基于相位一致性图像的模块化PCA人脸识别方法
收稿日期:2006210228;修回日期:2006212207
作者简介:张秋余(19662),男,河北辛集人,副研究员,研究方向为信息安全、软件工程、多媒体通信(zhangqy@lut .cn );靳艳峰(19812),男,河北灵寿人,硕士研究生,研究方向为模式识别与图像处理;袁占亭(19612),男,陕西扶风人,教授,博导,研究方向为模式识别及图像处理等.
基于相位一致性图像的模块化PCA 人脸识别方法
张秋余,靳艳峰,袁占亭
(兰州理工大学计算机与通信学院,兰州730050)
摘 要:提出了一种新的基于相位一致性的模块化PCA 的人脸识别方法。解决了人脸识别受光照影响的问题。首先得到人脸训练样本的相位一致性图像;然后将人脸相位一致性图像划分为更小的子模块,用PCA 方法处理这些子模块图像。在姿势、光照以及表情变化的情况下同一个人的局部面部特征是不变的,因此用该方法来处理这些变化。给出了传统的模块化PCA 方法与该方法在不同姿势、光照和表情变化条件下的对比实验结果。实验结果表明该方法的人脸识别率较传统模块化PCA 方法有了较大提高。关键词:人脸识别;主成分分析;模块化主成分分析;相位一致性
中图分类号:TP391 文献标志码:A 文章编号:100123695(2008)0120318203
Novel modular PCA method based on
phase congruency i m ages for face recogniti on
ZHANG Q iu yu,J IN Yan 2feng,Y UAN Zhan 2ting
(School of Co m puter &Co mm unication,L anzhou U niversity of Technology,Lanzhou 730050,China )
Abstract:A novel modular PCA algorith m for face recogniti on based on phase congruency was p resented .The accuracy of the modular PCA method and the p r oposed method were evaluated under the conditi ons of varying exp ressi on,illu m inati on and pose using standard face databases .The results indicate high i m p r ove ment in the classificati on perfor mance compared t o the conventi onal modular PCA method .
Key words:face recogniti on;p rinci pal component analysis (PCA );modular PCA;phase congruency
由于脸形的相似以及同一张脸图像的无数变化,使得人脸识别成为一个相当困难的问题。人脸图像随着面部表情、光照条件、姿势等的变化而变化,人脸识别系统的任务就是用一种独立于这些因素的方式将人脸识别出来。自动的人脸识别被认为是计算机视觉和模式识别中的一个基本问题,许多不同领域的科学工作者都在从事这一方面的研究。一些基于统计的、基于神经网络的还有基于特征的人脸识别方法相继被提出来
[1]
。目前,比较前沿而且识别效果比较好的方法之一就是
主成分分析法(PC A )。这是一种统计的方法,将人脸图像表示成特征向量的一个子集合,称为特征脸[2～5]
。PCA 也应用于掌
印的识别[6]、手写体的识别[7]、工业机器人技术[8]以及移动机
器人技术
[9]
。但是结果表明当姿势变化超过30,光照变化较
大时,识别效果很难让人满意。研究的主要目标就是要提高识别精度,并且不在受面部表情、光照条件以及姿势变化的影响。如上所述,PC A 和模块化PCA 方法已经广泛应用于人脸图像识别当中,但是当光照等条件发生变化时,它们均不能保证足够的精度。本文研究的目的就是要在表情、光照以及姿势变化的条件下提高人脸识别的效率。笔者提出了一种新的模块化方法,它是传统的PC A 方法的改进和延续,它不是对原始人脸图像的直接处理,而是首先将人脸图像进行相位一致性的处理,然后将人脸的相位一致性图像模块化,再利用PCA 的方法进行识别。这样不但降低了姿势和表情变化的影响,更重要的是光照条件的影响也将大大减小。实验表明该方法比传统的
PCA 以及单一的模块化方法有较高的识别效率。
相位一致性特征
基于梯度的算子关键在于寻找具有最大梯度的点,这很难恰当地探测到并局部化图像特征中的较大部分。与用于识别急剧变化大边缘探测不同,相位一致性模型是在相位频谱中探测点序列。根据Oppenhei m 等人[10]对于傅里叶域的图像重建过程,相位构成比量级构成更加重要。生理学上也有证据表明人的视觉系统对于相位信息高度有序的图像中的点有强烈的反应。相位一致性提供了一种独立于信号的全局量级的方法,使其不随图像光照条件发生变化而变化。图1给出了人脸的原始图像以及相位一致性图像。本文使用的相位一致性技术是基于P .Kovesi [11]提出的。相位一致性函数按照某个信号的傅里叶级数在位置x 展开,于是可以得到
PC (x )={∑n
A n cos [ A n (1) 其中:A n 表示第n 个傅里叶构成的振幅; E (x )=PC (x )∑n A n (2) 第25卷第1期2008年1月 计算机应用研究 App licati on Research of Computers Vol .25,No .1Jan .2008 相位一致性规定为全局路径长度的E (x )比率,这一长度是在达到局部傅里叶构成的端点过程中得到的。因此相位一致性不依赖于整体的信号量级,这也为图像光照条件的变化提供了不变性。相对 E (x )可以表达为E (x )= F (x ) 2 +H (x )2 。 如果I (x )是输入信号,那么F (x )是消除DC 成分的信号,H (x )就是F (x )的H ilbert 变换,这一变换是由F (x )经过900个相位移动得到的。F (x )和H (x )成分的近似 值是通过一对积分过滤器旋转信号得到的。为了计算信号的局部频率和相位信息,使用了对数Gabor 函数。如果I (x )为输入信号,M e n 和M o n 分别定义为n 规模的偶数均衡波和奇数均衡波。式(3)(4)分别给出了波形的振幅和变换相位。 A n = e n (x )2+o n (x )2 (3) (4) 其中:e n (x )和o n (x )是过滤器的相对的积分对响应。式(5)说明了向量的响应: [e n (x ),o n (x )]=[I (x )× M e n , I (x )×M o n ] (5) F (x )和H (x )可以分别由式(6)(7)得到: F (x )=∑n e n (x ) (6)H (x )=∑n o n (x ) (7) x 处的∑n A n 可以由式(8)得到: ∑n A n (x )= e n (x )2+o n (x )2 (8) 如果所有x 位置的傅里叶振幅均非常小,那么相位一致性问题就变为病态。为了解决这一问题,可以在分母上增加一个正常数ε,最终的相位一致性公式由式(9)给出: PC (x )=E (x )/(ε+∑n A n ) (9) 图1 原图像与相位一致性图像对比 新的模块化方法 基于人脸识别的PCA 方法在变化的姿势和光照条件下不是很有效,因为它考虑的是每一幅人脸图像的全局信息并且用一组权重来表示它们。在这些条件下图像的权向量将会比正常姿势和光照下发生相当大的变化,因此很难正确地识别出来。另一方面如果将相位一致性的人脸图像划分为更小的区域,针对每一小的区域计算权向量,这样权重就代表了人脸的局部信息。当出现姿势或光照变化时,仅仅一部分人脸区域会发生变化,而其余部分仍然保持常规条件下的人脸图像。这样不受影响的人脸多个小区域的权重将会与正常条件下同一个人的脸部区域很好地匹配起来,所以改进的模块化的PC A 方法将会得到更高的识别率。如果简单地直接将人脸图像分割为更小的区域,人脸的全局信息可能会丢失,识别精度也会降低。本文采取了将预处理后的人脸图像也即相位一致性图像模块化的方法,然后对各个小模块运用PC A 的方法进行处理。 在本文提出的方法中,将训练集中的每一幅预处理过的图像划分为N 个小模块,这样每一子图像的大小就变为L 2/N 。这些子图像可以数字化为 I ij (m ,n )=I i [L /N (j -1)+m ,L /N (j -1)+n ] (10) 其中:i =1,2,…,M ,M 为训练集中图像的数量;j =1,2,…,N , N 为子图像的数量;m 和n 为1～L /N 。图2为将一幅相位一 致性人脸图像划分为四个模块的过程。所有训练子图像的平均图像可由式(11)计算得到: A =1/(M ×N )∑M i =1∑N j =1I ij (11) 图2 当N =4时,图像的模块化过程 下一步就是通过减去平均值来规格化训练子图像: Y ij =I ij -A Πi,j (12) 从规格化的子图像可以计算出协方差矩阵: C =1/(M ×N )∑M i =1∑N j =1 Y ij ×Y T ij (13) 接下来找到C 的M ′个最大的特征值对应的特征向量,表示为E 1,E 2,…,E M ′,权重可以由这些特征向量计算出来: W pnjK =E T K × (I pnj -A )Πp,n,j ,K (14) 其中:K =1,2,…,M ′;n =1,2,…,Γ,Γ表示同一个人的人脸图像数量;p =1,2,…,p,p 表示训练集中人的数量。测试子图像的权重可以根据其特征向量计算得到: W test jK =E T K × (I test j -A ) Πj ,K (15) 训练集中每一个类的平均权重集合可由下式计算得到: T pjK =1/Γ∑M ′K =1∑Γ n =1 W pnjK Πp,j (16) 式(17)(18)为最小距离的计算公式: D pj =1/M ′∑M ′ K =1|W test jK -T pjK | (17)D p =1/N ∑N j =1 D pj (18) 对一个特定的值p ,有m in (D p )<θi 。相应的训练集值的 人脸的类就是与测试图像最接近的,因此测试图像可以认为是属于第p 个人脸的类。 实验 1 人脸图像数据库 本文的实验是在ORL 人脸数据库[12]上进行的。ORL 人脸数据库包含了40个成人的400幅人脸图像,每个人有10幅。主要包含了因为面部表情和光照条件不同的人脸图像。每10幅图像中用7幅作为训练集,剩下的3幅作为测试集。图3表示了同一个人的训练集图像和测试集图像。训练图像和测试图像的选择主要是为了便于三种方法在不均匀的光照和局部闭塞条件下的对比。在训练和测试识别率的实验过程中,每次均从每个人的10幅图像的集合中删除1幅,重复10次,每次删除1幅不同的图像。该测试方法将在后面涉及到。1 实验结果 31211 不同M ′情况下的结果 本文测试了PCA 、传统模块PC A 和本文提出的新的模块 ? 913?第1期张秋余,等:基于相位一致性图像的模块化PCA 人脸识别方法 PCA 算法在不同的向量数目下的识别效果。增加特征向量的个数可以提高识别率,但是同时计算成本也会随着相连个数的增加而线性增长。图4为三种不同方法在不同的向量数目下的识别率。图中结果是用ORL 数据库进行测试的。可以看出,随着M ′的增大,PCA 和mPCA 的识别率均在增长。当 M ′>30时没有太大改进;当N =4,16,64,256,1024时,有相似 的结果。实验表明本文提出的方法(NmPCA )具有更高的识别率 。 图3 训练图像和测试图像 图4 特征向量变化的情况下PCA 、 mPCA 、NmPCA 的识别率 31212 表情变化和不同光照条件下的结果 在本实验中主要测试了mPC A 和NmPCA 两种方法下识别率、错误识别率和错误拒绝率,利用ORL 数据库在不同表情和光照条件下进行测试。训练图像和测试图像按照312节进行选择。图5给出了mPC A 在不同情况下NmPCA 的各种实验结果。 本文提出的方法最大的改进在于不直接对人脸的原始图像进行模块化的PCA 处理,而是先将其进行预处理也即获得相位一致性图像;然后对相位一致性图像进行模块化PC A 处理,得到了比较高的识别率。 (a )mPCA 识别率、误识率、错误拒绝率分别为0.44,0.31,0.24情况下对应NmPCA 的值 (b )mPCA 识别率、误识率、错误拒 绝率分别为0.48,0.36,0.16情况下对应NmPCA 的值 图5 mPCA 在不同情况下NmPCA 的各种实验结果 结束语 本文提出了一种新的模块化PC A 人脸识别方法,它既是 对PCA 方法的延伸,又是对传统的模块化PC A 方法的改进。首先对人脸图像进行的相位一致性处理消除了光照对识别带来的影响,而模块化兼顾了图像的局部特征,降低了姿势表情因素的影响。实验表明本文方法的有效性。参考文献: [1] CHELLAPP A R,W I L S ON C L,SI ROHEY S .Human and machine recogniti on of faces:a survey[J ].P r o c I EEE,1995,83(5):7052740.[2] KI RBY M ,SI ROV I CH L.App licati on of the karhunen 2l oeve p r oce 2dure f or the characterizati on of human faces[J ].I EEE Tra ns P a t 2 te rn Ana lM a chi ne I nte ll,1990,12(1):1032108. [3]GRAHAM D B,ALL I N S ON N M.Characterizing virtual eigen signa 2 tures for general pur pose face recogniti on[C ]//Pr oc of Face Recogni 2ti on:Fr om Theory t o App licati ons,NAT O ASI Series F .[S .l .]: Computer and Syste m s Sciences,1998:4462456. [4]MOGHADDAM B,PENT LAND A.Pr obabilistic visual learning for ob 2 ject rep resentati on[J ]. I EEE Tra ns P a tte rn Ana l M a ch i ne I n te ll PAM I ,1997,19(7):6962710. [5]MARTI N EZ A M.Recogniti on of partially occluded and /or i m p recise 2 ly l ocalized faces using a p r obabilistic app r oach [C ]//Pr oc of Com 2puter V isi on and Pattern Recogniti on .2000:7122717. [6]MURASE H,KI M URA F,Y OSH I M URA M ,et al .An i m p r ovement of the aut o 2correlati on matrix in pattern matching method and its ap 2p licati ons t o handp rinted ‘H I RAG ANA ’[C ]//Pr oc of Transacti ons on I ECE .1981. [7]MURASE H,NAY AR S .V isual learning and recogniti on of 32D ob 2 jects fr om appearance[J ].I n t J Com pu te r V is i o n,1995,14:5224.[8]NAY AR S K,NENE N A ,MURASE H.Subs pace methods f or r obot visi on[J ].I EEE Tran s Ro bo t Au t om a t,1996,RA 212(5):7502758. [9]W ENG J J.Crescep t on and SHOS L I F:t owards comp rehensive visual learning[M ]//NAY AR S K,P OGGI O T .Early visual learning .Ox 2f ord:Oxford University Press,1996:1832214. [10]OPPE NHE I M A V,L I M J S .The i m portance of phase in signals[J ]. I EEE P r o cee di ngs,1981,69:5292541. [11]K OVESI P .Edges are not just step s[C ]//Pr oc of the 5th A sian Con 2 ference on Computer V isi on .2002:23225. [12]S AMAR I A F,HARTER A.Para meterisati on of a st ochastic model for human face identificati on [C ]//Pr oc of the 2nd I EEE Workshop on App licati ons of Computer V isi on .Sarat oga:[s .n .],1994. (上接第317页)工作包括多种融合算法间的选择原则和更多融 合算法下该方法的有效性验证,以及融合参数的自动调整方法研究等。参考文献: [1] ZHANG Yun .Understanding i m age fusi on [J ].P ho t og ramm e tri c Eng i ne e ri ng a nd R emo te S en s i ng,2004,70(6):6572661.[2]PETROV I C V.Multi 2level i m age fusi on [C ]//Pr oc of the I nternati o 2 nal Society for Op tical Engineering .2003:87296. [3]AUD I CANA G,S ALET A M ,LU I S J,et al .Fusi on of multis pectral and panchr omatic i m ages using i m p r oved H I S and PCA mergers based on wavelet decompositi on [J ].I EEE Tra n sac ti o ns o n Geo sc i ence a nd R em o te S e ns i ng,2004,42(6):129121299. [4]L I B i 2cheng,W E I Jun .Re mote sensing i m age fusi on based on H I S transfor m,wavelet transfor m,and HPF[C ]//Pr oc of the I nternati onal Society for Op tical Engineering .2003:25230. [5]王红梅,张科,李言俊.基于小波变换的图像融合方法[J ].红外与 激光工程,2005,34(3):3282332. [6]T OET A,WALRAVEN J.New false col or mapp ing for i m age fusi on [J ].O p t Eng,1996,35(3):6502658. [7]刘贵喜.多传感器图像融合方法研究[D ].西安:西安电子科技 大学,2001. [8]MA M iao,TI A N Hong 2peng,HAO Chong 2yang .A ne w method t o quality evaluati on f or i m age fusi on using GRA [J ].O p ti ca l Engi 2nee ri ng,2005,44(8):125. ?023?计算机应用研究2008年第1期 #include "cv.h" #include "highgui.h" #include 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 摘要 人脸检测主要是基于计算机识别的一项数字化技术，用以准确获取人的脸部大小和位置信息，在进行人脸检测时，突出主要的脸部特征，淡化次要的环境、衣着等因素。对于某些情况下，人脸检测也可以计算出人脸，如眼睛，鼻子和嘴等精确的微妙特征。由于在安全检测系统，医学，档案管理，视频会议和人机交互等领域人脸检测系统都有光明的应用前景，因此人脸检测逐渐成为了两个跨学科领域研究的热门话题:人工智能和当前模式识别。本文基于OpenCV视觉库具体的设计并开发了对数字图像中的人脸检测的程序，所采用的人脸检测的原理主要是分类器训练模式(Adaboost算法)提取Haar特征的方法。它在整个软件极其重要的作用，图像中人脸的准确定位和识别都受图像处理好坏的直接影响。本次所设计的软件在图像处理部分所采用的方法是基于Adaboost算法进行Haar特征的提取，在此之上加以通过积分图方法来获取完整的级联分类器结构，进行人脸检测时，OpenCV级联分类器通过Adaboost人脸检测算法进行训练，此后采用不同情况下的实验样本完成精确定位以及检测试验。经过代码的设计和调试，在最后的测试中针对数字图像进行的人脸检测和定位达到了较好的效果，提高了定位和识别的正确率。 关键词：人脸检测，AdaBoost，分类器，OpenCV Abstract Face detection is mainly based on computer recognition of a digital technology,face size and location information to accurately obtain the person,during face detection, highlight the main facial features,dilute the secondary environment,clothing,and other factors.For some cases,face detection can also calculate a person's face,such as eyes, nose and mouth,and other subtle features accurate.Because in the field of human security detection systems,medical records management,video conferencing,and human-computer interaction face detection system has bright prospects,and therefore face detection is becoming a two interdisciplinary research fields hot topic:artificial intelligence and The current pattern recognition.This article is based.penCV vision library designed and developed specifically for digital image face detection process,the principles used face detection methods are mainly classifier training mode(Adaboost algorithm)to extract Haar features.It is in the vital role of the software,the image of the human face accurately locate and identify all that is good or bad a direct impact on the image processing.This software is designed image processing method used in part based Haar Adaboost algorithm to extract features,on top of this to be to get the full cascade classifier structure by integrating the diagram method for face detection,OpenCV cascade classifier is trained by Adaboost face detection algorithm,then the use of the experimental sample under different circumstances for accurate positioning and testing.Through design and debugging code,face detection and location in the final test for digital images to achieve better results and improve the accuracy of positioning and recognition. Keywords:face detection;AdaBoost;classifier;openCV 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 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) 摘要 基于生物特征识别的身份认证方法和系统研究一直以来都是计算机图形学和模式识别领域研究的热点，其中，由于人脸的稳定性和可见性，针对人脸识别的算法研究和系统应用最为广泛，本文针对校园内实验室和宿舍安全管理需求，设计和实现了一套针对监控视频的基于OpenCV的人脸识别原型系统，开发语言选用C++，全文内容包括： （1）构建了基于OpenCV的视频人脸识别的技术框架。针对实验室和宿舍安全管理需要，构建了基于OpenCV的视频人脸识别的技术框架，能够完成基于视频的实时人脸识别和身份认定； （2）设计了基于OpenCV的视频人脸快速检测算法。人脸检测是人脸识别的前提，本文采用基于OpenCV的快速人脸检测算法实现视频图像中人脸的快速定位和提取； （3）设计了基于AdaBoost算法的视频人脸识别方法。应用AdaBoost算法实现了针对视频流的快速人脸定位和身份识别，能够实现实时身份认定。 系统基于.NET平台设计，使用C++语言进行实现，完成了基于视频的实时人脸身份认定。 关键词：人脸检测； OpenCV；人脸识别； C++； 1 Abstract Based on the research of identity authentication method and system of biometric recognition has been a hot research field of computer graphics, pattern recognition and the stability and visibility, the face, the algorithm research and system applications of face recognition is the most widely, according to the laboratory and dormitory safety management needs of the campus, designed and implemented. A face recognition system based on OpenCV in surveillance video, development language is C++, the main content of this thesis includes: （1）Constructed the technical framework for video based face recognition based on OpenCV. According to the laboratory and the dormitory safety management needs, establishes a framework for video based face recognition based on OpenCV, which can complete real-time face recognition and identity based on video identification; （2）Design of a fast face detection algorithm in video based on OpenCV. Face detection is the precondition of face recognition, this paper uses OpenCV fast face detection algorithm to locate face in video image and extraction based on;The design use application of OpenCV to provide strong support, based https://www.wendangku.net/doc/c92210748.html, platform design. （3）Design of video based face recognition method based on AdaBoost algorithm. Application of AdaBoost algorithm for fast face location and recognition of video stream, which can realize real-time identification. System based https://www.wendangku.net/doc/c92210748.html, platform design, implementation is carried out using C++ language, completed the real-time face identity recognition based on video Key word：Face detection；OpenCV；Face recognition；C++； 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) 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 项目名称：基于PCA的人脸识别算法研究 摘要 随着人类社会的进步，以及科技水平的提高，一些传统的身份认证的方法逐渐暴露出各种问题，因此人们需要采用一种更加可靠安全的身份认证方法。毫无疑问人体的生物特征的独一无二的，特别是其不容易丢失及复制的特性很好满足了身份识别的需要。并且随着计算机科学技术和生物医学的发展使得利用生物特征识别成为了可能。因此基于指纹、人脸、视网膜等生物特征的识别方法也越来越多。由于人脸识别的操作快速简单，结果直观，准确可靠，不需要人的配合等优点已成为人们关注的焦点。主成分分析（PCA）法通过提取高维度的人脸图像的主元，使得图像在低维度空间中被处理来降低了图像处理的难度。由于其有效的解决了图像空间维数过高的问题，已经成为人脸识别领域非常重要的理论。此次研究的就是基于PCA的人脸识别算法的实现。 本文按照完整人脸识别流程来分析基于PCA的人脸识别算法实现的性能。首先使用常用的人脸图像的获取方法获取人脸图像。本文为了更好的分析基于PCA人脸识别系统的性能分别选用了Essex人脸数据库和ORL人脸库，并在后期采用了自建的人脸库。接下来是人脸图像预处理方法。由于采用的人脸图像质量较好，而且已经做过相应的预处理，所以本文试验中只使用灰度处理。接着使用PCA提取人脸特征，使用奇异值分解定理计算协方差矩阵的特征值和特征向量以及使用最近邻法分类器欧几里得距离来进行人脸判别分类。在实验中我们发现基于PCA的人脸识别系统的识别率很高，而且具有一定鲁棒性，所以基于PCA的人脸识别算法的实现的研究还是有意义。 【关键词】人脸识别 PCA算法奇异值分解定理欧几里得距离 西安电子科技大学 人工智能学院暑期夏令营科研实践《基于OpenCV的人脸识别系统》 实践报告 姓名：XXX 学校：XXXX 院系班级：XXXXXXXXX 联系方式：XXXX 目录 1 项目背景 (1) 2 项目目标 (1) 3 项目方案 (2) 3.1 人脸采集 (2) 3.2 人脸训练 (3) 3.3 人脸识别 (4) 4 项目调试 (6) 4.1 采集调试 (6) 4.2 训练调试 (6) 4.3 识别调试 (7) 5实践总结 (8) 如何创造一个安全的、数字现代化的、智能化的宿舍门禁系统有着十分重要的意义。然而，在日常管理中我们经常会碰到这样的问题：外来人员混入宿舍带来的安全隐患、夏天未带校园卡而在公寓楼前苦等、宿舍出入口必须有人盯守、晚归被困公寓楼外等等。 在当今计算机普及与急剧增长的状况下，应该实施一些高效率的系统，不仅省钱，省事，而且便捷，针对以上情况，十分有必要建立一个全面、高效、人性化、智能的高校宿舍出入管理系统。 因此，做一个人脸识别系统就非常地有必要！ 2 项目目标 本项目拟完成人脸采集、人脸训练和人脸检测与识别的功能。 人脸采集程序主要完成以下功能： 1. 建立新的文件夹：用户根据提示输入自己姓名的简称，程序会在工程目录下建立该用户的文件夹，用以存放拍摄的照片； 2. 打开摄像头和写入图像：调用笔记本摄像头，当P键按下时，显示当前帧的图像，经处理后，保存图像；当q键按下时，立即退出采集程序 3. 人脸检测与裁剪：在当前帧识别出人脸后将其裁剪至ORL人脸数据 库大小即92x112。 人脸训练程序主要完成以下功能： 1. CSV文件读取：CSV文件对应的图像数据和对应的标签； 2. 样本训练：包括ORL人脸数据库的样本和自己的样本。 人脸训练样本取自ORL人脸数据库，共40个人，每人10张照片。照片在不同时间、不同表情(睁眼闭眼、笑或者不笑)、不同人脸细节(戴眼镜或者不戴眼镜)下采集，所有的图像都在一个黑暗均匀的背景下采集的，正面竖直人脸(有些有轻微旋转)。此外，增加自己的样本，并以相同尺寸拍摄20张左右图像。 人脸识别与检测程序主要完成以下功能： 1. 人脸检测：识别出当前帧是否有人脸； 2. 人脸预测：根据训练结果判断当前帧中人脸是否属于样本集； 3. 姓名显示：若属于样本集则显示姓名缩写，否则，显示“0”。 % FaceRec.m % PCA 人脸识别修订版，识别率88％ % calc xmean,sigma and its eigen decomposition allsamples=[];%所有训练图像 for i=1:40 for j=1:5 a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg')); % imshow(a); b=a(1:112*92); % b 是行矢量1×N，其中N＝10304，提取顺序是先列后行，即从上 到下，从左到右 b=double(b); allsamples=[allsamples; b]; % allsamples 是一个M * N 矩阵，allsamples 中每一行数 据代表一张图片，其中M＝200 end end samplemean=mean(allsamples); % 平均图片，1 × N for i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % xmean 是一个M × N 矩阵，xmean 每一行保存的数据是“每个图片数据-平均图片” end; % 获取特征值及特征向量 sigma=xmean*xmean'; % M * M 阶矩阵 [v d]=eig(sigma); d1=diag(d); % 按特征值大小以降序排列 dsort = flipud(d1); vsort = fliplr(v); %以下选择90%的能量 dsum = sum(dsort); dsum_extract = 0; p = 0; while( dsum_extract/dsum < 0.9) p = p + 1; dsum_extract = sum(dsort(1:p)); end i=1; % (训练阶段)计算特征脸形成的坐标系 base = xmean' * vsort(:,1:p) * diag(dsort(1:p).^(-1/2)); % base 是N×p 阶矩阵，除以dsort(i)^(1/2)是对人脸图像的标准化（使其方差为1） % 详见《基于PCA 的人脸识别算法研究》p31 % xmean' * vsort(:,i)是小矩阵的特征向量向大矩阵特征向量转换的过程 %while (i<=p && dsort(i)>0) % base(:,i) = dsort(i)^(-1/2) * xmean' * vsort(:,i); % base 是N×p 阶矩阵，除以dsort(i)^(1/2) 是对人脸图像的标准化（使其方差为1） % 详见《基于PCA 的人脸识别算法研究》p31 % i = i + 1; % xmean' * vsort(:,i)是小矩阵的特征向量向大矩阵特 征向量转换的过程 %end % 以下两行add by gongxun 将训练样本对坐标系上进行投影,得到一个M*p 阶矩阵allcoor allcoor = allsamples * base; % allcoor 里面是每张训练人脸图片在M*p 子空间中的一个点，即在子空间中的组合系数， accu = 0; % 下面的人脸识别过程中就是利用这些组合系数来进行识别 基于OpenCV的人脸识别设计方案 导读: 本文提出了一种在Linux 平台下开发脸识别系统的方案，通过QT 来开发用户界面，调用OpenCV 图像处理库对相机进行采集和处理采集图像， 从而实现了人脸检测、身份识别、简单表情识别的功能。 人脸识别的研究可以追溯到上个世纪六、七十年代，经过几十年的曲折发展 已日趋成熟，构建人脸识别系统需要用到一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等。而人脸识别在基于 内容的检索、数字视频处理、视频检测等方面有着重要的应用价值，可广泛应 用于各类监控场合，因此具有广泛的应用前景。OpenCV 是Intel 公司支持的开 源计算机视觉库。它轻量级而且高效--由一系列 C 函数和少量C++ 类构成， 实现了图像处理和计算机视觉方面的很多通用算法，作为一个基本的计算机视觉、图像处理和模式识别的开源项目，OpenCV 可以直接应用于很多领域，其 中就包括很多可以应用于人脸识别的算法实现，是作为第二次开发的理想工具。 1 系统组成 本文的人脸识别系统在Linux 操作系统下利用QT 库来开发图形界面，以OpenCV 图像处理库为基础，利用库中提供的相关功能函数进行各种处理：通 过相机对图像数据进行采集，人脸检测主要是调用已训练好的Haar 分类器来 对采集的图像进行模式匹配，检测结果利用PCA 算法可进行人脸图像训练与 身份识别，而人脸表情识别则利用了Camshift 跟踪算法和Lucas–Kanade 光流算法。 2 搭建开发环境 采用德国Basler acA640-100gc 相机，PC 机上的操作系统是Fedora 10，并 基于OpenCV的人脸识别算法研究 摘要:通过对基于Adaboost人脸检测算法的研究，利用该算法与计算机视觉类库openCV进行人脸检测系统的设计，实现了对出现在视频或图像中的人脸检测。此外，在VC++6.0环境下实现了对一个简单的人脸检测系统软件的界面开发，该系统对人脸检测的速度较快，检测结果较为准确，可以作为其他人脸检测或人脸模式识别的系统的开发基础。 关键词：人脸检测；openCV；Adaboost；系统 Face detection system design based on openCV Abstract: According to the research of Adaboost algorithm of Face Detection，people made use of the algorithms and computer vision class library openCV for the design of face detection system and achieved the target of detecting faces showing up in videos and pictures. What’s more，in the environment of VC++6.0，it achieved the development of simple Face Detection. The speed of Face Detection is very fast and the test results are accurate. It can be used as the development foundation of other face detection or face pattern recognition system. Key words: face detection；openCV；Adaboost；system 1.引言 随着计算机与数字信号处理技术的高速发展，人脸检测技术在众多领域得到广泛应用。人脸检测技术是指在视频或图像中检测出现人脸位置、大小的过程。作为人脸信息处理中的一项关键技术，人脸检测技术已经超出了其它人脸识别模式的应用范畴，在视频处理、图像处理、身份验证、安全监测等方面有着重要的应用价值。随着计算机语言算法的发展，近年来出现了大量的人脸检测的算法，其中能够较好的解决人脸的检测速度与检测效果的算法，是在2001年由Paul Viola和Michael Jones首先提出的Adaboost算法。openCV是由Intel 提供的一系列包括C与C++的提供计算机视觉和图像处理的开源软件包，它为视频或图像处理搭建了很好的软件平台。本系统就是基于openCV利用Adaboost算法设计的一个简单的人脸检测系统#该系统能够快速&准确的检测到图像或视频中的人脸。 2.AdaBoost人脸检测算法 对人脸检测的研究最初可以追溯到20世纪70年代，早期的研究方向与现在的研究方向与方法不同。目前在实际中应用的人脸检测方法较为普遍的是基于Adaboost算法的方法。 Viola的人脸检测方法是一种基于积分图、级联分类检测器和Adaboost算法的方法，方法框架可以分为以下3大步骤： 1）使用Haar-like特征表示人脸，使用“积分图”实现特征数值的快速计算； 2）使用Adaboost算法挑选出一些最能代表人脸的矩形特征（弱分类器），按照加权投票的方式将弱分类器构造为一个强分类器； 3）将得到的若干强分类器串联组成一个级联结构的层叠分类器，训练得到的强级联结构能有效地提高分类器的检测速度。 基于PCA 和SVM 的人脸识别方法 一、PCA 算法 1 计算特征脸 设人脸图像f(x,y)为二维m n ?灰度图像,用nm 维向量R 表示。人脸图像训练集为 {}p i R i ,,2,1 =,其中p 为训练集中图像总数。这p 幅图像的平均向量为: ∑==p i i R p R 1 1 对训练样本规范化,即每个人脸i R 与平均人脸R 的差值向量: R R A i i -= p i ,,2,1 = 其中列向量i A 表示一个训练样本。 训练图像由协方差矩阵可表示为: T AA C = 其中训练样本p nm ?维矩阵],,,[21p A A A A = 特征脸由协方差矩阵C 的正交特征向量组成。对于nm 维人脸图像,协方差矩阵C 的大小为nm ×nm ,对它求解特征值和特征向量是很困难的,由此引入奇异值分解定理来解决维数过高的问题。 2 奇异值分解定理 奇异值分解定理( Singular Value Decomposition 简称SVD 定理)原理表述如下: 其中A 是一个秩为r 的r n ?维矩阵,则存在两个正交矩阵： r n r R u u u U ?-∈=],,,[110 I U U T = r r r R v v v V ?-∈=],,,[110 I V V T = 以及对角矩阵 r r r R diag ?-∈=Λ],,,[110λλλ 且110-≥≥≥r λλλ 满足下试: T V U A 2 1Λ= 其中: )1,,1,0(-=r i i λ为矩阵T AA 和A A T 的非零特征值, i u 与i v 分别为T AA 和A A T 对应于i λ的特征向量。上述分解称为矩阵A 的奇异值分解（简称SVD ），i λ为A 的奇异值。 由上述定理可以得到一个推论: 1 Λ=AV U 由于协方差矩阵T AA C =,故构造矩阵: p p T R A A L ?∈= ,容易求出其特征值i λ及相应的 正交归一特征向量),,2,1(p i v i =。有上述推论可知，C 的正交归一特征向量i u 为: i i i Av u λ1 = p i ,,2,1 = 这就是图像的特征向量,它是计算p p ?低维矩阵L 的特征值和特征向量而间接求出来的。实际上l )(p l <个特征值足够用于人脸识别。因此仅取L 的前l 个最大特征值的特征向量计算特征脸。 3 特征向量的选取 我们总共得到了p （训练样本数目）个特征向量。虽然p 比nm 小很多。但通常情况下，p 仍然会太大。根据应用的要求，并不是所有的i u 都有很大的保留意义。 考虑到使用L K -变换做为对人脸图像的压缩手段，可以选取最大的前l 个特征向量，使得： αλ λ≥∑∑==p i i l i i 11 在实际中，可以选择90.0=α，或者自定义的其他值。这说明样本集在前l 个轴上的能量占到整个能量的90%以上。 4 基于特征脸的人脸识别 基于特征脸的人脸识别过程由训练阶段和识别阶段两个阶段组成。在训练阶段,每个已知规范化后的人脸i A 映射到由特征脸张成的子空间上,得到l 维向量: i T i A U C = p i ,,2,1 = 其中T l i c c c C ],,,[21 =，],,,[21l u u u U =，p 为人脸数目。 在识别阶段,首先把待识别的图像规范化后的人脸R R A i -'='映射到特征脸空间，得到基于opencv的人脸识别程序-代码详解
基于PCA算法的人脸识别毕业设计论文
[作业]OPENCV人脸识别
基于PCA的人脸识别系统设计
基于matlab的人脸识别算法(PCA)
基于OpenCV的视频人脸识别系统的设计与实现
基于PCA的人脸识别算法实现毕业论文
基于PCA的人脸识别
基于PCA的人脸识别研究报告
《基于 OpenCV的人脸识别系统》
人脸识别PCA算法matlab实现及详细步骤讲解
基于OpenCV的人脸识别设计方案
基于OpenCV的人脸识别算法研究
基于PCA和SVM的人脸识别方法
- PCA_基于PCA算法的人脸识别讲解
- 人脸识别PCA算法matlab实现及详细步骤讲解
- 基于SVM的人脸识别
- 基于PCA的人脸识别算法实现毕业论文
- 基于PCA和SVM的人脸识别方法
- 基于PCA算法的人脸识别毕业设计论文
- 基于PCA的人脸识别opencv代码
- 人脸识别PCA算法matlab实现及详细步骤讲解
- 基于matlab的人脸识别算法(PCA)
- PCA人脸识别算法详解
- 利用OpenCV实现基于PCA算法的人脸识别
- 基于PCA的人脸识别研究报告
- 基于PCA的人脸识别算法实现毕业论文
- 基于PCA的人脸识别系统设计
- 基于PCA的人脸识别课程设计报告(西电)
- 基于PCA的人脸识别
- 基于PCA进行人脸识别的Matlab代码