最近邻法-人脸识别-实验报告.ppt

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： 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： 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、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）。 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 ： 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。 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。 本次程序中的预处理还比较粗糙，PCA也只是起到了简单的特征脸降维的作用，以及没有相比较的算法，加上自己能力有限，这些地方还值得改进。 最近邻法-人脸识别专题报告 * 姓名：龚鼎盛 学号：2013021497 专业：电子与通信工程 图像预处理 特征提取 分类器设计 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。 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 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