eigenface matlab,基于Eigenface的人脸图像处理系统课程设计

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>>