最近邻法-人脸识别-实验报告

1、2021年年7月月 姓名：龚鼎盛 学号：2013021497 专业：电子与通信工程 图像预处理图像预处理 特征提取特征提取 分类器设计分类器设计 分类识别分类识别 本次试验报告，介绍了人脸识别 方法分类器的设计。 主要是设计最近邻分类器，并用 来进行人脸分类识别，并对分类 器实验结果做出分析。 实验主要步骤：首先对图像预处理，转换 成向量，再通过PCA算法对ORL人脸数据 库图像进行降维特征提取，再利用最近邻 分类方法对特征向量进行分类识别，寻找 和待识别图片最为接近的训练样本图片。 最后在matlab上进行实验仿真，分析实验 结果。 由于人脸图像受很多因素的影响，从而造 成同一个人的脸相矩阵

2、差异也很大。因此， 进行人脸识别的时候，所选取的特征必须 具有良好的稳定性和不变性。那么这里我 们选取主元分析法（PCA）作为实验特征 提取方法。 将人脸图像表示成一个列向量，经过PCA 变换后，不仅可以有效的降低维数，同时 又能保证所需要的识别信息。 主成分分析法是统计学中用来分析数据的 一种方法，它基于K-L正交分解，主要用于 特征的降维。 它的原理就是将一个高维向量，通过一个 特殊的特征向量矩阵，投影到一个低维的 向量，方便我们进行实验。 最后在获得有效的特征向量后，设计最近 邻分类器进行人脸识别。 人脸识别系统框图如下： 训练样本 预处理特征提取分类识别 人脸库 最近邻分类器 PCA

3、一、首先确定训练样本和测试样本，并对训 练样本进行预处理。 训练部分流程图： 训练样本PCA变换矩阵奇异值分解总体协方差矩阵样本矩阵 二、在ORL人脸库中选取10个人，每个人5幅 不同图像。其中1个人共5张图作为一组， 进行10组实验，例如下面的一组： 首先选取s1中5幅图作为训练样本，代表s1类。 对s1进行预处理，通过PCA算法进行降维 特征提取。 然后设计最近邻法分类器。 最近邻法的基本思想：以全部训练样本作 为“代表点”，计算测试样本与这些“代 表点”，即所有样本的距离（这里用欧式 距离作为度量）并以最近邻者的类别作为 决策。 这里就是计算训练样本s1_1、s1_2、s1_3、 s1_

4、4、s1_5与测试样本s1_1的欧氏距离， 用 代表距离（类别i、顺序j）。 ij R 本实验的样本集： 样本： 类别： 类别i=1,2.10; 样本j=1,2,3,4,5 例如计算第一组测试样本 （i=1；j=1， 2,3,4,5）与训练样本 的欧式距离 ： 5_101_105_11_1ssssSN ? jSi_ i S jSi_ 1_1S 1111 _SSR jj 比较 之间的大小； 判别函数： =min( ) 决策规则： 如果 =min( ) ,那么就将 判别为 类，并且读取该图片并显示出来。 j R 1 jSi_ i S ij R ij R ij R ij R 三、实验仿真 该实验采用了Matlab软件进行仿真，制作 一个GUI界面表现出来。 因为是利用了标准人脸库，并且识别的人 数不是很多，所以最终的结果还是非常不 错的，识别率可达100%。 随着训练样本的增加，识别率会有所提升， 由于自建人脸库的图片太少，即训练样本 太少，对结果也产生影响，效果不是很好。 本次程序