1信号处理方向课程设计报告题目:采用PCA方法的人脸识别系统院系:电子信息学院专业:信息类班级:姓名:学号:指导教师:2013年1月16号2目录1:绪论......................................................................................31.1:研究背景....................................................................31.2:应用前景....................................................................32:设计基本要求.......................................................................53:内容原理..............................................................................63.1为什么设计PCA人脸识别系统...................................63.2PCA算法的原理........................................................63.3Eigenface算法..........................................................83.4PCA算法在人脸识别中的应用..................................94:设计步骤.............................................................................114.1:数据采集.................................................................114.2.:文件的读入与显示...................................................114.3:载入要训练的人脸集图像并存储............................124.4.:获取训练图像集合的主成分特征向量.....................134.5:显示特征脸..............................................................144.6:平均脸显示..............................................................154.7:由特征脸重构训练集内人脸图像..............................155:心得体会............................................................................17附录1:参考文献.......................................................................18附录2:课程设计源代码.........................................................1831:绪论1.1:研究背景为了帮助学生深入理解和消化基本理论、进一步提高综合应用能力并且锻炼独立解决问题的能力,我们将《数字信号处理》、《DSP原理与应用》、《语音信号处理》和《数字图象处理》几门课程融合在一起开设的DSP综合实验课程设计。主要要求有:一:设计内容突出信号处理的理论和技术的综合应用。如在信号滤波实验中,在语音信号中混有噪声,要求学生滤除该语音信号中的噪声。学生首先要进行信号谱分析、然后选择滤波器类型,再确定滤波器参数,最后进行滤波器设计与应用。而不是简单地给出滤波器类型和设计指标。二:如何将《DSP原理与应用》、《语音信号处理》和《数字图象处理》三门课程有机的结合起来,设计一实际的系统。由学生在所学知识的基础上,查阅相关资料,自主设计,通过实验装置进行实现,并对结果进行综合分析,寻找最佳设计方案。希望学生通过完成一个与信号处理相关的课题的理论设计、程序设计和实验调试任务,提高他们分析解决实际问题的能力。本设计要求运用课程所学知识,进行算法实现、Matlab仿真,程序设计,DSP开发平台上调试,加深对信号处理知识的理解与运用,培养对可编程DSP芯片的开发技能。利用所学知识,设计一个基于PCA方法的人脸识别系统。要求系统可以对各类文件格式的人脸文件进行分析,可以对一定长度的人脸训练集进行特征值提取,能够显示特征脸、平均脸,能够由特征向量构造训练集内部或外部的任意人脸文件,并且完成比对误差及人脸识别的功能。1.2:应用前景随着计算机网络和通信技术的发展,信息安全、知识产权保护和身份认证等问题成了一个重要而紧迫的研究课题。身份认证4是保证系统安全的必要前提,在多种不同的安全领域都需要准确的身份认证。传统的身份证、智能卡、密码等身份认证方法存在携带不便、容易遗失、不可读或密码易被破解等诸多问题。基于人脸识别技术的身份认证方法与传统的方法相比,具有更好的安全性、可靠性和有效性,因此正越来越受到人们的重视,并逐渐进入社会生活的各个领域。人脸识别技术具有广泛的应用前景,可以应用到多种不同的安全领域,因其识别特征的独特性、惟一性和相对稳定性,逐渐成为一非常热门的研究课题。许多典型的人脸识别算法和应用系统都是针对标准或特定的人脸数据库,利用库内人脸进行训练,并在相同的库中实现人脸识别。但在软件保护、计算机安全等特殊应用中,身份认证仅针对单个对象进行人脸识别,现有的人脸识别方法并不能胜任这样的识别任务。为此,本文针对单对象人脸识别的特点,讨论了单对象人脸检测和识别的关键技术,在此基础上提出了一种单对象人脸识别算法,实验结果证明了该方法的有效性。52:设计基本要求利用所学知识,设计一个基于PCA方法的人脸识别系统。要求系统可以对各类文件格式的人脸文件进行分析,可以对一定长度的人脸训练集进行特征值提取,能够显示特征脸、平均脸,能够由特征向量构造训练集内部或外部的任意人脸文件,并且完成比对误差及人脸识别的功能。熟悉人脸检测及识别的基本原理和实现方法;熟悉Matlab的使用及常用的信号处理函数,会用Matlab进行一般数字图像处理运算。掌握基于PCA方法的人脸识别步骤、算法。通过对实际人脸图像的处理,了解一般DSP系统设计的开发流程;熟悉数字图像处理常用函数的使用方法及一般数字图像处理系统的设计方法;掌握主成分分析、特征值、特征脸的实现方法,获得对人脸识别的感性认识;培养严肃认真的工作作风和科学态度。通过课程设计实践,帮助学生逐步建立正确的生产观点,经济观点和全局观点。63:内容原理3.1为什么设计PCA人脸识别系统人脸识别一直是图像处理和模式识别领域的研究热点和难点。这一技术有着广泛的应用背景,如身份鉴别、信用卡识别、驾驶执照和护照的核对、银行及海关的监控系统以及一些保密单位的自动门卫系统等等。根据使用特征和分类方法的不同,人脸识别可以大致分为三类:1)提取人脸几何特征的方法;2)基于特征分析的模板匹配;3)统计分析的方法,如主成分分析(PCA)、弹性图匹配(ElasticGraphMatching)法、隐马尔可夫模型(HiddenMarkovModel)方法以及神经网络方法。其中基于主成分分析(PCA)的本征脸(Eigenface)[1]的方法,因为计算简单概念清晰,一直受到研究者的青睐。主成分分析(PCA),PrincipalComponentAnalysis又称为本征脸(Eigenface)法,该方法已成为现在人脸识别基本方法之一。M.Kirby和L.Sirovich[Kkirby,1990]用PCA方法表征人脸图像,他们认为任何一幅图像都可以用一组本征脸的线性加权和来近似重构,其权重系数可以通过将人脸图像在本征脸空间投影得到。M.Turk和A.Pentland将PCA方法用于人脸检测和识别[Turk,1991a;Turk,1991b].3.2PCA算法的原理PCA(主成分分析)算法是人脸识别中比较新的一种算法,该算法的优点是识别率高,识别速度快。1.PCA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]=O.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:7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E[y2]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训应该满足下式:即使得上述式子最大化的w是矩阵Cx的最大特征值所对应的特征向量。2.主成分的求解步骤在PCA中主要的是要求出使得方差最大的转化方向,其具体的求解步骤如下:(1)构建关联矩阵:Cx=E[x*xT],Cx∈Pn*n.在实际应用中,由于原始数据的数学期望不容易求解,我们可以利用下式来近似构造关联矩阵:(其中x1,x2,…,xN,是各个原始灰度图像所有象素点对应的向量,N是原始图像的个数)(2)先计算出Cx的各个特征值(3)把特征值按大小排序(4)计算出前m个特征值对应正交的特征向量构成w。(5)将原始数据在特征向量w上进行投影,即可获得原始图像的主特征数据。83.主成分的求解方法通过上面的分析我们可以知道,对于主成分分析的问题最后转化为求解协方差矩阵的特征值和特征向量的问题,主成分的正交化分解的算法。3.3Eigenface算法在利用PCA进行特征提取的算法中,特征脸方法(Eigenface)是其中的一个经典算法。特征脸方法是从主成分分析导出的一种人脸识别和描述技术。特征脸方法就是将包含人脸的图像区域看作是一种随机向量,因此可以采用K-L变换获得其正交K-L基底。对应其中较大特征值的基底具有与人脸相似的形状,因此又称为特征脸。利用这些基底的线性组合可以描述、表达和逼近人脸图像,因此可以进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸构成的子空间上,比较其与己知人脸在特征空间中的位置,具体步骤如下:(1)初始化,获得人脸图像的训练集并计算特征脸,定义为人脸空间,存储在模板库中,以便系统进行识别;(2)输入新的人脸图像,将其映射到特征脸空间,得到一组关于该人脸的特征数据;(3)通过检查图像与人脸空间的距离判断它是否是人脸;(4)若为人脸,根据权值模式判断它是否为数据库中的某个人,并做出具体的操作。如何计算特征脸:设人脸图像I(x,y)为二维N*N灰度图像,用N维向量R表示。人脸图像训练集为{Ri|i=1,…,M},其中M为训练集中图像总数,这M幅图像的平均向量为:9每个人脸Ri与平均人脸ψ的差值向量是:训练图像的协方差矩阵可表示为:其中,A=[φ1,…φM].特征脸有协方差矩阵C的正交特征向量组成。对于N*N人脸图像,协方差矩阵C的大小为N2*N2,对它求解特征值和特征向量是很困难的。一种取而代之的方法是令:即协方差矩阵的转置阵,则可以知道此矩阵是M*M(M是训练人脸的数量)的一个较小的矩阵。首先计算M*M矩阵L的特征向量vi(l=l,…,M),则矩阵C的特征向量ui(l=1,…,M)由差值图像φi(i=1,…,M)与vi(l=l,…,M)线性组合得到:U=[u1,…,uM]=[[ψ1,…,ψM]T][v1.…,vM]。实际上,m(mM)个特征值足够用于人脸识别。因此,仅取L的前m个最大特征值的特征向量计算特征脸。3.4PCA算法在人脸识别中的应用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,每个已知人脸Ri映射到由特征脸构成的子空间上,得到m维向量在识别阶段,首先把待识别的图像R映射到特征脸空间。得到向量:10为了区分人脸和非人脸,还需计算原始图像R与其由特征空
本文标题:PAC算法人脸识别
链接地址:https://www.777doc.com/doc-5337663 .html