基于模糊线性判别分析的人脸识别算法设计_毕业设计

基于模糊线性判别分析的人脸识别算法设计学院专业班级学号姓名指导教师负责教师摘要人脸识别技术是生物识别技术的一种，以其直接性，唯一性，方便性等特点，在公安，海关，交通，金融，视频会议，机器人的智能化研究等方面得到了越来越广泛的应用。人脸识别技术是模式识别领域中的一个前沿课题。在过去的几十年里，研究者尝试利用计算机来模仿人类识别人脸的能力，并提出了很多人脸识别的有效算法，利用不同技术提高了人脸识别算法的平均识别率。本文着重讨论一种把特征脸和模糊线性判别分析（FLDA）算法结合起来进行人脸识别的方法。该方法利用主成分分析（PCA）方法求得训练样本的特征空间，然后在此基础上计算FLDA算法的特征子空间，进一步对特征脸空间降维。经过FLDA降维后的子空间中，同一类别的样本尽可能靠近，不同类别的样本尽可能分散（即降维后同一个人的人脸图像尽可能的靠近，不同人的人脸图像尽可能的分散开）。模糊LDA方法引入了模糊技术来优化特征提取，利用隶属度信息来描述样本的分布信息，能得到一个更好的类中心位置估计。应用于YALE及ORL人脸库的实验结果表明，该算法具有较高的识别率。关键词人脸识别；主成分分析；模糊线性判别分析；特征脸FACERECOGNITIONALGORITHMBASEDONFUZZYLINEARDISCRIMINANTANALYSISABSTRACTFACERECOGNITIONTECHNOLOGYISAKINDOFBIOLOGICALRECOGNITIONTECHNOLOGYWITHITSIMMEDIACY,UNIQUENESSANDCONVENIENCE,ETCITGETSMOREANDMOREWIDELYUSEDINTERMSOFPUBLICSECURITY,CUSTOMHOUSE,TRAFFIC,FINANCE,VIDEOCONFERENCE,THESTUDYONROBOTSINTELLIGENCEFACERECOGNITIONTECHNOLOGYISAFRONTIERTOPICINTHEFIELDOFPATTERNRECOGNITIONINTHEPASTFEWDECADES,THERESEARCHERSTRIEDTOUSEACOMPUTERTOIMITATEHUMANSABILITYTORECOGNIZEFACES,ANDALOTOFEFFECTIVEALGORITHMOFFACERECOGNITIONWASPROPOSED,ANDTHEYUSEDDIFFERENTTECHNOLOGYINCREASEDTHEAVERAGERECOGNITIONRATEOFFACERECOGNITIONALGORITHMTHISPAPERFOCUSESONAFACERECOGNITIONMETHODWHICHCOMBININGWITHTHEPRINCIPALCOMPONENTANALYSISANDFUZZYLINEARDISCRIMINANTANALYSISFLDAALGORITHMTHISMETHODOBTAINSTHECHARACTERISTICSSPACEOFTHETRAININGSAMPLEWITHTHEPRINCIPALCOMPONENTANALYSISPCAALGORITHM,THENONTHEBASISOFTHISCALCULATION,GETANOTHERFLDASFEATURESUBSPACEWHICHHASLOWERDIMENSIONSINTHISFLDASFEATURESUBSPACE,SAMPLESOFTHESAMECATEGORYAREASNEARASPOSSIBLE,DIFFERENTTYPESOFSAMPLEAREASDISPERSEASPOSSIBLEINOTHERWORDS,AFTERTHEDIMENSIONREDUCTION,THESAMEPERSONFACEIMAGEAREASNEARASPOSSIBLE,THEDIFFERENTHUMANFACEIMAGEAREASFARASPOSSIBLETHEFUZZYTECHNOLOGYISUSEDINFUZZYLDATOOPTIMIZEFEATUREEXTRACTION,ITCANGETABETTERCLASSCENTERPOSITIONESTIMATEWITHUSINGMEMBERSHIPINFORMATIONTODESCRIBETHEDISTRIBUTIONINFORMATIONOFTHESAMPLETHEEXPERIMENTALRESULTSONYALEANDORLFACEDATABASESHOWTHATTHISALGORITHMHASHIGHRECOGNITIONRATEKEYWORDSFACERECOGNITIONPRINCIPALCOMPONENTANALYSISFUZZYLINEARDISCRIMINATEANALYSISEIGENFACE目录1绪论111人脸识别的研究背景和意义212人脸识别的发展史和应用3121发展历史及发展现状3122应用和分类413本文的主要内容与安排52人脸识别基础721人脸库7211YALE人脸库7212ORL人脸库822特征提取8221主成分分析9222线性辨别分析1023分类器设计133基于子空间分析的人脸识别方法1531基于PCA的特征脸算法1532基于LDA的FISHER脸算法1733基于FLDA的模糊线性判别分析算法184基于PCA和FLDA的人脸识别2041基于PCAFLDA的人脸识别算法2042实验仿真21421YALE人脸库21422ORL人脸库2443小结27结论28参考文献30致谢32附录源程序清单331绪论人脸在日常生活中发挥着重要作用，人类根据人脸进行身份识别和表情判断，完成日常的交际，人脸因此成为最重要和最自然的身份识别对象。人类有着与生俱来的自动识别人脸的能力，能在剧烈变化不确定因素影响下快速且准确的识别人脸，同时进行身份匹配和表情判断。身份识别与验证是人类日常活动中的基本活动之一。在目前的技术水平下，几乎全部的身份验证还依靠传统的物理验证方式来完成，主要包括身份证件、钥匙、密码等，但这些验证方式存在方便性、可靠性和安全性等问题，因而不能适应社会的发展和需求。因此我们需要更加方便、可靠、安全的身份验证方式。而生物特征识别技术的出现很好的解决了这一问题，近年来已经逐步成为重要场所必备的安检手段。与传统的身份验证方法相比，生物特征识别技术的优势在于生物特征是人类固有的特性，可以从根本上杜绝伪造和窃取的现象，从而满足了人类对于验证方式可靠性和安全性方面的需求。由于人脸识别对识别对象没有侵犯性，所以到目前为止是一种最有好的生物特征识别技术。人脸识别系统通过视频或静态图像来自动捕获和识别人脸，在生物特征认证、监控、安检、人机交互和多媒体监督等领域有着广泛的应用前景。人脸识别技术就是通过图像采集设备捕捉人类的脸部区域，然后把捕捉到的人脸图像和人脸数据库中的图像进行匹配分析，进而完成身份识别的任务。然而，开发一个能完全自动识别人脸的系统是十分困难的，实际环境中，采集人脸图像的过程会受到人脸姿态、光照条件、面部表情和脸部饰物等诸多不确定因素的影响。过去的几十年里，研究者尝试利用计算机模仿人类识别人脸能力，提出了许多人脸识别的有效算法。尽管已经取得很多进展，但到目前为止人脸识别仍然是一个难度很大的课题，识别算法只能在用户配合、条件理想、小规模的人脸库上取得较好的识别效果。人脸识别的评估报告表明多数人脸识别方法的最佳性能在人脸姿态，光照，表情和部分遮挡等因素变化时都会发生很大的退化，人脸识别因此成为图像处理，模式识别，人工智能和计算视觉等领域最活跃的研究课题之一，也是本文的主要研究探讨对象。11人脸识别的研究背景和意义人脸识别（FACERECOGNITION）是一种很重要的生物特征识别技术。所谓的生物特征识别技术是指通过对人类固有的特征进行自动的身份鉴别甄选技术。现阶段技术水平可依据的生理特征一般为手型、掌纹指纹、人脸、虹膜、耳廓、DNA等；可依据的行为特征如字迹、步态、语音等。目前，基于这些人类特征，已有相对应的生物识别技术，比如指纹识别、人脸识别、语音识别、虹膜识别、签名识别、步态识别等。在科技、人文高速发展的现今社会中，基于传统的物理性的身份标识方法如证件、钥匙、用户名、密码等，由于其易丢失、易遗忘、易造假、易冒充等问题，已经远不能满足人类的需求，现今的人类迫切需要一种快捷、有效并且安全的身份识别、标识方法。而基于生物特征识别的身份鉴定系统与传统的物理性身份鉴定手段相比，具有唯一性、安全性、可靠性、不易丢失、不易伪造等优点，因此正在逐步取代传统的身份鉴别方法，在信息安全、金融、交通、公共安全等领域得到了广泛的应用，并且对其识别技术、识别率等要求越来越高。在各种生物特征识别技术中，人脸识别技术更具有其独特的优势，主要有以下几个方面（1）隐蔽性强，可在一定距离之外，识别对象不知情的情况下完成识别过程，特别适用于安全监控系统。（2）非接触式操作，对识别对象没有侵犯性，可被大多数人接受，理论上来说是最友好的生物特征识别技术。（3）图像采集数据存储，成本低廉。（4）用户界面简单直接，相比较于文字等信息，图片信息更容易被人理解，交互性较强。（5）通过对人脸的表情，姿态，口型等分析，能获得较其他识别技术更多更难以获得的信息。由此可见，人脸识别技术已经逐渐成为最有发展潜力的生物特征识别技术，是当前的热门研究课题之一。并已在反恐，人事档案管理，视频监控，通行识别管理，人机交互等领域得到广泛应用，成为自动身份认证领域的主要研究方向。另外，对于人脸识别技术的研究也带动了多门相关学科的相互促进和相互发展。人脸识别作为典型的图像模式分析、理解与分类计算问题，其研究面跨越了模式识别、图像处理分析与理解、计算机视觉、人工智能、认知科学、人工神经网络、神经生理学、心理学等众多的学科领域，并为这些学科领域创造新方法、验证新理论和解释新现象提供了良好的应用平台。人脸识别技术的相关研究可以极大地促进这些相关学科领域的发展、创新和成熟，同时这些学科领域的成熟也反过来促进人脸识别技术中问题的解决和技术的革新。12人脸识别的发展史和应用121发展历史及发展现状人们从事人脸识别技术的研究历史比较悠久。最早在1888年，CALTON在NATURE上发表了一篇关于利用人脸进行身份鉴别的文章，对人类自身对面孔的识别能力进行了分析。人脸识别技术的研究从最开始需要人工干预、识别方法匮乏、识别率低下逐步发展到现在的自动化识别程度较高、识别方法算法丰富、识别率较高阶段，大致经过了三个发展阶段第一阶段为非自动识别阶段，以BERTILLON，ALLEN和PARKE为代表，主要研究如何提取人脸特征。1893年，BERTILLON用一个简单的语句与数据库中的某张人脸相连接，同时结合指纹分析，提供了一个完整的身份识别系统。ALLEN为待识别人脸提供了一种逼真的摹写方法。PARKE则用计算机实现了这一方法，生成出质量较高的人脸灰度图模型。这一阶段的工作模式特点是需要人工干预，识别过程完全依赖操作人员。第二阶段为人机交互阶段。1972年，GOLDSTION，HARMON等尝试利用几何特征表示人脸图像，他们用21维特征向量表征人脸的面部特征，并设计出基于这种表征方法的识别系统。KAYA和KOBAYSSHI则采用统计学方法，利用欧氏距离来表示人脸的面部特征，如嘴唇和鼻子间距，鼻子高度，两眼间距离等。TKANAD（MNAGAO）设计了一个有一定知识导引的半自动回溯识别系统，利用积分投影法从单张图像上提取计算出一组人脸特征参数，然后利用模式分类技术与标准人脸图像相匹配，相较于之前的识别系统，KANAD的系统实现了快速、实时地处理，这是一个很大的进步。BARON将人脸图像灰度归一化，再用四个掩模表示人脸，然后分别计算这四个掩模与数据库中每幅标准图像相互掩模之间的相互关系数，以此作为判别依据。这一阶段工作模式的特点是需要利用操作员的先验知识，仍然不能算作是一种完全自动的识别系统。第三阶段是真正的自动识别阶段。上个世纪90年代起，计算机、数字图象处理、模式识别等技术的发展和人类社会对人脸图像自动识别系统的迫切需求推动了人脸识别技术的突破，多种基于计算机的全自动人脸识别系统开始问世。1996年，美国军方组织了一个人脸自动识别系统大赛，勒克菲勒大学的FACEIT系统获得冠军。在这之后，美国LAU公司研制出一个人脸图像自动识别系统，这个系统是一个以正常人眼辨别其他人脸的原理，基于生物测量学、人像复原技术而开发的装置，利用人脸的1242个特征点，对人群中待寻找的人进行定量定性的识别，并已应用在机场、车站等公共场所和重点控制地区。现今，随着社会需求的提高，人脸识别引起了各个科研机构的重点关注，并将研究成果转化为实用产品。比如VISIONNICS公司的FACEIT人脸识别系统，MICROSOFT公司的TRUEFACE系统，和ZNBOCHUMGMBH公司的ZNFACE系统等。国际上很多公司和研究机构如德国COGNITECSYSTEMGMBH、美国IDENTIXINC、VIISAGE及NEVENVISION、韩国三星、日本东芝、麻省理工学院、密西根州立大学、卡耐基梅隆大学、耶鲁大学、新泽西理工学院、休斯敦大学等正在对人脸自动识别技术做更加深入的研究。国内对人脸自动识别技术的研究起始于上世纪80年代，相对起步较晚，但清华大学、北京大学、复旦大学、哈尔滨工业大学、北京科技大学、中科院自动化所、中科院计算所等研究单位的研究已经取得了可喜成果，以清华大学智能图文信息处理研究室研制的THID人脸识别系统为代表，该系统的测试结果位于国际领先水平。122应用和分类随着人脸识别技术的不断发展和应用领域的拓宽，人脸识别技术在多个领域的发展前景已经逐渐越来越广泛。反过来也正是越来越多领域对人脸识别技术的应用和需求愈加增长，大力推动了人脸识别技术的发展速度。归纳起来，人脸识别技术的应用主要分为以下几类人脸验证人脸验证是一种身份验证手段，指利用人脸识别技术来验证某个人是否确实是他（她）所声称的那个人。具体来说大多应用在机场、海关或一些保密部门及出入口控制等场所用以替代或辅助证件验证来甄别出入人员的身份、证件等的真实性。人脸辨别人脸辨别主要是应用人脸识别技术来辨别未知身份人员的真实身份。大多应用在公共安全领域如公安系统中对嫌疑犯、被害人等的身份进行鉴定；银行、公司等公共场合发生非法分子闯入或异常状况时先通过视频监控采集人脸图像，再利用人脸识别技术与数据库进行对比，确定闯入者身份。视频监视在视频监视系统中，人脸识别系统的任务目标是在人群中筛选出特定目标并实行跟踪监控，这是一个典型的动态匹配过程。主要应用于国家安全、公安布防以及机场、海关等反恐监控系统中。视频监视系统采集的人脸经过相关处理后与数据库对比，若发现目标人物或危险个体则发出警报，这与人脸辨别有些类似，都是先采集人脸图像，然后与数据库中人脸图像进行一对多的对比匹配，最终确定待测人脸的身份归属。随着人脸识别技术的不断发展和创新，人脸识别的应用领域将会更加的广阔。民用市场有很大的可能成为人脸识别技术发展的最有力的支持。如果防盗门采用人脸识别系统来验证户主身份，人们将告别钥匙；签证、身份证等如果采用电子证件，人脸识别将会是必不可少的应用之一；我国每年仅高考考生就近千万，如果考生验证系统采用人脸识别而不是传统的纸张验证，无论从安全、快捷、环保等任何一个角度来看都是一个极大的进步，届时这个巨大的市场也将大大促进人脸识别技术的发展。13本文的主要内容与安排人脸识别技术的算法多种多样，足够高的识别率是最重要的指标。本文中，主要采用主成分分析（即PCA）和模糊线性判别分析（即FLDA）两种算法结合设计一个人脸识别算法。先使用特征脸方法（PCA）将人脸图像的原始数据投影到特征脸空间进行降维，接下来使用FISHER脸方法（LDA），从特征空间里提取最具判别能力的低维特征，达到进一步降维的作用，最后引入模糊技术改进原始的线性判别分析方法，能更有效的提取判别能力高的、对识别过程有正面效果的信息，尽量消除因训练图像中由于光照、姿势等变化引起的识别性能退化。本文主要内容如下第一章，绪论。主要介绍了本设计的研究背景和立题意义，人脸识别技术在国内外的发展史、发展现状，人脸识别技术主要的应用领域及应用分类。第二章，人脸识别基础知识。由于人脸识别算法的测试都是在公开的基准数据库上进行，所以在前面首先介绍了有关人脸库的基础知识，并介绍了几个目前学术界较流行的测试用人脸基准数据库。然后介绍了人脸图像的特征提取方法的基础知识以及分类器的设计理念和选用的分类方法。第三章，人脸识别算法介绍及比较。本章介绍了基于主成分分析（PCA）的特征脸算法、基于线性判别分析（LDA）的FISHER脸算法和基于模糊线性判别分析（FLDA）的算法。第四章，人脸识别算法设计及仿真。本章主要介绍PCAFLDA算法，并与PCALDA算法进行比较。应用MALTAB软件编写程序进行人脸识别算法设计的实现，并在YALE人脸库和ORL人脸库中进行实验仿真，求出识别率，绘制识别率曲线。总结此算法的特点。最后是对全文工作的总结。2人脸识别基础21人脸库在人脸识别技术的研究中，必不可少的资源之一是人脸数据库。任何一个人脸识别系统的设计成形都需要经过测试、仿真或实验过程，在这个测试的过程中就需要用到包含一定数量人脸图像的数据库来生成人脸识别系统的训练集和测试集。所以人脸数据库的存在对人脸识别算法的设计、测试、识别率求取和系统性能评估有重大的意义。按照目前人脸识别技术的水平来看，一个可以应用在任何环境、在任何可能出现的非正常情况下都能准确无误进行识别的人脸识别系统是不可能存在的，由此，所有的人脸数据库都会附加一些约束条件，比如光照强度、光照方向、表情变化、姿态变化、脸部饰品、人脸尺寸等都受到一定的限制，这些人脸数据库复杂度的高低又影响了对算法性能的评估结果。所以人脸数据库的选择至关重要。下面将介绍几个目前人脸识别实验测试中常用的典型人脸库。211YALE人脸库YALE人脸库是人脸识别中很流行的测试数据库，由美国耶鲁大学计算视觉与控制中心创建，包含15位志愿者的165张脸部灰度图像，每人11张图像，包含各种表情、光照下的图像，并且包含眼镜等遮挡正面人脸图像。所有的图像都在不同的光照和表情下正面拍摄的，主要包括正面光照，左侧光照，右侧光照，戴眼镜，不戴眼镜，高兴，面无表情，悲伤，困倦，吃惊，和眨眼等变化。YALE人脸库的主要特点就是光照变化很明显，且有面部眼镜遮掩，主要用来测试当前光照和表情变化时，识别算法的性能。图21YALE人脸库中的光照变化图21给出了YALE人脸库最大的特点，光照变化的示例，这是YALE人脸数据库中一位志愿者的部分人脸图像，这三张图像分别是在正面光照、左侧光照和右侧光照三种约束条件下拍摄的，代表了数据库中人脸图像的光照变化情况。212ORL人脸库ORL人脸库又被称为AT,21,一幅图像投影完，可形成一个向量，其中，这个12,TNNME1,2向量就是原始图像在特征空间中的表示，每个分量都代表对应的特征脸在表征这幅图像中的重要度。识别过程中，遇到的新图像，按37式投影到特征空间37MKUQTKN,21,投影完后形成向量即是该图像在特征空间中的表示。按照式38计12,TM算新图像和训练集中图像的距离382NN其中。如果特别小，说明新图像和训练集中图像最相似，即可1,2NMII认为图像和是同属于一个人的图像。I给训练集设定一个阈值，若存在使得成立，则可以继续判断图1IMI像隶属于训练集中哪个人，若所有的都大于，则判定图像不属于人脸库中I任何一人。32基于LDA的FISHER脸算法FISHER脸算法目的是寻求一个线性变换W，使图像在该变换作用下投影到特征子空间，同一个人的所有图像尽可能的聚集在一起，不同人的图像尽可能分开。换言之，就是寻找一个投影空间，使得训练图像投影到该空间后类间散度和类内散度比值最大。记训练集合包含了C个人脸N张脸部1212,CNGXX图像，则其类间散度矩阵和类内散度矩阵如下BSWS391CTIIINM3101KICTWKIXXSX式中,为第I类训练样本总个数，是第I类均值，M是所有样本均值。如果INI是非奇异的，那么LDA算法准则函数为WS31112ARGXTBOPTPWWSW其中是与和的前P个最大广义特征值对应的广义特征向量，1,2IWPBSWI即有312PIWIIB,21,广义特征值个数最多C1个，其中C是训练集中类别数。识别阶段，将测试集中的图像X按式313投影到特征空间313TOPTWXM按照式314计算新图像和训练集中图像的距离3142IIY其中。如果最小，说明测试图像X和训练图像最相近，可认为图像1,2INIIXX和同属一人。I33基于FLDA的模糊线性判别分析算法在图像处理领域，大多问题都存在着固有的不确定性，基于这一问题，很多的课题研究都利用模糊技术来尽量消除这些不确定因素。尤其人脸图像由于受到环境条件的影响较大，其表观都会发生不同程度的变化。如果在最开始的特征提取过程中就考虑到这些不确定因素并加以量化，那么算法的性能就会有一定的提高。KEUNCHANGKWAK等提出模糊线性判别（FLDA）方法，引入模糊技术改进了原始的LDA线性判别分析方法，FLDA方法能更加有效的提取对识别有用的信息。训练样本的隶属度信息描述了样本的分布信息，较好的反应训练图像中由于光照、姿态等不确定因素引起的变化。记训练集，共包含CNXXX,2121C个人的N幅脸部图像。应用K近邻方法计算训练集中所有样本的隶属度矩阵，其中表示第J幅图像属于第I个人的隶属度。CIJUUJCIUJ,21根据模糊集约束，隶属度要满足如下两个条件IJ315NJICIJUU110,K近邻方法计算隶属度过程如下首先计算训练集中任意两个样本间距离，然后记录每个样本附近与该样本最邻近的K个样本的类别信息，最后可根据式316计算第J个样本属于第I类的隶属度316IJIJIJIJXXKNU,/49051其中，是第J个样本K个最邻近点中属于第I类的样本个数。不难验证，如此计IJN算得到的满足式315中两个约束条件。IJU得到样本隶属度后，就可以计算模糊线性判别分析的投影矩阵了，利用最优投影矩阵将训练样本投影至子空间中，可以得到人脸在FISHER准则下的最优表示。首先计算所有训练样本的均值M317NJX1再利用得到的隶属度重新计算每个人人脸向量的均值，即每一类的中心IM318CIUXMNJIJJII,21,1接下来计算模糊类间散度矩阵和模糊类内散度矩阵BSWS319CITIIIMN1320CIWCIXXTIKIKWIIKSXS11则根据FISHER准则可以得到最优投影矩阵321VSTRACEVSVVBTWTVWTBPOPT121MXGAXRG,其中，是与矩阵和的广义特征值相对应的广义特征向量。IVBSWI4基于PCA和FLDA的人脸识别41基于PCAFLDA的人脸识别算法综合第三章提到的三种人脸识别算法，不难发现，FLDA算法具有最好的分类效果，但FLDA算法存在两个不可避免的问题第一是由于人脸图像的高维数产生的计算复杂问题；第二是奇异。针对这两个问题，本文采用先使用PCA方法对WS人脸空间进行降维的方法来解决。具体步骤如下1应用主成分分析（PCA）方法对人脸空间进行特征提取（同时降维）后投影到特征脸空间。2应用模糊线性判别分析（FLDA）方法在特征脸空间中线性分类，计算出最优投影矩阵。需要注意的是，第一步PCA对人脸空间降维过程中，特征脸空间的维数要谨慎选择，维数选择得当则可以解决奇异的问题，同时保证降维后的特征脸空间尽可WS能保留了原始图像空间的线性可分性。本文在PCA降维处理后的特征脸空间中选取FLDA作为分类算法而不是LDA，其主要原因是FLDA方法引入了模糊技术，利用样本隶属度信息对类中心重新计算，能得到较LDA方法更好的类中心估计，反映在图像上就是能更好的描述训练图像由于光照等不确定因素引起的变化，提高了整体算法的识别率。由此可见，PCAFLDA的人脸识别算法是一种比较优秀的算法，它既包含了PCA算法能在均方误差最小情况下对原始图像进行降维重构的优点，又包含了FLDA算法优秀的分类识别能力。显著的提高了识别算法的识别准确率和计算效率。整体算法结构图如下图所示显示识别结果训练图像测试图像随机读取图像PCA特征提取FLDA线性分类欧氏距离分类图41PCAFLDA算法结构图42实验仿真由于图像的本质就是由若干像素点排列成点阵，因此图像处理可以等同于矩阵计算。而MATLAB众所周知拥有强大的矩阵计算能力，所以本设计实验平台选用了MATLAB，人脸数据库则选用YALE和ORL两个常用人脸库。实验时在人脸数据库中随机抽取训练集样本与测试集样本，并在同等条件下进行多次重复实验，最后计算识别率并绘制曲线图。421YALE人脸库YALE人脸库包含15位志愿者共165张人脸图像，每人11张灰度图像，包含各种表情、光照下的图像，并且包含眼镜等遮挡正面人脸图像。YALE人脸库主要特点是光照的变化明显。测试过程如下（1）按人脸库路径读取全部人脸图像，并用矩阵形式存储在数据库中；（2）从全部人脸图像中随机抽取每人6张，共计90张图像作为训练集。剩下的每人5张，共计75张图像为测试样本；（3）利用主成分分析方法（PCA）对人脸图像进行降维处理，提取特征信息，投影到子空间生成特征脸空间，如图42所示图42特征值278E07的特征脸（4）在经过PCA方法降维处理后的特征脸空间上应用奇异值分解（SVD）和FLDA算法计算出新的最优投影矩阵。OPTV（5）将全部图像向最优投影矩阵上投影，得到识别特征，然后利用最近邻T准则判别分析完成人脸识别过程。随机抽取测试集待测人脸图像如下图所示图43测试集第7张人脸图像程序运行结果显示训练集中与图43最相似人脸图像如下图图44训练集中与图43最相似人脸图像（6）相同条件下重复实验50次，求出PCAFLDA算法下的平均识别率和方差，绘制识别率曲线图。平均识别率MEANPRECISIONFLDA969600方差STDPRECISIONFLDA15437识别曲线如图45所示图45YALE上识别率曲线图图45中，横坐标表示实验次数，纵坐标表示识别率百分比。422ORL人脸库ORL人脸库又被称为ATCLCTHEINFORMATIONONTHETRAININGANDTESTINGDATASETSARESPECIFIEDASBELOWYALEDBASEINFOINPUTFILEYALEWHOLETXTDBASEINFOTOTALALLIMAGES165DBASEINFONOINDIVIDUAL15DBASEINFOIMAGESPERINDIVIDUAL11DBASEINFOROW231DBASEINFOCOL195TRAININGDATABASEINFORMATIONDBASEINFOVISUAL_SWITCH0DBASEINFOSIZETRAIN6DBASEINFOSIZETESTDBASEINFOIMAGESPERINDIVIDUALDBASEINFOSIZETRAINDBASEINFOMEIG40DBASEINFONOINDIVIDUALDBASEINFOSIZETRAINDBASEINFONOINDIVIDUALRANKSWNCDBASEINFOMFISHERDBASEINFONOINDIVIDUAL1RANKSBC1DBASEINFOK_NEIGHBOR30READINGIMAGEALLFIDFOPENDBASEINFOINPUTFILE,RDISPLAYREADALLIMAGESALLIMAGESZEROSDBASEINFOROWDBASEINFOCOL,DBASEINFOTOTALALLIMAGESFORJ1DBASEINFOTOTALALLIMAGESIMAGENAMEFGETLALLFIDTEMPIMAGEDOUBLEIMREADIMAGENAMEALLIMAGES,JRESHAPETEMPIMAGE,DBASEINFOROWDBASEINFOCOL,1ENDCLEARTEMPIMAGEDISPLAYDONEFCLOSEALLFIDSIMULATIONFORKTHTIMESSIMUTIME50PRECISIONLDAZEROSSIMUTIME,1PRECISIONFLDAZEROSSIMUTIME,1FORT1SIMUTIMESIMULATIONONKTHTIMESDISPLAYTDISPLAYGENERATINGRANDOMTRAININGANDTESTINGDATASETTRAINIMAGES,TESTIMAGESRANDGENDATASETDBASEINFO,ALLIMAGESDISPLAYDONELDADRIMAGES,EIGENINFOPCADRTRAINIMAGES,DBASEINFOWOPT1LDADBASEINFO,DRIMAGESPRECISIONLDAT,1RECOGNIZEDBASEINFO,DRIMAGES,TESTIMAGES,EIGENINFO,WOPT1FLDAMEMBERSHIPFKNNDRIMAGES,DBASEINFOWOPT2FFLDDBASEINFO,DRIMAGES,MEMBERSHIPPRECISIONFLDAT,1RECOGNIZEDBASEINFO,DRIMAGES,TESTIMAGES,EIGENINFO,WOPT2ENDMEAN_LDAMEANPRECISIONLDASTD_LDASTDPRECISIONLDAMEAN_FLDAMEANPRECISIONFLDASTD_FLDASTDPRECISIONFLDASHOWRESULTT1SIMUTIMEFIGUREPLOTT,PRECISIONLDA,BD,LINEWIDTH,1,MARKEREDGECOLOR,K,MARKERFACECOLOR,G,MARKERSIZE,5HOLDONPLOTT,PRECISIONFLDA,RO,LINEWIDTH,1,MARKEREDGECOLOR,K,MARKERFACECOLOR,M,MARKERSIZE,5XLIM1SIMUTIMEYLIM70100GRIDONTITLEFLDAONORLXLABELEPOCHSYLABELPRECISIONLEGENDPRECISIONLDA,PRECISIONFLDAFUNCTIONTRAINIMAGES,TESTIMAGESRANDGENDATASETDBASEINFO,ALLIMAGESGENERATERANDOMTRAINDATASIZETRAINDBASEINFOSIZETRAINIMAGENOZEROSDBASEINFONOINDIVIDUAL,DBASEINFOIMAGESPERINDIVIDUALFORI1DBASEINFONOINDIVIDUALIMAGENOI,RANDPERMDBASEINFOIMAGESPERINDIVIDUALPAYATTENTIONTOTHERANDOMICITYENDIMAGENOSORTIMAGENO,1SIZETRAIN,2GETTINGALLINDEXFORTRAININGDATASETCOUNT0XTRZEROS1,SIZETRAINDBASEINFONOINDIVIDUALFORS1DBASEINFONOINDIVIDUALFORJ1SIZETRAINCOUNTCOUNT1XTRCOUNTDBASEINFOIMAGESPERINDIVIDUALS1IMAGENOS,JENDENDALLOCATINGIMAGESINTOTRAININGANDTESTINGDATASETSXX1ALLIMAGESATTENTIONTRAINIMAGESALLIMAGES,XTRXX1,XTRTESTIMAGESXX1CLEARXX1DISPLAYTHETRAINIMAGESANDTESTIMAGESVISUAL_SWITCHDBASEINFOVISUAL_SWITCHIFVISUAL_SWITCH1FIGUREFORS1DBASEINFONOINDIVIDUALFORJ1SIZETRAINTEMPIMAGETRAINIMAGES,S1SIZETRAINJTEMPIMAGEUINT8RESHAPETEMPIMAGE,DBASEINFOROW,DBASEINFOCOLSUBPLOT3,4,JIMSHOWTEMPIMAGETITLETRAININGFACE,NUM2STRS,ENDFORK1DBASEINFOSIZETESTTEMPIMAGETESTIMAGES,S1DBASEINFOSIZETESTKTEMPIMAGEUINT8RESHAPETEMPIMAGE,DBASEINFOROW,DBASEINFOCOLSUBPLOT3,4,KSIZETRAINIMSHOWTEMPIMAGETITLETESTINGFACE,NUM2STRS,ENDPAUSEENDENDFUNCTIONDRIMAGES,EIGENINFOPCADRTRAINIMAGES,DBASEINFOGETCOMPRESSEDIMAGESDRIMAGESBYPCACALCULATETHEMEANIMAGEOFTRAINIMAGESRW,TRAINIMAGESTOTALSIZETRAINIMAGESEIGENINFOMEANIMAGESUMTRAINIMAGES,2/TRAINIMAGESTOTALIMAGESCENTEREDZEROSRW,TRAINIMAGESTOTALFORI1TRAINIMAGESTOTALIMAGESCENTERED,ITRAINIMAGES,IEIGENINFOMEANIMAGEENDCALCULATETHEEIGENVECTORSANDEIGENVALUESCOVIMAGESCENTEREDIMAGESCENTERED/TRAINIMAGESTOTALVEC,VALS,ESVDCOVCALAULATEEIGENFACEEIGENINFOEIGENFACEIMAGESCENTEREDVEC,1DBASEINFOMEIGDRIMAGESEIGENINFOEIGENFACEIMAGESCENTEREDFUNCTIONWOPTLDADBASEINFO,DRIMAGESCOMPUTETHEPROJECTMATRIXOFLDARW,CLSIZEDRIMAGESMEANSUMDRIMAGES,2/CLMEANREPMATMEAN,1,DBASEINFONOINDIVIDUALC_MEANZEROSRW,DBASEINFONOINDIVIDUALFORI1DBASEINFONOINDIVIDUALHEADI1DBASEINFOSIZETRAIN1TAILIDBASEINFOSIZETRAINC_MEAN,ISUMDRIMAGES,HEADTAIL,2/DBASEINFOSIZETRAINENDSBDBASEINFOSIZETRAINC_MEANMEANC_MEANMEANDRIMAGESCENTEREDZEROSRW,CLFORI1CLJCEILI/DBASEINFOSIZETRAINDRIMAGESCENTERED,IDRIMAGES,IC_MEAN,JENDSWDRIMAGESCENTEREDDRIMAGESCENTEREDVECTOR,VALUEEIGPINVSWSBVALUEDIAGVALUEVALUE,INDEXSORTABSVALUE,DESCENDVECTORVECTOR,INDEXWOPTVECTOR,1DBASEINFOMFISHERFUNCTIONMEMBERSHIPFKNNDRIMAGES,DBASEINFOCOMPUTETHEMEMBERSHIPDEGREEFOREVERYTRAINIMAGERW,CLSIZEDRIMAGESDISTANCEZEROSCL,CLFORI1CLFORJ1CLDISTANCEI,JNORMDRIMAGES,IDRIMAGES,JENDENDFORI1CLDISTANCEI,IINFENDDISTANCE,INDEXSORTDISTANCEINDEXINDEX1DBASEINFOK_NEIGHBOR,COUNTERZEROSDBASEINFONOINDIVIDUAL,CLFORI1CLCLASSCEILINDEX,I/DBASEINFOSIZETRAINFORJ1DBASEINFOK_NEIGHBORCOUNTERCLASSJ,ICOUNTERCLASSJ,I1ENDENDMEMBERSHIPZEROSDBASEINFONOINDIVIDUAL,CLFORI1CLTEMPCEILI/DBASEINFOSIZETRAINFORJ1DBASEINFONOINDIVIDUALIFJTEMPMEMBERSHIPJ,I051049COUNTERJ,I/DBASEINFOK_NEIGHBORELSEMEMBERSHIPJ,I049COUNTERJ,I/DBASEINFOK_NEIGHBORENDENDENDFUNCTIONWOPTFFLDDBASEINFO,DRIMAGES,MEMBERSHIPCOMPUTETHEPROJECTMATRIXOFFFLDRW,CLSIZEDRIMAGESMEANSUMDRIMAGES,2/CLMEANREPMATMEAN,1,DBASEINFONOINDIVIDUALC_MEANZEROSRW,DBASEINFONOINDIVIDUALFORI1DBASEINFONOINDIVIDUALTEMPSUMMEMBERSHIPI,C_MEAN,IDRIMAGESMEMBERSHIPI,C_MEAN,IC_MEAN,I/TEMPENDSFBDBASEINFOSIZETRAINC_MEANMEANC_MEANMEANDRIMAGESCENTEREDZEROSRW,CLFORI1CLJCEILI/DBASEINFOSIZETRAINDRIMAGESCENTERED,IDRIMAGES,IC_MEAN,JENDSFWDRIMAGESCENTEREDDRIMAGESCENTEREDVECTOR,VALUEEIGPINVSFWSFBVALUEDIAGVALUEVALUE,INDEXSORTABSVALUE,DESCENDVECTORVECTOR,INDEXWOPTVECTOR,1DBASEINFOMFISHERFUNCTIONPRECISIONRECOGNIZEDBASEINFO,DRIMAGES,TESTIMAGES,EIGENINFO,WOPTTHISFUNCTIONWILLCALCULATETHEPRECISIONSTATISTICSONAGIVENDATABASENCORRECT0PROJTRAINWOPTDRIMAGESTESTINGEACHOFTHETESTIMAGESRW,TESTIMAGESTOTALSIZETESTIMAGESRW,TRAINIMAGESTOTALSIZEPROJTRAINFORI1TESTIMAGESTOTALCENTERTHETESTIMAGEANDPROJECTINTOFACESPACEMEANTESTTESTIMAGES,IEIGENINFOMEANIMAGEPROJTESTWOPTEIGENINFOEIGENFACEMEANTESTDISTZEROS1,TRAINIMAGESTOTALFORJ1TRAINIMAGESTOTALTESTPROJTRAIN,JPROJTESTDISTJNORMTESTENDPREVBEST,MATCHMINDISTCOUNTERTMPCEILI/DBASEINFOSIZETESTMATCH2CEILMATCH/DBASEINFOSIZETRAINIFMATCH2COUNTERTMPNCORRECTNCORRECT1ENDENDPRECISIONNCORRECT/TESTIMAGESTOTAL100在ORL人脸库中CLEARALLCLCTHEINFORMATIONONTHETRAININGANDTESTINGDATASETSARESPECIFIEDASBELOWORLDBASEINFOINPUTFILEORLWHOLETXTDBASEINFOTOTALALLIMAGES400DBASEINFONOINDIVIDUAL40DBASEINFOIMAGESPERINDIVIDUAL10DBASEINFOROW112DBASEINFOCOL92TRAININGDATABASEINFORMATIONDBASEINFOVISUAL_SWITCH0DBASEINFOSIZETRAIN6DBASEINFOSIZETESTDBASEINFOIMAGESPERINDIVIDUALDBASEINFOSIZETRAINDBASEINFOMEIGDBASEINFONOINDIVIDUALDBASEINFOSIZETRAINDBASEINFONOINDIVIDUALRANKSWNCDBASEINFOMFISHERDBASEINFONOINDIVIDUAL1RANKSBC1DBASEINFOK_NEIGHBOR80READINGIMAGEALLFIDFOPENDBASEINFOINPUTFILE,RDISPLAYREADALLIMAGESALLIMAGESZEROSDBASEINFOROWDBASEINFOCOL,DBASEINFOTOTALALLIMAGESFORJ1DBASEINFOTOTALALLIMAGESIMAGENAMEFGETLALLFIDTEMPIMAGEDOUBLEIMREADIMAGENAMEALLIMAGES,JRESHAPETEMPIMAGE,DBASEINFOROWDBASEINFOCOL,1ENDCLEARTEMPIMAGEDISPLAYDONEFCLOSEALLFIDSIMULATIONFORKTHTIMESSIMUTIME50PRECISIONLDAZEROSSIMUTIME,1PRECISIONFLDAZEROSSIMUTIME,1FORT1SIMUTIMESIMULATIONONKTHTIMESDISPLAYTDISPLAYGENERATINGRANDOMTRAININGANDTESTINGDATASETTRAINIMAGES,TESTIMAGESRANDGENDATASETDBASEINFO,ALLIMAGESDISPLAYDONELDADRIMAGES,EIGENINFOPCADRTRAINIMAGES,DBASE