人脸相似度检测系统设计

目录摘要 III第1章绪论 -1-1.1人脸相似度检测技术的细节 -1-1.2人脸相似度检测技术的广泛应用 -1-1.3人脸相似度检测技术的难点 -2-1.4国内外研究状况 -2-1.5人脸相似度检测的研究内容 -3-1.5.1人脸相似度检测研究内容 -3-1.5.2人脸相似度检测系统的构成 -4-第2章人脸相似度检测措施 -6-2.1基于特性脸的措施 -6-2.2基于神经网络的措施 -6-2.3弹性图匹配法 -7-2.4基于模板匹配的措施 -7-2.5基于人脸特性的措施 -7-第3章基于主元分析法人脸相似度检测措施 -9-3.1引言 -9-3.2主成分分析 -9-3.3特性脸措施 -11-第4章仿真实验 -13-4.1流程图 -13-4.2仿真成果 -14-第5章总结与展望 -15-5.1总结 -15-5.2展望 -15-参照文献 -17-附录 -18-摘要人脸相似度检测是目前模式相似度检测领域的一种前沿课题，人脸相似度检测技术就是运用计算机技术，根据数据库的人脸图像，分析提取出有效的相似度检测信息，用来“辨认”身份的技术。本文简介了多种人脸相似度检测措施，基于对人脸相似度检测措施优缺陷的分析比较,提出了一种基于主元分析(PCA)的人脸相似度检测措施。通过PCA算法对人脸图像进行特性提取,再运用最邻近距离分类法对特性向量进行分类相似度检测。运用剑桥ORL的人脸数据库的数据进行实验仿真，仿真成果验证了本算法是有效的。核心词：人脸相似度检测，主元分析，近来邻距离分类法，人脸库TOC\o"1-3"\u第1章绪论人脸相似度检测是模式相似度检测研究的一种热点,它在身份鉴别、信用卡相似度检测,护照的核对及监控系统等方面有着广泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响,使得同一种人的脸像矩阵差别也比较大。因此,进行人脸相似度检测时,所选用的特性必须对上述因素具有一定的稳定性和不变性.主元分析(PCA)措施是一种有效的特性提取措施,将人脸图像表达到一种列向量,通过PCA变换后,不仅可以有效地减少其维数,同步又能保存所需要的相似度检测信息,这些信息对光照、表情以及姿态具有一定的不敏感性.在获得有效的特性向量后,核心问题是设计具有良好分类能力和鲁棒性的分类器.支持向量机(SVM)模式相似度检测措施,兼顾训练误差和泛化能力,在解决小样本、非线性及高维模式相似度检测问题中体现出许多特有的优势。1.1人脸相似度检测技术的细节一般来说，人脸相似度检测系统涉及图像提取、人脸定位、图形预解决、以及人脸相似度检测（身份确认或者身份查找）。系统输入一般是一张或者一系列具有未拟定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其输出则是一系列相似度得分，表白待相似度检测的人脸的身份。1.2人脸相似度检测技术的广泛应用一项技术的问世和发展与人类的迫切需求是密切有关的，迅速发展的社会经济和科学技术使得人类对安全(涉及人身安全、隐私保护等)得结识越来越注重。人脸相似度检测得一种重要应用就是人类的身份相似度检测。一般来说，人类得身份相似度检测方式分为三类:1.特性物品，涉及多种证件和凭证，如身份证、驾驶证、房门钥匙、印章等;2.特殊知识，涉及多种密码、口令和暗号等;3.人类生物特性，涉及多种人类得生理和行为特性，如人脸、指纹、手形、掌纹、虹膜、DNA、签名、语音等。前两类相似度检测方式属于老式的身份相似度检测技术，其特点是以便、快捷，但致命的缺陷是安全性差、易伪造、易窃取。特殊物品也许会丢失、偷盗和复制，特殊知识可以被遗忘、混淆和泄漏。相比较而言，由于生物特性使人的内在属性，具有很强的自身稳定性和个体差别性，因此生物特性是身份相似度检测的最抱负根据。基于以上相对独特的生物特性，结合计算机技术，发展了众多的基于人类生物特性的身份相似度检测技术，如DNA相似度检测技术、指纹相似度检测技术、虹膜相似度检测技术、语音相似度检测技术和人脸相似度检测技术等。生物相似度检测技术在上个世纪已有了一定得发展，其中指纹相似度检测技术已经趋近成熟，但人脸相似度检测技术的研究还处在起步阶段。指纹、虹膜、掌纹等相似度检测技术都需要被相似度检测者的配合，有的相似度检测技术还需要添置复杂昂贵的设备。人脸相似度检测可以运用已有的照片或是摄像头远距离捕获图像，无需特殊的采集设备，系统的成本低。并且自动人脸相似度检测可以在当事人毫无察觉的状况下完毕身份确认相似度检测工作，这对反恐怖活动有非常重要的意义。基于人脸相似度检测技术具有如此多的优势，因此它的应用前景非常广阔，已成为最具潜力的生物特性相似度检测技术之一。1.3人脸相似度检测技术的难点虽然人类可以毫不困难地根据人脸来辨别一种人，但是运用计算机进行完全自动的人脸相似度检测仍然有许多困难。人脸模式差别性使得人脸相似度检测成为一种非常困难的问题，表目前如下方面:1.人脸表情复杂，人脸具有多样的变化能力，人的脸上分布着五十多块面部肌肉，这些肌肉的运动导致不同面部表情的浮现，会导致人脸特性的明显变化。2.随着年龄而变化，随着年龄的增长，皱纹的浮现和面部肌肉的松弛使得人脸的构造和纹理都将发生变化。3.人脸有易变化的附加物，例如变化发型，留胡须，戴帽子或眼镜等饰物。4.人脸特性遮掩，人脸所有、部分遮掩将会导致错误相似度检测。5.人脸图像的畸变，由于光照、视角、摄取角度不同，也许导致图像的灰度。1.4国内外研究状况人脸相似度检测是人类视觉最杰出的能力之一。它的研究波及模式相似度检测、图像解决、生物学、心理学、认知科学，与基于其他生物特性的身份鉴别措施以及计算机人机感知交互领域均有密切联系。人脸相似度检测早在六七十年代就引起了研究者的强烈爱好。20世纪60年代，Bledsoe提出了人脸相似度检测的半自动系统模式与特性提取措施。70年代，美、英等发达国家开始注重人脸相似度检测的研究工作并获得进展。1972年，Harmon用交互人脸相似度检测措施在理论上与实践上进行了具体的论述。同年，Sakai设计了人脸图像自动相似度检测系统。80年代初T.Minami研究出了优于Sakai的人脸图像自动相似度检测系统。但初期的人脸相似度检测一般都需要人的某些先验知识，无法挣脱人的干预。进入九十年代，由于各方面对人脸相似度检测系统的迫切需求，人脸相似度检测的研究变的非常热门。人脸相似度检测的措施有了重大突破，进入了真正的机器自动相似度检测阶段，如Karhunen-Loève变换等或新的神经网络技术。人脸相似度检测研究得到了前所未有的注重，国际上刊登有关人脸相似度检测等方面的论文数量大幅度增长，仅从1990年到之间，SCI及EI可检索到的有关文献多达数千篇，这期间有关人脸相似度检测的综述也屡屡可见。国外有许多学校在研究人脸相似度检测技术，研究波及的领域很广。这些研究受到军方、警方及大公司的高度注重和资助，国内的某些出名院校也开始从事人脸相似度检测的研究。人脸相似度检测是目前模式相似度检测领域的一种前沿课题，但目前人脸相似度检测尚处在研究课题阶段，尚不是实用化领域的活跃课题。虽然人类可以毫不困难地由人脸辨别一种人，但运用计算机进行完全自动的人脸相似度检测存在许多困难，其表目前：人脸是非刚体，存在表情变化；人脸随年龄增长而变化；发型、眼镜等装饰对人脸导致遮挡；人脸所成图像受光照、成像角度、成像距离等影响。人脸相似度检测的困难还在于图像涉及大量的数据，输入的像素也许成百上千，每个像素都具有各自不同的灰度级，由此带来的计算的复杂度将会增长。既有的相似度检测措施中，通过从人脸图像中提取出特性信息，来对数据库进行检索的措施速度快，而运用拓扑属性图匹配来拟定匹配度的措施则相对较快。1.5人脸相似度检测的研究内容人脸相似度检测技术(AFR)就是运用计算机技术，根据数据库的人脸图像，分析提取出有效的相似度检测信息，用来“辨认”身份的技术。人脸相似度检测技术的研究始于六十年代末七十年代初，其研究领域波及图像解决、计算机视觉、模式相似度检测、计算机智能等领域，是随着着现代化计算机技术、数据库技术发展起来的综合交叉学科。1.5.1人脸相似度检测研究内容人脸相似度检测的研究范畴广义上来讲大体涉及如下五个方面的内容。1.人脸定位和检测(FaceDetection):即从动态的场景与复杂的背景中检测出人脸的存在并且拟定其位置，最后分离出来。这一任务重要受到光照、噪声、面部倾斜以及多种各样遮挡的影响。2.人脸表征(FaceRepresentation)(也称人脸特性提取):即采用某种表达措施来表达检测出人脸与数据库中的己知人脸。一般的表达措施涉及几何特性(如欧氏距离、曲率、角度)、代数特性(如矩阵特性向量)、固定特性模板等。3.人脸相似度检测(FaceRecognition):即将待相似度检测的人脸与数据库中已知人脸比较，得出有关信息。这一过程的核心是选择合适的人脸表征措施与匹配方略。4.表情姿态分析(Expression/GestureAnalysis):即看待相似度检测人脸的表情或姿态信息进行分析，并对其加以归类。5.生理分类(PhysicalClassification):即看待相似度检测人脸的生理特性进行分析，得出其年龄、性别等有关信息，或者从几幅有关的图像推导出但愿得到的人脸图像，如从父母图像推导出孩子脸部图像和基于年龄增长的人脸图像估算等。人脸相似度检测的研究内容，从生物特性技术的应用前景来分类，涉及如下两个方面:人脸验证与人脸相似度检测。1.人脸验证((FaceVerification/Authentication):即是回答“是不是某人?”的问题。它是给定一幅待相似度检测人脸图像，判断它与否是某人的问题，属于一对一的两类模式分类问题，重要用于安全系统的身份验证。2.人脸相似度检测（FaceRecognition):即是回答“是谁”的问题。它是给定一幅待相似度检测人脸图像，再己有的人脸数据库中，判断它的身份的问题。它是个“一对多”的多类模式分类问题，一般所说的人脸相似度检测即指此类问题，这也是本文的重要研究内容。1.5.2人脸相似度检测系统的构成在人脸相似度检测技术发展的几十年中，研究者们提出了多种多样的人脸相似度检测措施，但大部分的人脸相似度检测系统重要由三部分构成:图像预解决、特性提取和人脸的分类相似度检测。一种完整的自动人脸相似度检测系统还涉及人脸检测定位和数据库的组织等模块，如图1.1。其中人脸检测和人脸相似度检测是整个自动人脸相似度检测系统中非常重要的两个环节，并且相对独立。下面分别简介这两个环节。预解决预解决特性提取分类相似度检测人脸检测人脸库图1.1人脸相似度检测系统框图人脸检测与定位，检测图像中与否由人脸，若有，将其从背景中分割出来，并拟定其在图像中的位置。在某些可以控制拍摄条件的场合，如警察拍罪犯照片时将人脸限定在标尺内，此时人脸的定位很简朴。证件照背景简朴，定位比较容易。在另某些状况下，人脸在图像中的位置预先是未知的，例如在复杂背景下拍摄的照片，这时人脸的检测与定位将受如下因素的影响: 1.人脸在图像中的位置、角度、不固定尺寸以及光照的影响； 2.发型、眼睛、胡须以及人脸的表情变化等； 3.图像中的噪声等。特性提取与人脸相似度检测，特性提取之前一般都要做几何归一化和灰度归一化的工作。前者指根据人脸定位成果将图像中的人脸变化到同一位置和大小;后者是指对图像进行光照补偿等解决，以克服光照变化的影响，光照补偿可以一定限度的克服光照变化的影响而提高相似度检测率。提取出待相似度检测的人脸特性之后，即进行特性匹配。这个过程是一对多或者一对一的匹配过程，前者是拟定输入图像为图像库中的哪一种人(即人脸相似度检测)，后者是验证输入图像的人的身份与否属实(人脸验证)。以上两个环节的独立性很强。在许多特定场合下人脸的检测与定位相对比较容易，因此“特性提取与人脸相似度检测环节”得到了更广泛和进一步的研究。近几年随着人们越来越关怀多种复杂的情形下的人脸自动相似度检测系统以及多功能感知研究的兴起，人脸检测与定位才作为一种独立的模式相似度检测问题得到了较多的注重。本文重要研究人脸的特性提取与分类相似度检测的问题。已知人脸库已知人脸库PCA其她措施KPCALDA输入新图像特性提取特性提取分类器设计分类决策近来邻分类器SVM分类器图1.2人脸相似度检测构造图第2章人脸相似度检测措施虽然人脸相似度检测措施的分类原则也许有所不同，但是目前的研究重要有两个方向，一类是从人脸图像整体(HolisticApproaches)出发，基于图像的总体信息进行分类相似度检测，她重点考虑了模式的整体属性，其中较为出名的措施有:人工神经网络的措施、记录模式的措施等。另一类是基于提取人脸图像的几何特性参数(Feature-BasedApproaches)，例如眼、嘴和鼻子的特性，再按照某种距离准则进行分类相似度检测。这种措施非常有效，由于人脸不是刚体，有着复杂的表情，对其严格进行特性匹配会浮现困难。而分别简介某些常用的措施，前两种措施属于从图像的整体方面进行研究，后三种措施重要从提取图像的局部特性讲行研究。2.1基于特性脸的措施特性脸措施(eigenface)是从主元分析措施PCACPrincipalComponentAnalysis导出的一种人脸分析相似度检测措施，它根据一组人脸图像构造主元子空间，由于主元具有人脸的形状也称作特性脸。相似度检测时将测试图像投影到主元子空间上得到了一组投影系数，然后和各个己知人的人脸图像进行比较相似度检测，获得了较好的相似度检测效果。在此基本上浮现了诸多特性脸的改善算法。特性脸措施原理简朴、易于实现，它把人脸作为一种整体来解决，大大减少了相似度检测复杂度。但是特性脸措施忽视了人脸的个性差别，存在着一定的理论缺陷。研究表白:特性脸措施随光线角度及人脸尺寸的影响，相似度检测率会有所下降。2.2基于神经网络的措施神经网络在人脸相似度检测应用中有很长的历史。初期用于人脸相似度检测的神经网络重要是Kohonen自联想映射神经网络，用于人脸的“回忆”。所谓“回忆”是指当输入图像上的人脸受噪声污染严重或部分缺损时，能用Kohonen网络恢复出本来完整的人脸。Intrator等人用一种无监督/监督混合神经网络进行人脸相似度检测。其输入是原始图像的梯度图像，以此可以清除光照的变化。监督学习目的是寻找类的特性，有监督学习的目的是减少训练样本被错分的比例。这种网络提取的特性明显，相似度检测率高，如果用几种网络同步运算，求其平均，相似度检测效果还会提高。与其她类型的措施相比，神经网络措施在人脸相似度检测上有其独到的优势，它避免了复杂的特性提取工作，可以通过学习的过程获得其她措施难以实现的有关人脸相似度检测的规律和规则的隐性体现。此外，神经网络以时示方式解决信息，如果能用硬件实现，就能明显提高速度。神经网络措施除了用于人脸相似度检测外，还合用于性别相似度检测、种族相似度检测等。2.3弹性图匹配法弹性图匹配措施是一种基于动态链接构造DLACDynamicLinkArchitecture的措施。它将人脸用格状的稀疏图表达，图中的节点用图像位置的Gabor小波分解得到的特性向量标记，图的边用连接节点的距离向量标记。匹配时，一方面寻找与输入图像最相似的模型图，再对图中的每个节点位置进行最佳匹配，这样产生一种变形图，其节点逼近模型图的相应点的位置。弹性图匹配措施对光照、位移、旋转及尺度变化都敏感。此措施的重要缺陷是对每个存储的人脸需计算其模型图，计算量大，存储量大。为此，Wiskott在原有措施的基本上提出聚束图匹配，部分克服了这些缺陷。在聚束图中，所有节点都已经定位在相应目的上。对于大量数据库，这样可以大大减少相似度检测时间。此外，运用聚束图还可以匹配小同人的最相似特性，因此可以获得有关未知人的性别、胡须和眼镜等有关信息。2.4基于模板匹配的措施模板匹配法是一种典型的模式相似度检测措施，这种措施大多是用归一化和互有关，直接计算两副图像之间的匹配限度。由于这种措施规定两副图像上的目的要有相似的尺度、取向和光照条件，因此预解决要做尺度归一化和灰度归一化的工作。最简朴的人脸模板是将人脸当作一种椭圆，检测人脸也就是检测图像中的椭圆。另一种措施是将人脸用一组独立的小模板表达，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。但这些模板的获得必须运用各个特性的轮廓，而老式的基于边沿提取的措施很难获得较高的持续边沿。虽然获得了可靠度高的边沿，也很难从中自动提取所需的特性量。模板匹配措施在尺度、光照、旋转角度等多种条件稳定的状态下，它的相似度检测的效果优于其他措施，但它对光照、旋转和表情变化比较敏感，影响了它的直接使用。2.5基于人脸特性的措施人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正由于这些部件的形状、大小和构造上的多种差别才使得世界上每个人脸千差万别，因此对这些部件的形状和构造关系的几何描述，可以作为人脸相似度检测的重要特性。几何特性最早是用于人脸检测轮廓的描述与相似度检测，一方面根据检测轮廓曲线拟定若干明显点，并由这些明显点导出一组用于相似度检测的特性度量如距离、角度等。采用几何特性进行正面人脸相似度检测一般是通过提取人眼、口、鼻等重要特性点的位置和眼睛等重要器官的几何形状作为分类特性。定位眼睛往往是提取人脸几何特性的第一步。由于眼睛的对称性以及眼珠呈现为低灰度值的圆形，因此在人脸图像清晰端正的时候，眼睛的提取是比较容易的。但是如果人脸图像模糊，或者噪声诸多，则往往需要运用更多的信息(如眼睛和眉毛、鼻子的相对位置等)，并且这将使得眼睛的定位变得很复杂。并且实际图像中，部件未必轮廓分明，有时人用眼看也只是个大概，计算机提取就更成问题，因而导致描述同一种人的不同人脸时，其模型参数也许相差很大，而失去相似度检测意义。尽管如此，在对的提取部件以及表情变化微小的前提下，该措施仍然奏效，因此在许多方而仍可应用，如对原则身份证照片的应用。第3章PCA人脸相似度检测措施3.1引言人脸相似度检测技术是指当输入一张正面人脸图像时，相似度检测该照片属于人脸库的哪一种人。其可应用于会议入场系统、罪犯相似度检测及其他需要身份鉴别的场合。由于人脸图像是一种复杂的对象，并且人脸会随着表情、姿态、角度、光照的不同而呈现较大的不同，这些都增长了该问题的难度，使人脸相似度检测成为国际上的难点和热点。解决人脸相似度检测的措施层出不穷，如基于几何特性的措施、基于代数特性的措施等。主成分分析法(PCA)是把人脸图像当作高维向量，由于人脸图像的高度有关性，那么可以通过K-L正交变换将其转化为低维空间的向量，后者最大限度地保存了原数据的重要信息，是沿着其方差最大的方向求得的矢量。这样降维后的向量可以以便地用于模式相似度检测。相似度检测措施是最邻近距离分类法。3.2主成分分析主成分分析法是记录学中用来分析数据的一种措施，它基于KL分解。最早将其用于人脸相似度检测中的是Pentland，并由于它的有效不久流行起来。简朴地说，它的原理就是将一高维的向量，通过一种特殊的特性向量矩阵，投影到一种低维的向征的向量和这个特性向量矩阵，可以完全重构出所相应的本来的高维向量[11]。相应到人脸相似度检测中，有如下的论述:对于一幅的图像，将其列排列起来形成一种列向量v。假设人脸训练集中有p幅图像，则这p个列向量罗列起来形成一种(mxn)xp维的矩阵X。以x表达一幅图像的列向量。则训练样本集的总体散布矩阵为：（3-1）为对称阵，可进行如下分解：（3-2）对每一幅图像xi进行变换（即在特性空间中进行投影），则Y的协方差矩阵为：;故通过PCA变换清除了数据间的有关性，减小了冗余。达到了降维的目的。选用大的特性值，使总能量不小于90%，即将特性值按从大到小排序，为：，选用前k个特性值相应的特性向量，这叫做主成分。记主成分矩阵为，则样本在该特性空间上的投影为：（3-3）由前m个主轴决定的子空间能最大限度体现原始数据的变化，由于它在最小均方误差意义下是数据的最优体现。这样，对于要测试的人脸，将其在该子空间上投影，得到其坐标，和样本空间上各个人脸的坐标相比较，距离近来的即为该人脸的相似度检测成果。在对进行分解时，由于其维数很大，故借助于奇异值分解定理[12]。定理：设是一秩为r的n×r维矩阵，则存在两个正交矩阵：（3-4）（3-5）以及对角阵（3-6）且（3-7）满足（3-8）其中：为矩阵和的非零特性值，和分别为和相应于的特性向量。推论：（3-9）可构造矩阵，容易求出此矩阵的特性值和特性向量，那么应用以上的推论，即可得到所需的特性向量和特性值。所选用的特性向量构成了特性脸空间，这是一种降维的子空间，所有的人脸图像都可以在此空间上投影从而得到一组坐标系数，这组系数表白了该图像在子空间中的位置，从而可以作为人脸相似度检测的根据。任何一幅人脸图像都可以表达为这组特性脸的线性组合，其加权系数就是K-L变换的展开系数，也可以称为该图像的代数特性。3.3特性脸措施特性脸措施(Eigenface)是从主成分分析导出的一种人脸相似度检测和描述技术。PCA实质上是K-L展开的网络递推实现。K-L变换是图像压缩技术中的一种最优正交变换，其生成矩阵一般为训练样本的总体散布矩阵。特性脸措施就是将涉及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。相应其中较大特性值的基底具有与人脸相似的形状，因此又称为特性脸(Eigenface)。运用这些基底的线形组合可以描述，体现和逼近人脸图像，因此可以进行人脸的相似度检测与合成。相似度检测过程就是将人脸图像映射到由特性脸张成的子空间上，比较其与己知人脸在特性脸空间中的位置，具体环节如下：1.初始化，获得人脸图像的训练集并计算特性脸，定义为人脸空间；2.输入新的人脸图像，将其映射到特性脸空间，得到一组权值；3.通过检查图像与人脸空间的距离判断它与否为人脸；4.若为人脸，根据权值模式判断它与否为数据库中的某个人；5.若同一幅未知人脸浮现多次，则计算其特性权值模式并加入到人脸数据库中。任何模式相似度检测系统都涉及两个过程，一种是训练阶段((trainingprocess)，另一种是测试阶段(testingprocess)，应用PCA的人脸相似度检测系统也不例外。假定在训练阶段，数据库中有K个人，每个人有M幅人脸灰度图像，其中每一幅图像都用NXN的二维数组I(x,y)来表达，数组元素表达象素点的灰度值。同样，每一幅图像都可以视为N个2x1的向量。从一种特性集中选择有助于分类的特性子集的过程称为特性选择。经特性选择后特性空间的维数进一步得到压缩。特性选择也具有某些约束条件，如最小均方误差、总体熵最小化等。模式特性可以分为物理的、构造的和数字的三大类。本文中应用于鉴别研究的模式特性是数字特性，这是由于计算机抽取数字特性方面的能力远远超过于人，这些数字特性涉及记录平均值、方差、协方差矩阵、和特性值、特性向量以及矩等。特性提取所用的变换T就是基于K-L变换的PCA措施和Fishe：鉴别措施，而特性选择的约束条件就是最小均方误差。特性脸措施是一种简朴，迅速，实用的基于变换系数特性的算法，它存在如下长处：(1)图像的原始灰度数据直接用来学习和相似度检测，不需任何低档或中级解决：(2)不需要人脸的几何和反射知识；(3)通过低维子空间表达对数据进行压缩；(4)与其她匹配措施相比，相似度检测简朴有效。但是，由于特性脸措施在本质上依赖于训练集和测试集图像的灰度有关性，并且规定测试图像与训练集比较像，因此它有着很大的局限性，表目前如下方面；(5)对尺度变化很敏感，因此在相似度检测前必须先进行尺度归一化解决，并且由于PCA在图像空间是线形的，它不能解决几何变化；(6)只能解决正面人脸图像，在姿态，发型和光照等发生变化时相似度检测率明显下降；(7)规定背景单一，对于复杂变化背景，需一方面进行复杂的图像分割解决；第4章仿真实验训练样本测试模块分类成果测试样本PCA变换矩阵4.1流程图训练样本测试模块分类成果测试样本PCA变换矩阵图4.1整体流程图先拟定训练样本和测试样本，之后通过PCA变换矩阵达到降维的目的，投影到降维子空间中形成相应的坐标，最后用最邻近距离分类法进行相似度检测。训练样本总体散度矩阵去均值奇异值分解PCA变换矩阵训练样本总体散度矩阵去均值奇异值分解PCA变换矩阵图4.2训练部分流程图拟定训练样本，之后去均值，计算总体散度矩阵，运用奇异值分解后通过PCA变换矩阵达到降维的目的。4.2仿真成果实验在两个图库上测试，一种是自建人脸库，该库涉及10个不同人物，每人有5张不同表情和姿态下的图片，总共50幅。另一种是ORL人脸库，该库涉及40个不同人物，每人有10张图片，共400幅。用训练样本进行测试，辨认率为100%。而随着训练样本的增长，辨认率会有所提高，由于原则人脸库在采集时考虑了多种因素，人脸图像比较原则，因此辨认率较自建的人脸库辨认率高，此外由于自建人连库的图片太少，即训练样本太少，也会对成果产生影响，效果不是较好。进行直方图均衡化比灰度归一化的辨认率高，预解决对辨认的效果起着至关重要的作用。而本次实验的预解决还比较粗糙，PCA也只是起到了简朴的特性脸降维的作用，要有更好的效果，还必须寻找更好的特性体现，使得可以尽量消除光照、表情、遮掩和姿势的影响。下图为测试流程截图：图1顾客使用界面图2图片选择后图3查找后第5章总结与展望5.1总结本文以人脸相似度检测算法中特性提取、分类器设计作了系统的研究，在理论、措施和应用上进行了一系列摸索，所获得的重要成果总结如下:1.概述了人脸相似度检测技术应用的难点，发展与现状，研究内容与重要措施，及常用的人脸相似度检测原则数据库。2.论证了基于主分量分析和线性可分性分析的人脸相似度检测措施的优缺陷，分析了特性维数和训练样本个数对相似度检测性能的影响。PCA作为一种多元数据解决措施，它可以最优地体现原始数据，是满足最小均方误差意义下的最优，可以体现原始数据的变化。但作为分类来讲，我们需要的是能将数据分开的最优的方向，考虑到数据的非线性，也许不存在好的线性分类，故应改考虑核PCA措施，即KPCA。现将低维数据映射到高维特性空间中，在该特性空间中可以应用线性分类算法，这将是下一步要做的工作。5.2展望人脸相似度检测系统其实是台特殊的摄像机，判断速度相称快，只需要0.01秒左右，由于运用的是人体骨骼的相似度检测技术，因此虽然易容改装，也难以蒙过它的眼睛。并且“人脸相似度检测系统”具有存储功能，只要把某些具有潜在危险性的“重点人物”的“脸部特写”输入存储系统，重点人物如擅自闯关，就会在0.01秒之内被揪出来，同步向其她安保中心“报警”。此外，某些重要区域如控制中心只容许特定身份的工作人员进出，这时候面部档案信息未被系统存储的所有人全都会被拒之门外。与此前的指纹相似度检测系统相比，人脸相似度检测系统有诸多的改善。用于人脸相似度检测的摄像机一天24小时都可工作，第一它不侵犯人权，第二它是很安全的，无论室内还是户外均可使用。人脸相似度检测系统意味着每个人的脸上都贴着名字，外人看不见，但监控系统能看得见。并且被观测的人不懂得有设备在监视她，起到了科技奥运、文明奥运的功能。人脸的自动分割。人脸相似度检测技术应当涉及复杂背景下的人脸定位和纯脸分割,以及人脸相似度检测两个方面的工作。要想使人脸相似度检测技术得到广泛的发展和应用,一方面必须要解决人脸自动分割问题。而人脸的自动分割是一种很有挑战性的研究课题。基于代数特性的人脸相似度检测措施。它的有点在于应用简朴,算法稳健，随着新的分类算法的浮现,基于代数特性的人脸相似度检测措施仍然有很大的发展空间。基于多特性信息融合的措施。人脸面部的细节信息非常重要,对表情的相似度检测起着极其重要的作用,如何充足运用人脸自身的丰富信息将是面部表情相似度检测研究一种值得摸索的方向。基于多分类器融合的表情相似度检测措施，由于不同的分类器想对于不同的特性和环境有着不同的性能,研究一种良好的融合方略将是提高人脸相似度检测系统的一种较好的研究方向。参照文献[1]张莹,李勇平,敖新宇.基于主元分析法的通用人脸检测模块设计[J].

计算机工程与科学,,01:97-101.

[2]陈志恒,姜明新.基于主元分析法的人脸检测系统的设计[J].

电子设计工程,,10:182-185.

[3]陆珂.基于主元分析法的人脸检测与跟踪算法研究[D].华东理工大学,:16-18.

[4]赵黎.基于主元分析法的人脸检测系统设计与实现[J].

科技信息(科学教研),,18:351+403.

[5]肖贺.基于MFC的主元分析法视频人脸检测[D].北京邮电大学无线通信技术研究室,:2-3[6]HongZiquan.AlgebraicFeatureExtractionofImagforRecognition[J]PatternRecognition,1991.22（1）：43~44.[7]YuilleAL.DetectionTemplatesforFaceRecognition[J]CognitiveNeuroscience,1991.191~200[8]卢春雨,张长水.局域区域特性的迅速人脸检测法.[J]北京;清华大学学报.1999.96（1）;4~6.[9]陈刚,戚飞虎.实用人脸相似度检测系统的本征脸法实现.[D]5月.23(1):45~46.[10]杜平,徐大为,刘重庆.基于整体特性的人脸相似度检测措施的研究[J].6月.49（3）;382~383.[11]ChowG,LiX.TowardsASystemforAutomaticFacialFeatureDetection[J]1993.29(3);2~3.[12]杨奕若,王煦法,杨将来.人脸全局特性相似度检测研究.[Z]1997年11月.33(5):871~875.[13]边肇祺,张学工,阎平凡,等.模式相似度检测[D].北京:清华大学出版社,.30(2)16~17.[14]邓楠,基于主成分分析的人脸辨认..06.[15]龚勋,PCA与人脸辨认及其理论基本..04.附录matlab源码“读取图片”按钮functionpushbutton1_Callback(hObject,eventdata,handles)%hObjecthandletopushbutton1(seeGCBO)%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata(seeGUIDATA)%读取待查找图片globalim;%由于要在两个按钮函数中使用，故使用全局变量[filename,pathname]=...uigetfile({'*.bmp'},'选择图片');str=[pathname,filename];%合成途径+文献名im=imread(str);%读取图片axes(handles.axes1);%使用第一种axesimshow(im);title('待查找')%显示图片“开始查找”按钮functionpushbutton2_Callback(hObject,eventdata,handles)%hObjecthandletopushbutton2(seeGCBO)%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata(seeGUIDATA)%%PCA人脸辨认globalim;%使用全局变量imgdata=[];%训练图像矩阵fori=1:10forj=1:5a=imread(strcat('C:\Users\Think\Desktop\orl\practice\',num2str(i),'\',num2str(j),'.bmp'));b=a(1:112*92);%b是行矢量1×N，其中N＝10304b=double(b);imgdata=[imgdata;b];%imgdata是一种M*N矩阵，imgdata中每一行数据一张图片，M＝50end;end;imgdata=imgdata';%每一列为一张图片imgmean=mean(imgdata,2);%平均图片，N维列向量fori=1:50minus(:,i)=imgdata(:,i)-imgmean;%minus是一种N*M矩阵，是训练图和平均图之间的