基于KL变换的人脸识别报告.docVIP

模式识别大作业 班级题目：基于KL变换的人脸识别 姓名：黎 照 学号：2009302320 姓名：陈升富 学号：2009302313 姓名：益 琛 学号：2009302311 日期：2012/4/25 【摘要】本次实验论述了K_L变换在人脸识别中的应用，主要介绍人脸识别过程中的每个环节，整个过程包括人脸图像的采集、预处理、特征提取到训练和识别。 图像的采集 图像的采集 预处理 特征提取 人脸识别 一、基本要求 从网上下载人脸图像，构建人脸训练数据库和测试数据库，采用K-L变换进行特征脸提取，并实现人脸识别。通过K-L变换在人脸识别中的应用，加深对所学内容的理解和感性认识。 二、主要思想 基于特征脸的人脸识别方法是基于K-L变换的人脸识别方法，K-L变换是图像压缩的一种最优正交变换。高维的图像空间经过K-L变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以转成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想 实验原理 1、K-L变换 设n维随机向量 其均值向量，相关矩阵，协方差矩阵，经正交变换后产生向量。 设有标准正交变换矩阵T，（即 TT=I） ， （称为的K-L展开式） 取前m项为的估计值 其均方误差为 在T‘T=I的约束条件下， 要使均方误差 为此设定准则函数 由 得 ，即 表明: li是的特征值，而是相应的特征向量。 利用上式有: 用“截断”方式产生x的估计时，使均方误差最小的正交变换矩阵是其相关矩阵Rx的前m个特征值对应的特征向量构成的。 2、构造参数模型 使用K-L变换不仅能起到降维与压缩数据的作用，更重要的是每个描述量都有明确的意义，因而改变某一个参数就可以让图像按需要的方向变化。在没有使用K-L变换的原始数据集中对图像的描述量是每个像素的灰度值，而孤立的改变某个像素的灰度值是没有意义的。而在使用K-L变换后，每个描述量都有其各自的作用。因此通过改变这些参数的值就可以实现对模型的有效描述，这在图像生成中很有用。因此利用K-L变换构造出可控制的，连续可调的参数模型在人脸识别方面的应用十分有效 3、人脸识别 利用K-L变换进行人脸图象识别原理： 第一步：搜集要识别的人的人脸图象，建立人脸图象库 第二步：利用K-L变换确定相应的人脸基图象，再反过来用这些基图象对人脸图象库中的所有人脸图象进行K-L变换，从而得到每幅图象的参数向量并将每幅图的参数向量存起来 第三步：先对一张所输入的脸图象进行必要的规范化，再进行K-L变换分析，得到其参数向量 第四步：将这个参数向量与库中每幅图的参数向量进行比较，找到最相似的参数向量，也就等于找到最相似的人脸，从而认为所输入的人脸图象就是库内该人的一张人脸, 完成了识别过程。 搜集人脸图象，建立人脸库 搜集人脸图象，建立人脸库 确定基图象，并用基图象对所有人脸进行K-L变换 对输入的图象规范化并进行K-L变换，得到其参数向量 正确 错误 将参数向量与库中参数向量比较 比对 实验源代码 1、特征人脸 function [] = eigface() allsamples=[]; for i=1:7 a=imread( strcat( C:\Users\lenvo\Desktop\图 , \ ,num2str(i), .BMP ) ); b=a( 1:100*100 ); b=double(b); allsamples=[ allsamples; b ]; end samplemean=mean(allsamples); for i=1:7 xmean(i,:)=allsamples(i,:)-samplemean; end; sigma=xmean*xmean; [v d]=eig(sigma); d1=diag(d); dsort = flipud(d1); vsort = fliplr(v); dsum = sum(dsort); dsum_extract = 0; p = 0; while( dsum_extract/dsum 0.9) p = p + 1; dsum_extract = sum(dsort(1:p)); end p=6; base = xmean * vsort(:,1:p) * diag(dsort(1:p).^(-1/2)); for ( k=1:p ) hape( base(:,k), 100,100); ne