![人脸识别实验报告_第1页](http://file1.renrendoc.com/fileroot_temp2/2020-9/22/8d477fbc-9317-4db7-a993-fb08e875f0f6/8d477fbc-9317-4db7-a993-fb08e875f0f61.gif)
![人脸识别实验报告_第2页](http://file1.renrendoc.com/fileroot_temp2/2020-9/22/8d477fbc-9317-4db7-a993-fb08e875f0f6/8d477fbc-9317-4db7-a993-fb08e875f0f62.gif)
![人脸识别实验报告_第3页](http://file1.renrendoc.com/fileroot_temp2/2020-9/22/8d477fbc-9317-4db7-a993-fb08e875f0f6/8d477fbc-9317-4db7-a993-fb08e875f0f63.gif)
![人脸识别实验报告_第4页](http://file1.renrendoc.com/fileroot_temp2/2020-9/22/8d477fbc-9317-4db7-a993-fb08e875f0f6/8d477fbc-9317-4db7-a993-fb08e875f0f64.gif)
![人脸识别实验报告_第5页](http://file1.renrendoc.com/fileroot_temp2/2020-9/22/8d477fbc-9317-4db7-a993-fb08e875f0f6/8d477fbc-9317-4db7-a993-fb08e875f0f65.gif)
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
1、人脸识别特征脸方法贾东亚 一、 实验目的1、学会使用PCA主成分分析法。2、初步了解人脸识别的特征法。3、更熟练地掌握matlab的使用。二、 原理介绍1、 PCA(主成分分析法介绍)引用一个网上的例子。假设有一份对遥控直升机操作员的调查,用x1(i)表示飞行员i的飞行技能,x2(i)表示飞行员i喜欢飞行的程度。通常遥控直升飞机是很难操作的,只有那些非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性x1(i)和x2(i)相关性是非常强的。我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示,数据散布在u1两侧,有少许噪声。 现在我们有两项数据,是二维的。那么如何将这两
2、项变量转变为一个来描述飞行员呢?由图中的点的分布可知,如果我们找到一个方向的U,所有的数据点在U的方向上的投影之和最大,那么该U就能表示数据的大致走向。而在垂直于U的方向,各个数据点在该方向的投影相对于在U上的投影如果足够小,那么我们可以忽略掉各数据在该方向的投影,这样我们就把二维的数据转化成了在U方向上的一维数据。为了将u选出来,我们先对数据进行预处理。先求出所有数据的平均值,然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后,再代替数据本身。而我们求最大的投影和,其实就是求各个数据点在U上的投影距离的方差最大。而XTu就是投影的距离。故我们要求下式的最大值:1mi=1m(x(i)T
3、u)2=uT(1mi=1mx(i)x(i)T)u按照u是单位向量来最大化上式,就是求1mi=1mx(i)x(i)T 的特征向量。而此式是数据集的协方差矩阵。在实际应用中,我们不止面临二维的数据。因此不能使用几何的形式呈现,但原理也是一样。就是找到一组相互正交的单位向量uk,然后根据贡献率考虑选择其中的部分作为考量的维数,这也就实现了数据的降维。三、 实验步骤1、 将库里的400张照片分成两组。一组作为训练,一组作为库。每个人的前五张照片作为训练,后五张作为库。训练的照片按照顺序的数字重命名。库的照片名字不变。2、 库照片处理。 将每一张库的照片转化成N维的向量。(库里的照片是112*92,故将
4、转化成的矩阵按列或行展开,就是个10304维的向量)我们稍后要对如此多维的向量用PCA进行降维。然后把这些向量存入一个矩阵里。而我是将这200个向量以列的形式存在了矩阵里。即 Z=1,2,3,4200 将这200个向量的每个元素相加起来求出平均值。再用Z里的每一个向量减去这个平均值得到每个的偏差。 平均值=1200k=1200k,每个向量的偏差k=k- 即最后Z=1,2,3,4200 接下来我们就要针对这些预处理后的数据进行降维。我们要求的N个相互正交的向量就是协方差矩阵ZZT的特征向量,而对应的特征值就是各个向量所占的比重。但是Z是个10304*200的矩阵,那么ZZT就是个10304*10
5、304的矩阵。使用matlab直接求其特征值与特征向量不太实际。所以我们考虑一个简单的运算方法:协方差矩阵的秩受到训练图像的限制:如果有N个训练样本,则最多有N1 个对应非零特征值的特征向量,其他的特征向量对应的特征值都是0。如果训练样本的数目比图像的维数低,则可以通过如下方法简化主成份的计算。设Z是预处理图像的矩阵,每一列对应一个减去均值图像之后的图像。则,协方差矩阵为S=TTT,并且对S的特征值分解为Si=TTTi=ii然而,TTT是一个非常大的矩阵。因此,如果转而使用如下的特征值分解。TTTui=iui此时,我们发现如果在等式两边乘以T,可得到TTTTui=iTui这就意味着,如果ui是
6、TTT的一个特征向量,则i=Tui是S的一个特征向量。我们的库里有200张112*92像素的图像,则TTT是一个200*200的矩阵,这就比原先的 10304* 10304 的协方差矩阵要容易处理许多。需要注意的是,上面的特征向量i没有进行归一化,如果需要,应该在后面在进行处理。 降维处理。上面的步骤已经求到了所有的特征向量与特征值。而特征值就是各数据点在该特征向量上的方差。跟据PCA,我们要选出占主要比重的特征向量即可,而判定标准就是特征值。 先把方差(特征值)降序排列,并把对应的特征向量也排列好。依次选择方差,使选出的方差和占所有方差和大约95%左右。然后选择对应的特征向量。其余的特征向量
7、与特征值可以抛弃不用了。这就完成了降维。(中一共有200个不为零的方差(特征值) 归一化处理。数据归一化处理是数据挖掘的一项基础工作,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。 我使用的是Z-score法。经过处理得数据符合标准正态分布,即均值为0,标准差为1,转化函数为x*=x-其中为所有数据的均值,为所有样本数据的标准差。在里求得的特征值就是方差。所以我们要用1k乘上每一个对应的特征向量。本来这个归一化处
8、理应该放在第一步的数据预处理那里。但由于那里的计算还没有涉及到协方差矩阵,而我们需要的方差在后面才出现,故把归一化处理放在这里。即中,i=1iTui这些特征向量都是10304*1的大小,跟我们一开始处理后的照片向量的大小一样。这些就是特征脸。特征脸可以线性组合成所有库里的脸。 用特征脸对库里的脸进行标示,也就是将库里的每张脸图数据转化成各个特征脸所占的比重。即 k=kTi,i=1,2,3200,k=1,2,3n,n是最后选出的方差数量iT=1,2,3,4n 人脸识别。先对训练的脸图进行预处理。预处理即中所说的求偏差。求到训练图的偏差向量后,如那样用特征脸对训练图进行标示。即求得*T=1,2,3
9、,4n然后求*T与iT的欧式距离,此距离表明两图的接近度。即=*T-iT2该距离越小,则这两张图越接近,则越有可能是同一个人。四、 编程实现代码:函数:zz,y,tzl=circ(),对库图像的处理,并求出处理训练图像需要的特征脸和数据平均值。函数:ws=ld(zz,y,tzl) 这三个自变量都是上面的函数的输出变量。Ws是200张训练人脸识别的正确性。运行结果:200张训练图片的识别率为91.5%加了显示代码后显示的图片结果:五、 实验总结收获:这次实验让我更加熟练地应用了matlab。对矩阵的运算也理解地更加的透彻。学习了PCA主成分分析法,这个方法在分析较多的数据时是非常有用的。在如今的大数据时代,PCA是个非常实用的分析手段。这次在做实验的过程中,上网查阅了许多关于人脸识别的资料,发觉虽然自己完成了初步的人脸识别的功能,但远远没有达到现实生活的需求。我们做实验的orl库的像素不仅非常低,而且每张人脸的位置与大小也非常接近,这都大大降低了难度。这个方向还有着许多可学习的东西。实验中遇到的难题:一开始最难理解的莫过于特征脸法的原理。原理中涉及到许多的线性代数知识,需要花时间去回忆,并用已经
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 新学期学习计划模板集锦九篇
- 拟合同的技巧
- 内部控制报告服务合同书
- 男女婚姻协议书范本
- 拓路前行领跑未来励志工作总结模板
- 蓝色中国风教师节主题班会模板
- 广东省汕头市潮阳新世界中英文学校2025届高三第二次教学质量检测试题物理试题含解析
- 广东省汕头市潮南区两英镇重点中学2025年初三下-第九次质量检测试题语文试题试卷含解析
- 广东省普宁市重点中学2025年初三元月调研测试化学试题试卷含解析
- 广东省陆丰市春源双语校2025届初三下期1月月考数学试题含解析
- 课程与教学论教案(秋学期)1127
- 各国材料的对照表
- 返修返工控制方案
- 【最新】部编版六年级语文上册第7课《开国大典》优质教案+导学案
- 农业经济学试题库
- 年产2000吨凝固型酸奶生产车间工艺设计-8-13
- 装饰装修工程样板房施工方案
- 珍珠豆型小花生新品种“誉宇806”系列高产栽培技术农业种植技术栽培技术
- 血站物料管理程序
- 小学四年级下册综合实践活动.小拖鞋-(15张)ppt
- 非标设备电气设计规范要求
评论
0/150
提交评论