人脸识别-梵仔.docVIP

失落的梵仔 1 人脸识别的基本框图： 本人主要研究人脸识别部分，主要任务就是和数据库匹配能否找到合适的目标，经过前面黑胖和蓝胖对人脸的特征提取，获得相应的信息。通过输入人脸图像与与库存中的特征向量进行比较，找出与特征最相近的参数，再对该参数进一步分析。如果分析在我们所确认的范围内，我们就认为该人就是我们所要找的。然后从库存中提取出该人相关的信息，并显示出来。如果库存中没有，则给出提示是否对存库作为样本。 2 识别需要用到的PCB算法，也被叫做特征脸方法(eigenfaces)，是一种基于整幅人脸图像的识别算法，被广泛用于降维，在人脸识别领域也表现突出。一个N×N的二维脸部图片可以看成是N的一个一维向量，一张112×92的图片可以看成是一个10，304维的向量，同时也可以看成是一个10，304维空间中一点。图片映射到这个巨大的空间后，由于人脸的构造相对来说比较接近，因此，可以用一个相应的低维子空间来表示。我们把这个子空间叫做“脸空间”。PCA的主要思想就是找到能够最好地说明图片在图片空间中的分布情况的那些向量。这些向量能够定义“脸空间”，每个向量的长度为N，描述一张N×N的图片，并且是原始脸部图片的一个线性组合。对于一副M*N的人脸图像，将其每列相连构成一个大小为D=M*N维的列向量。D就是人脸图像的维数，也即是图像空间的维数。设n是训练样本的数目；Xj表示第j幅人脸图像形成的人脸向量，则所需样本的协方差矩阵为： Sr= 其中u为训练样本的平均图像向量： u = 令A=[x1-u x2-u……xn-u],则有Sr=AAT,其维数为D*D。 根据K-L变换原理，需要求得的新坐标系由矩阵AAT的非零特征值所对应得特征向量组成。直接计算的计算量比较大，所以采用奇异值分解（SVD）……,r)为矩阵ATA的r个非零特征值，vi为ATA对应于li的特征向量，则AAT的正交归一特征向量ui为： (i=1,2,……r) 则特征脸空间为：w=(u1 ,u2…… ur,)。 将训练样本投影到“特征脸”空间，得到一组投影向量Ω=wTu，构成人脸识别的数据库。在识别时，先将每一幅待是识别的人脸图像投影到“特征脸”空间，再利用最近邻分类器的比较其与库中人脸的位置，从而识别出该图像是否是库中的人脸，如果是，是哪一个人脸。 (1)若，则输入图像不是人脸图像; ( 2)若，，，则输入图像包含未知人脸,; (3)若，，则输入图像为库中第k个人的人脸 3 读入人脸库：归一化人脸库后，将库中的没人选择一定数量的图像构成训练集，其余的构成测试集。设归一化后的图像时n*m维，按列相连就构成N=n*m维矢量，可视为N维空间中的一个点，可以空过K-L变换用一个低维子空间描述这个图像。 4 计算通过K-L变换的生成矩阵：所有训练样本的协方差矩阵为（以下三个等价）； C1=( T)/M-mx.mxT C1=(A.AT)/M C1=[ ]/M A=(φ1φ2,……,φm), φi=xi-mx，其中mx是平均人脸，M是训练人脸数，协方差矩阵C1是一个N*N的矩阵，N是xi的维数。 为了方便计算特征值和特征向量，一般选用第二个公式。根据K-L变换原理，我们所求的新坐标即由矩阵A.AT的非零特征值所对应的特征向量组成。直接求N*N大小矩阵的C1的特征值和正交归一特征向量是很困难的，根据奇异值分解原理，可以通过求解ATA的特征值和特征向量来获得AAT的特征值和特征向量。 5 识别：利用公式Y=UT*X，首先把所有图片进行投影，然后对于测试图片也进行同样的投影，采用判别函数对投影系数进行识别。 6 程序代码如下： function FaceRecognition clear % 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(D:\rawdata\ORL\s,num2str(i),\,num2str(j),.pgm)); % 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