版权声明:以上文章中所选用的图片及文字来源于网络以及用户投稿,由于未联系到知识产权人或未发现有关知识产权的登记,如有知识产权人并不愿意我们使用,如果有侵权请立即联系:55525090@qq.com,我们立即下架或删除。
简介:基于
Eigenface
的人脸图像处理系统
-
图像处理算法的实现
课程设计报告
掌握主元分析
PCA
、
Eigenface
技术原理
学习人脸处理的方法、步骤,掌握对图像进行特征提取、平均脸、识别等具体算法
在
MATLAB
开发环境中,实现人脸处理的具体算法的实现。
课程设计的任务
人脸识别简介
随着社会的发展,各个方面对快速有效的自动身份验证的要求日益迫切。由于生物特征是人的内在属性,具有很强的自身稳定性和个体差异性,因此是身份验证的理想依据。这其中,利用人脸特征又是最自然直接的手段,相比其他生物特征,它具有直接、友好、方便的特点,易于为用户接受。
人脸识别概念可简单的描述为
:
给定某一场景的静态图片或动态视频图像,根据所存储的脸面数据库识别或确认一个或更多的人。在计算机视觉领域里,人脸识别过程分为人脸检测
(Face Detection)
、
特征提取
(Feature Extraction)
、
识别或确认
(Face Recognition)
三部分完成。特征提取是其中一项非常重要的组成部分。特征提取是指将数据从原始空间变换到特征空间的过程,该变换使得原始数据由维数较少的“有效”特征数据来表示,而不减少原始数据所包含的内在信息量。
主成分分析
(
PCA
)
主
成分分析
(PCA Principle Component Analysis)
方法是应用最广泛的一种特征提取方法之一,主成分分析具有较高的识别率和识别速度,同时对表情变化和轻微倾斜具有较高的鲁棒性。
它是一种统计学方法,在信号处理、模式识别、数字图像处理等领域已经得到了广泛的应用。主成分分析方法基本思想是提取出空间原始数据中的主要特征
(
主元
)
,减少数据冗余,使得数据在一个低维的特征空间被处理,同时保持原始数据的绝大部分的信息,从而解决数据空间维数过高的瓶颈问题。
主成分的求解步骤:
在
PCA
中主要的是要求出使得方差最大的转化方向,其具体的求解步骤如下:
(1)
构建关联矩阵:
Cx=E[x*xT
]
,
Cx∈Pn
*n.
(2)
先计算出
Cx
的各个特征值
(3)
把特征值按大小排序
(4)
计算出前
m
个特征值对应正交的特征向量构成
w
。
(5)
将原始数据在特征向量
w
上进行投影,即可获得原始图像的主特征数据。
人脸识别包括两个阶段:
(1).
训练阶段
(2)
识别阶段
训练阶段特征提取主要有下面四个步骤:
(
1
)读取训练图像
,
计算均值
(
2
)计算协方差
(
3
)计算特征值和特征向量
(
4
)保存特征值和特征向量
人脸图像训练阶段
训练图像显示
训练所用的人脸图像为
112*92
的灰度图像值,训练时将
9
幅图像存储在一个大矩阵
S
中,训练集中的每个人脸图像都作为大矩阵的一列来存储,即每幅图像为
10304*1
的矩阵,这样大矩阵
S
大小为
10304*9
,如下图所示。而在显示图像的时候再把一维数据还原为二维数据,即显示的图像仍为
112*92
。
这部分改变所有的图像的均值和标准值
,
对图像进行规格化
,
这样可以降低由光源条件引起的错误 。
m=mean(temp); %
取均值
st=std(temp); %
标准偏移
S(:,i)=(temp-m)*ustd/st+um; %
由此公式对
S
进行均值化
对训练图像进行规格化
S
矩阵
10304*9
规格化后图像
平均脸显示
训练图像矩阵数据的平均值
m=mean(S,2);
设人脸图像
I(x
,
y)
为二维
N*N
灰度图像,用
N
维向量
R
表示。人脸图像训练集为
{Ri|i
=1
,
…
,
M}
,其中
M
为训练集中图像总数,这
M
幅图像的平均向量为:
每个人脸
Ri
与平均人脸
ψ
的差值向量是:
训练图像的协方差矩阵可表示为:
其中,
A=[φ1
,
…
φM
].
特征脸有协方差矩阵
C
的正交特征向量组成。对于
N*N
人脸图像
方差矩阵
C
的大小为
N2*N2
,对它求解特征值和特征向量是很困难的。
一种取而代之的方法是令:
在此由于大矩阵
A
即
S
为
10304*9
,
A
的转置矩阵为
9*10304,
(
9*10304
)
*
(
10304*9
)这样
L
矩阵即
为
9*9
矩阵,实现了降维,减少了数据的运算量。
L
矩
阵数据如下:
L
矩阵
求协方差矩阵的特征值和特征向量
vv
是
L
的特征向量
... 更多>>