有坚实的数学理论基础，有很高的可操作性。因此，已经成为继续探索新的人脸识别方法的个基石。在训练样本的数目和多样性足够的情况下，其对光照和姿态等变化具有定的鲁棒性。主要具有以下特点属于测量空间的任模式都有唯的特征矢量与之对应，这特性说明模式的变换没有丢失分类的主要信息。主元具有稳定性。即当输入矢量有微小变化时，其对应的主元变化将小于输入模式的变化。这特性说明对图像噪声等因素引起的图像灰度变化有不敏感性，所以可以放宽对输入图像的要求。经过映射随着空间维数的降低，模式之间的距离也得到减小，从而避免了在多维空间上进行分类的复杂性。最小化所有样本的重构误差，具有重建图像的能力，其重建图像的质量与所用的主分量的多少有关。去除了模式之间的相关性。存在问题从该方法所依据的数学基础变换来看，其进行特征提取和压缩的准则是均方误差最小，这就决定了是种具有最佳表示性的特征提取方法，而对人脸识别而言，好的特征提取方法应该是具有最佳判别性的。应该注意到，在该方法中，类别信息在特征提取的过程中并没有用到，或者说，这里所采用的特征提取方法是无监督的。该方法的核心是基于整幅图像的线性变换，从上述讨论可知，其生成矩阵第二章人脸特征提取主成分分析法的规模通常是非常大的，尽管可采用间接求解特征方程的方法减小计算量，但在训练和识别过程中，仍然难以避免高维的向量和矩阵运算，使该方法在实际系统中的应用受到定的限制。作为两维分布的人脸图像，像素间相关性的强弱与像素间的距离密切相关，而将图像转换为向量后，这种距离信息不复存在，这就降低了这种方法的表示能力。作为种图像的统计方法，图像中所有的像素都被赋予了同等的地位，可是角度光照表情等干扰会使识别率下降其次人脸在人脸空间的分布近似高斯分布，且普通人脸位于均值附近，而特殊人脸则位于边缘分布，可见，越普通的人脸越难分别，该方法的本质是抓住了人群的统计特征，反映了特定人脸库的统计特征。在该方法的使用中，训练样本的数目和代表性对系统的性能有极大的影响，在些无法得到足够多训练样本的场合，其应用也受到严格的限制。作为种线性特征子空间方法，该方法的前提是假定样本在线性特征子空间中是线性可分的，对于样本的非线性分布，该方法将无能为力。传统特征脸方法，特征值大的特征向量即特征脸不定是分类性能最好的方向。人脸特征提取技术研究第三章本文方法的实现及结果第三章本文方法的实现及结果本文采用主成分分析法对人脸库中的人脸图像进行特征提取，并且进行识别。人脸库的选取本文选择的是人脸数据库。人脸数据库是由剑桥大学实验室创建，包含个人张面部灰度图像，分辨率为。人脸的面部表情和细节均有很大的变化。现在选择其中个人的图像作为研究对象，每个人有幅图像，挑选每个人的幅图像作为训练图像。这样，训练集就有张图像。其余的张图像作为测试图像。识别过程采用方法的人脸识别系统，其组成如下图所示。图中，实线框中的部分实现系统的训练任务，也是特征提取部分，为离线工作方式。其他部分实现识别任务，为在线工作方式。本文模式分类器采用最近邻分类器。图人脸识别系统框图人脸特征提取技术研究识别过程包括以下两大部分。训练过程对训练样本集的图像进行处理，形成特征子空间个新的坐标系，即由前个最大特征值对应的特征向量张成的空间，训练集的每幅人脸图像在特征子空间中投影，产生个坐标，即从原始图像空间到特征子空间的变换系数，以此作为该图像的特征。测试过程对于张待识别的人脸图像，求出该图像在上述坐标系中的坐标也就是求出了这个图像的特征，然后通过与训练集中的图像的特征相比较，本文选择最近邻分类器，这样就可以完成对这幅人脸图像的识别。结果分析基于的人脸识别本文的工作是基于内存，硬盘的笔记本上进行的，采用软件。本文用来进行特征提取，在生成特征子空间时，挑选的是前个最大特征值对应的特征向量张成的空间，值不同，识别率也会有所不同。图显示了所得结果。特征向量个数识别率基于方法的识别率图方法的识别结果第三章本文方法的实现及结果从上图可以看出，特征向量个数为和时，识别率都在以上，并且当特征向量个数大于时，识别率都在以上，其中最高识别率达到了，平均识别率为低通滤波处理和边缘提取幅图像经过傅里叶变换之后可以得到其在频域中的分布情况。在频域中，零频率分量对应于图像的平均灰度，低频分量对应于平滑的图像信号，高频分量对应于图像中的细节和边界。所以可以先对图像分别进行低通滤波处理和边缘提取后，再进行处理。下面先介绍对图像进行低通滤波之后的结果。本文采用低通滤波器，其传递函数为,其中为截止频率，为正整数，越大衰减速度越大。图显示了对幅人脸图像进行低通滤波之后的结果。这里取,图原图和低通滤波结果由图中可见，图像经过低通滤波后变得模糊，这是因为滤除了，，，,,,,,,,,,,人脸特征提取技术研究,,于清澄基于变换的人脸识别算法研究沈阳工业大学硕士学位论文,,,,,,,王爱玲，叶明生，邓秋香图像处理技术与应用北京电子工业出版社像突变较大的边缘部分。对图像进行低通滤波之后再进行处理再进行识别，所得结果如图所示。人脸特征提取技术研究特征向量个数识别率低通滤波后进行图低通滤波后进行处理的结果由上图可知，最高识别率为，平均识别率为。特征向量个数为时，识别率为，训练时间为，测试时间为经过低通滤波以后，噪声也就会得到定抑制，平均识别率得到了提高。下面再来介绍边缘提取。本文采用算子对人脸图像进行边缘提取，图为设置不同的阈值时提取的结果原图图原图及不同阈值进行边缘提取的结果由图中可见，当阈值取时，已经可以对人脸的眼睛，鼻子，嘴等主要特征的轮廓提取出来，经过对所有图像的边缘提取阈值的分析，决定在编程序时把阈值设为边缘提取后再对图像进行处理，可以得到图显示的结果。阈值为默认阈值阈值为阈值为第三章本文方法的实现及结果特征向量个数识别率边缘提取后进行处理图边缘提取后进行处理的结果由图中可见，识别率较低，最高识别率仅为，平均识别率为。当特征向量数位时，识别率最高。造成识别率较低的原因可能有本次实验对所有图像采用的是同种边缘检测算子，固定的阈值不能适合所有的图像，提取的边界不理想，可能会出现漏检，误检等情况，这些都会影响到后面的特征提取以及识别其次是噪声的干扰也会引起识别率下降。表显示了三种方法的结果对比。表三种方法的结果对比方法平均识别率最高识别率特征向量个数训练时间测试时间低通滤波边缘提取人脸特征提取技术研究第四章总结与展望第四章总结与展望全文工作总结人脸识别是个非常具有挑战性的课题。长期以来，如何利用计算机进行准确，快速的人脸识别，直是图像处理与模式识别的研究热点与难点。特征提取作为其中很重要的部分，直接决定着识别的速度，影响着识别率的高低。本文主要采用经典的主成分分析法对人脸库的图像进行特征提取，并采用了种简单的分类器最近邻分类器对人脸进行分类识别，以检验本方法提取的特征对人脸识别的作用。本文主要的工作有对特征提取的本质和定义作了介绍，并且介绍了些特征提取方法，探讨了目前特征提取所面临的困难从基于人脸图像的整体特征着手，详细介绍了变换的基本原理，并阐述了基于变换的主成分分析法在人脸特征提取方面的应用，以及基于的人脸识别过程在进行特征提取之前，先对图像分别做低通滤波和边缘提取，然后再进行特征提取，进行分类和识别。未来工作展望由于本文所利用的特征提取方法是从整体出发，针对整幅图像进行特征提取，所以使得提取出来的特征针对性不强，重点不突出。在将来的工作中可以针对人脸的不同区域选择特征提取方法，分清主次，将会有个比较好的效果。并且特征提取的方法很多，每种方法都各有优缺点，在针对不同的处理对象时要采用适当的方法，这样才会有个比较好的结果。如何利用现有的各种特征提取方法，发挥类方法的优点，克服类方法的缺点，将它们进行有效的融合，也是以后个值得探索的方向。人脸特征提取技术研究致谢致谢在毕业论文完成之际，我衷心感谢所有为该论文的写作完成提供帮助，对本人的学习工作和生活给予关心和支持的人们。首先，要感谢我的导师任获荣副教授。在我做毕业设计过程中，任老师不辞辛劳，与我共同探讨设计中出现的问题，并为我的毕业论文提出了具有指导性的建议，教会了我许多行之有效的方法。任老师严谨的治学态度，深厚的学术造诣认真细致的工作作风，刻苦勤奋的工作精神以及丰富的科研管理和组织经验，使我受益匪浅，任老师是我今后在科研和教学中学习的楷模。其次，还要感谢我的父母，家人对我始终如的支持和关心是我人生旅途中永远的动力。最后感谢实验室的于海龙，蔡德全，尹映辉，李昱和王海珍，是他们在百忙之中抽出时间，尽可能的给我最大帮助，使我的论文进展非常顺利。人脸特征提取技术研究参考文献参考文献,，，，，，征，然后将形状变形到所有人脸图像的平均形状，再根据变形后的形状进行纹理灰度变形，形成形状无关的人脸图像。类似地，等采用激光扫描仪获得人脸的数据，分别对些基准点构成的形状和基准点的灰度或彩色完成得到人脸形状和灰度彩色基图像。通过变化参数就可获得不同的人脸模型，通过施加些先验约束可以避免合成不真实的人脸图像，利用线性形状和纹理误差，通过模型向输入图像的自动匹配实现人脸识别。其他方法等对模板匹配方法作了大量实验，结果表明在尺度，光照，旋转角度等各种条件稳定的情况下，模板匹配的效果优于其他方法，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。等人采用局部自相关性作为人脸识别的判断依据，它具有平移不变性，在脸部表情变化时比较稳定。总体说来，基于线性投影的代数特征方法依然是人脸识别的最具影响力的主流方法。到目前为止，在大样本人脸库上通过测试的三种识别率最高的方法，分别为的方法，的方法，以及给出的方法。除了的方法外，和的方法都是先进行主分量分析，再作鉴别分析。不同的是，采用的是线性鉴别，而采用二次鉴别。特征提取时存在的问题识别人脸主要依据人脸上的特征，也就是说依据那些在不同个体之间存在较大差异而对于同个人则比较稳定的度量。目前对人脸图像进行特征提取时基本是对人脸的正面的静态图像进行提取的。但是对于用户不配合，采集条件不理想如光照恶劣，有遮挡，图像分辨率低等的情况下，由于人脸变化复杂，因此特征表述和特征提取十分困难。光照变化问题光照问题是机器视觉的老问题，在人脸识别中的表现尤为明显。目前即使最好的人脸识别系统在室外光照环境下，其识别率也会陡然下降。尽管研究人员针对光照问题提出了些解决方案，但目前的光照处理方法还需要进步地研究解决。第章绪论姿态表