识别系统的基本框架如图1-1所示。 图1-1指纹识别系统的基本结构 1.1.1指纹的预处理 由于各种原因的影响，指纹取像设备所获得的原始图像是一幅含有较多噪声的灰度图像，预处理的目的就是改善输入指纹图像的质量，增强脊和谷的对比度，将它变成一幅清晰的点线图，以便于进行特征提取。本文预处理过程主要步骤如下: 图1-2指纹预处理的基本结构 指纹分割是把指纹的背景区域从图像中分离出去，减少对指纹图像进行处理时的计算量;指纹增强的目的是对输入的噪音较多的灰度图像进行滤波，去除图像中的叉连、断点及模糊不清的部分，得到一幅较清晰的灰度图像;二值化就是把灰度指纹图像变成0-1取值的二值图像，这样就使图像的灰度层次由原来的256级(8-bits)降为2级(1-bits)，从而大大减少了需要存储和处理的数据量。由于指纹的特征仅包含在纹线的形状结构中，所以为了提高处理速度和识别精度，应该在不破坏图像连通性的情况下去掉多余的信息，也就是进行图像的细化。细化是指删除指纹纹线的边缘像素，使之只有一个像素宽度。细化时应保持纹线的连接性、方向性以及特征点位置不变，还应保持纹线的中心基本不变。 1.1.2特征提取 由于指纹通常是用按压的方式得到的，按压位置和方向的不同、手指的状况以及皮肤的形变等都会导致指纹图像不理想。因此，采集到的指纹灰度图像不宜直接用来匹配，

基于PCA的人脸识别算法实现毕业论文

基于PCA的人脸识别算法实现毕业论文 目录 前言 (1) 第一章人脸识别系统概述 (2) 第一节人脸识别的研究概况 (2) 第二节人脸识别的发展趋势 (3) 一、多数据融合与方法综合 (4) 二、动态跟踪人脸识别系统 (4) 三、基于小波神经网络的人脸识别 (4) 四、三维人脸识别 (4) 五、适应各种复杂背景的人脸分割技术 (4) 六、全自动人脸识别技术 (4) 第三节人脸识别技术的主要难点 (4) 一、复杂条件下人脸的检测和关键点定位 (5) 二、光照问题 (5) 三、资态问题 (5) 四、表情问题 (5) 五、遮挡问题 (5) 第四节人脸识别流程 (5) 一、人脸图像采集 (6) 二、预处理 (6) 三、特征提取 (6) 第五节本章小结 (7) 第二章人脸图像的获取 (9) 第一节人脸图像获取 (9) 第二节人脸分割 (9) 第三节人脸数据库 (10) 第四节本章小结 (11) 第三章人脸图像的预处理 (12)

第一节人脸图像格式 (12) 一、JPEG格式 (12) 二、JPEG2000格式 (12) 三、BMP格式 (13) 四、GIF格式 (13) 五、PNG格式 (13) 第二节人脸图像常用预处理方法 (14) 一、灰度变化 (14) 二、二值化 (15) 三、直方图均衡 (15) 四、图像滤波 (15) 五、图像锐化 (17) 六、图像归一化 (18) 第三节本章小结 (19) 第四章人脸识别 (20) 第一节主成分分析基本理论 (20) 一、什么是主成分分析？ (20) 二、例子 (20) 三、基变换 (21) 四、方差 (23) 五、PCA求解：特征根分解 (27) 六、PCA的假设 (28) 七、总结： (28) 八、在计算机视觉领域的应用 (30) 第二节基于PCA人脸识别算法的实现 (31) 一、创建数据库 (32) 二、计算特征脸 (32) 三、人脸识别 (34) 第三节本章小结 (36) 结论 (37) 致谢 (38) 参考文献 (39) 附录 (40) 一、英文原文 (40) 二、英文翻译 (53)

人脸识别主要算法原理doc资料

人脸识别主要算法原 理

人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但

Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识

基于PCA的人脸识别

基于PCA的人脸识别 哲盼 （华北电力大学自动化系， 071003） 摘要：人脸识别技术，作为目前模式识别领域研究的热点也是难点之一，其最早提出可以追溯到1888年[1]。然而，到目前为止，由于人脸识别问题自身的复杂性，使得虽然有众多科学研究人员潜心研究多年，也做出了许多的成果，但离彻底解决并达到实用，仍旧有很多关键性的问题需要解决。本文结合研究生阶段参与教研室的科研项目，对人脸识别做了一定的研究。论文首先介绍了人脸识别的背景、研究围以及方法，对人脸识别领域的一些理论方法作了总体的介绍。本文中所采用的人脸识别方法是比较经典的PCA(Principle Component Analysis，主成分分析)[2-6]。 关键词：人脸识别，主成分分析，PCA，特征脸 PCA-based face recognition CHEN Zhe-pan (Department of Automation North China Electric Power University, Baoding 071003 China) Abstract:Techniques for face recognition were proposed by Francis Galton as early as 1888[1]In recent years considerable progress has been made in the area of face recognition：Through the development of techniques like Eigenfaces computers can now outperform humans in many face recognition tasks，particularly those in which large databases of faces must be searched．Whilst these methods performs extremely well under constrained conditions，the problem of face recognition under gross variations remains largely unsolved．This thesis details the PCA(Principle Component Analysis)algorithm and the development of a real-time face recognition system aimed to operate in constrained environments Keywords：face recognition,principle component analysis,PCA, Eigenfaces 0 引言 随着社会的不断发展进步以及各方面对快速有效的身份识别技术的迫切需求，生物特征识别技术在最近十年中得到了很快的发展。生物特征识别技术是为了验证身份而采用自动测量技术对身体的特征或个人行为特点进行采集处理，并将采集的特征或特点与模板进行比较，从而完成身份验证的一种解决方案。由于生物特征识别技术利用人本身所具有的特征(如指纹、虹膜、人脸等)进行身份认证，因而它比传统的根据人所携带物品(如)和你所记忆的容(如账号和密码)更加安全和可靠。我们有理由相信生物特征识别技术将使人们的生活方式产生重大的变化[7]。 人脸识别是生物特征识别技术的一种，它也是人们生活中最常用的一种身份认证手段，同时它也是当前最热门的模式识别研究课题之一。通过人脸我们可以判定许多信息:性别、种族、大致年龄及表情等。与其它的生物特征识别技术相比，人脸识别在采

图像特征提取及识别过程

摘要 纹理特征是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征提取方法层出不穷。 本文在广泛文献调研的基础上,回顾了纹理特征提取方法的发展历程,分析了其研究现状,对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。 灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。 关键字：灰度共生矩阵，纹理特征提取，图像识别

ABSTRACT Texture is a kind of important visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image processing area. Texture feature extraction has been the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extraction methods has been emerged in endlessly. On the basis of extensive literature investigation, we review the texture feature extraction methods, analyze the development of the research status of the texture feature extraction methods and make a comprehensive review of its classification . Finally ,based on gray symbiotic matrix image problem extraction methods,we research how to effectively extract image texture feature described by the image characteristic value to image recognition. Graylevel co-occurrence matrix is a simple and effective image texture description method.This method's advantage is: it can use the image pixels relative positions of the spatial information more to accurately describe the texture image.This paper use the graylevel co-occurrence matrix of the properties to extract statistics from the matrix corresponding as texture feature parameters to realize image recognition. KEY WORDS: graylevel co-occurrence matrix, texture feature extraction, image recognition