本文探讨了主成分分析（PCA）在人脸识别中的应用，通过建立人脸空间并选择特征向量进行降维，实现了人脸识别。实验在自建人脸库和ORL人脸库上进行，取得了100%的识别率。PCA算法简化了特征脸的表示，预处理如直方图均衡化对识别效果至关重要。尽管识别率高，但还需改进特征表达以应对光照、表情等因素的影响。
1、 主成分的数目的选取
前已指出，设有p个随机变量，便有p个主成分。由于总方差不增不减，C1，C2等前几个综合变量的方差较大,而Cp，Cp-1等后几个综合变量的方差较小, 严格说来，只有前几个综合变量才称得上主(要)成份，后几个综合变量实为“次”(要)成份。实践中总是保留前几个，忽略后几个。
保留多少个主成分取决于保留部分的累积方差在方差总和中所占百分比(即累计贡献率)，它标志着前几个主成分概括信息之多寡。实践中，粗略规定一个百分比便可决定保留几个主成分；如果多留一个主成分，累积方差增加无几，便不再多留。
2 PCA算法的功能实现
2.1 人脸空间的建立
假设一幅人脸图像包含N个像素点，它可以用一个N维向量Γ表示。这样，训练样本库就可以用Γi（i=1，...，M）表示。 协方差矩阵C的正交特征向量就是组成人脸空间的基向量，即特征脸。
将特征值由大到小排列：λ1≥λ2≥...≥λr,其对应的特征向量为μk。这样每一幅人脸图像都可以投影到由u1,u2,...,ur张成的子空间中。因此，每一幅人脸图像对应于子空间中的一点。同样，子空间的任意一点也对应于一幅图像。
2.2 特征向量的选取
虽然协方差矩阵Ω最多有对应于非零特征值的k（k远小于M）个特征向量，但是通常情况下，k仍然很大，而事实上，根据应用的要求，并非所有的特征向量都有需要保留，而特征空间投影的计算速度是直接与创建子空间所用的特征向量的数目相关，若考虑到计算时间的因素，可以适当的减去一些信息量少的特征向量，而且，去掉这些特征向量之后不一定不利于分类结果，有的情况下反而能够提高识别性能。
2.3 人脸识别
有了这样一个由"特征脸"张成的降维子空间，任何一幅人脸图像都可以向其投影得到一组坐标系数，这组系数表明了该图像在子空间中的位置，从而可以作为人脸识别的依据。换句话说，任何一幅人脸图像都可以表示为这组"特征脸"的线性组合，其加权系数即是K-L变换的展开系数，也可以称为该图像的代数特征。因此，在获得特征脸之后，就可以对每一类别的典型样本进行投影，由此得到每个人脸的投影特征从而构成人脸特征向量，作为下一步识别匹配的搜索空间。
输入图像及其在人脸空间上的投影（重构图像），人脸图像在人脸空间中的投影变化不明显而非人脸图像的投影变化明显。因此，检测一幅图像中是否存在人脸的基本思想是，计算该图像中任意位置处的局部图像与人脸空间之间的距离ε。其中，ε是局部图像是否为人脸的度量。因此，计算给定图像任意一点上的ε，就可以得到一映射图ε（x,y）。
3 实验及结果分析
实验在两个图库上测试，一个是自建人脸库，该库包含10个不同人物，每人有5张不同表情和姿态下的图片，总共50幅。另一个是ORL人脸库，该库包含40个不同人物，每人有10张图片，共400幅。用训练样本进行测试，识别率为100%。而随着训练样本的增加，识别率会有所提升，由于标准人脸库在采集时考虑了多种因素，人脸图像比较标准，所以识别率较自建的人脸库识别率高，另外因为自建人连库的图片太少，即训练样本太少，也会对结果产生影响，效果不是很好。进行直方图均衡化比灰度归一化的识别率高，预处理对识别的效果起着至关重要的作用。而此次实验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，要有更好的效果，还必须寻找更好的特征表达，使得可以尽量消除光照、表情、遮掩和姿势的影响。
下图为测试流程截图：
4 个人总结
因为我以前自学过一部分GUI方面的知识，所以本次试题我采用了Matlab中的GUI（图形用户界面）为主要表现形式，我认为在这次的题目下GUI比单纯的M文件会有更强的应用、测试及表现效果，但由于之前对人脸识别算法不太了解，所以花了很长时间去分析理解，最终选择了较为简单且实用的PCA算法。从使用的角度考虑，我还为库中的每个人取了一个名字，最终查找到时会在标题处显示其名字，下方显示库中与测试图片最接近的库图片。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%。
参考文献
[1] 邓楠, 基于主成份分析的人脸识别, 2016.06
[2] 龚勋，PCA与人脸识别及其理论基础，2017.04
[3] 周涛，基于PCA的人脸识别研究，2014.07
[4] 王宇飞，基于特征脸和支持向量机的人脸识别方法研究与实现，2015.03
[5] 刘保柱，《MATLAB7.0从入门到精通》，人民邮电出版社
扫一扫
1244
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
