人脸识别算法

设计报告（论文）诚信承诺本人承诺所呈交的毕业设计报告（论文）及取得的成果是在导师指导下完成，引用他人成果的部分均已列出参考文献。如论文涉及任何知识产权纠纷，本人将承担一切责任。学生签名：日期：那么我们将不能识别这个人。并返回一个结果告诉我们，此人不是本人。具体效果如图5.9所示。图5.9错误人脸识别结果A=resizepic;B=trainpicture{Recognized_index}：A=A-mean2(A);E=B-mean2(B);siiTLilar=sum(simfA.*B))/sqrt(sum(sunt(A. )*sum(sum(B.*B)))淳相似度算法，回5110工为最后的相似度值ifsinilar<0.8set(handles.result_editj'stringJs'不是本..人」);clear();elseset(handles.result_editj'stringJs"本;clear();-end从上面的代码我们可以看出，如果人脸相似度达到80%及以上，我们将会判定此人就是“本人”，如果相似度达不到80%我们将会返回“不是本人”的结果告诉用户。5.4本章小结在本章中，PCA和主成分分析的基本理论应用到人脸识别。在第一部分，我们重点是讲解YPCA的基本理论，利用PCA进行数据剖析的长处和主成分分析方法在计算机视觉范畴的使用。第二部分主要说明如何面对基于PCA的识别。我们还介绍YPCA算法的具体实现过程，以及具体的程序代码的介绍。按正常的流程操作，我们是会得到最终的识别效果的。从本章的结尾我们也可以看出，这是十分合理的识别过程，如果有后续的需求变更，我们也会及时更新我们的界面和程序的。第六章人脸识别算法总结基于MATLAB数字图像处理与识别系统其实是一个范围很大的应用系统，关于“人脸识别”，在了解了人脸识别的各种方法后。选择了图像直方图差值比较进行了实现。该方法能较好地实现人脸的分类，但对人脸图像的要求较高，目前仅是采用Orl的标准人脸库中的图像来进行测试，因此能获得较高的识别率。而在现实生活中采集到的人脸图像则会受到很多因素的影响，识别率就未必能达到要求了。若要进一步提高识别率和适用范围，则还需要结合其它算法，如PCA、神经网络等。本文研究的是基于PCA的人脸识别算法的实现。人脸特征提取算法为PCA算法，分类方法采用的是最小距离分类法。通过实验发现在无光照变换，正面姿态，少量遮挡情况下，基于PCA的人脸识别系统的识别率很高，而且反应很迅速。当然也存在着一些问题，例如本文对图像的光照变化，其他姿态没有进行考虑，但实际中这是无法忽略的问题，有可能会导致人脸识别识别率减小。为了进一步提高基于PCA的人脸识别系统的性能和适应性，我们可以通过以下几个方面进行改进:改进图像获取方法：我们可以通过使用人脸检测和跟踪算法，在图像获取的时候，动态跟踪和检测人脸，只采集最佳姿态下的人脸图像。这在一定程度可以解决姿态所引起的问题，但也同时对系统的检测和跟踪人脸的反应时间提出较严格的要求。如果反应时间较长，对于快速移动的人脸可能错过采集最佳姿态的图像，而导致系统无法识别人脸。改进人脸识别特征提取算法：基于PCA的人脸识别虽考虑了人脸图像间的差异，但是不能区分这种差异是由光照，发型变更或背景导致，还是人脸的内在差异，因此特征脸的识别方法在理论上存在一定的缺陷。究其原因是人脸图像中所有像素都处于同等地位，在角度，光照，尺寸和表情变换可能会导致性能急剧恶化。采用同一个人的训练样本的平均来计算人脸图像类间散布矩阵可在一定程度上补偿这个缺点。同时也可以对输入的人脸图像做规范化处理，主要包括对人脸图像做均值方差归一化，人脸尺寸归一化。另外还可以在计算特征脸的同时利用K-L变换计算特征眼睛和特征嘴，然后将这些局部特征向量加权进行匹配，可能会得到更好的结果。我们也可以将人脸进行差异化分类，可分为脸间差异和脸内差异。脸内差异表示同一个人脸的各种可能变形。脸间差异表示不同人的本质差异。在实际中，人脸图像的差异为两者之和。若脸内差异大于脸间差异，则认为两个人脸图像属于一个人的可能性较大。改进人脸识别的分类器：最近邻法分类器属于一种线性分类器。在实际中可以利用神经网络这类学习能力强的非线性分类器对高维人脸识别可能会取得更好的效果。综合不同的人脸识别方法：在目前，仅仅单独采用一种现有的人脸识别方法一般都不会取得很好的识别效果。各种技术和方法都有自己不同的适应环境和各自的特点。如果我们想进一步提高人脸识别系统的识别率，可以考虑使用数据融合理论，将不同的方法综合起来，相互补充，来取得很好的人脸识别效果。这也是为人脸识别的研究趋势之一。致谢光阴荏苒，大学的学习行将完毕，四年的学习生活使我收获颇丰。经过三个多月的磨砺，我的毕业论文终于完稿，回首这段工夫以来搜集、整理、思索、停滞、修正直至最终完成的进程，我得到了许多的关心和协助，如今要向他们表达我最诚挚的谢意。首先要感激我们系的各位教师，是你们教会了我们勤劳学习，老实做人，踏实做事，以宽容之心面对生活。指引着我们沿着正确方向行进。在点滴会聚中使我逐步构成正确、成熟的人生观、价值观。特别要感激我的指导老师—**教师，给予我的各种协助。在论文的选题、搜集材料和写作阶段，**教师都倾注了极大的关心和鼓舞。在论文的写作进程中，陈蓓玉教师也会放下忙碌的任务，诲人不倦地指点我;在我初稿完成之后，教师又在百忙之中抽出工夫对我的论文仔细修改，提出许多珍贵的指点意见，使我在写作进程中不致迷失方向。同时也感激我的家人和同窗们，正是在你们殷切目光的凝视下，我才一步步的完成了求先生涯。是你们，让我拥有一个温馨的家庭，一个幸福的学习环境，让我一切的一切都可以在你们这里得到了解与支持，得到体谅和分担。你们的支持和鼓舞是我行进的动力，感谢你们。参考文献[1]祝磊，朱善安.人脸识别的一种新的特征提取方法J].计算机学报，2007,34(6)：122-1251.[2]何东风，凌捷.人脸识别技术综述J].计算机学报，2003,13(12)75-78.[3]方蔚涛,马鹏，成正斌，杨丹,张小洪.二维投影非负矩阵分解算法及其在人脸识别中的应用J].自动化学报.2012(09).[4]何国辉，甘俊英.PCA-LDA算法在性别鉴别中的应用J].中国图象图形学报，2006,32(19)：208-211.[5]王聃，贾云伟，林福严.人脸识别系统中的特征提取仃].自动化学报，2005,21(7-3).[6]张俭鸽，王世卿，盛光磊.基于小波和DFB-PCA的人脸识别算法研究仃].自动化学报，2007,23(2-1).[7]曹林，王东峰，刘小军，邹谋炎.基于二维Gabor小波的人脸识别算法J].电子学报，2006,28(3)490-494.[8]焦峰，山世光，崔国勤，高文，李锦涛.基于局部特征分析的