基于PCA算法对人脸识别的认识.doc

基于PCA算法对人脸识别的认识.doc中国新通信2017,21(19),74
基于PCA算法对人脸识别的认识
曹妥恰
合肥工业大学
导出/参考文献关注
分享
收藏打印
摘要：
随着现在科学技术的进步，信息安全越来越受到人们的重视，传统的身份证， 信用卡，储蓄卡和密码等手段，具有易被攻击，丢失和携带不方便的缺点，而 人脸识别作为计算机视觉和模式识别领域中的一个前沿话题，使身份认证具有 较大的方便和安全性。本文基于PCA算法利用MATLAB对0LR人脸数据库进行处 理，并介绍人脸识别的应用。
关键词:
PCA算法;人脸识别;
人脸识别技术(face recognition)就是利用计算机对人脸图像进行分析，从 中提取有效的识别信息，用来辨别身份的一门技术。由于人脸识别的过程中，特 征维度通常是非常高的，计算上的复杂度较大，KirbyXH和Turk等人首次把主 成分分析法(PCA, Principal Component Analysis)引入到人脸识别中，并取 得了很大的成功°PCA算法主要思想是，利用K-L变换，选择样本点分布方差大 的坐标轴进行投影，降低维数，并使信息量损失最少，从而将人脸从像素空间 变换到另外一个空间，并在此空间进行相似性分类学****br/>一、K-L变换的基本原理
假设有N个矢量组成的Nx 1维矩阵x= (xl, x2,…，x N) T,则可以求出该 矩阵的均值，同时还有每个矢量与均值的差值，我们把矢量的协方差的矩阵定 义为C,从而将高维到低维进行变换。
、PCA算法的基本过程 基于PCA的人脸识别一般经过三个阶段:第一个阶段利用训练图像数据构建特征 脸空间;第二个阶段是训练阶段，主要是将训练图像投影到特征脸子空间上;最 后一个是识别阶段，将待识别图像也投影到特征脸子空间上，并且投影后的训 练图像想比较，得出识别结果。

在OLR人脸数据库中有40类人，每类有10幅不同表情的脸，选取每人其中ph 幅作为训练集，(10-ph)幅作为测试集。根据K-L变换原理，需要求得新坐标系 由矩阵AA的非零特征值所对应的特征向量组成。利用奇异值分解法良1，入是 特征值，同样也是。的特征值，令X ’ (i=l, 2, .... r)为矩阵XX和XX的非 零特征值，山和V’分别为矩阵XX和XX对应于入i的特征向量。上述分解被称为
矩阵的奇异值分解，庆为奇异值。则XX的正交归一向量为ui,
这些特征向量对应的图像被称为“特征脸”，由特征脸组成的降维子空间称为
“特征空间”。任何一幅图像都可以向其投影并获得特征脸。
2. 2训练样本特征提取
特征提取就是从测量空间R到特征空间R的映射。这里的测量空间就是人脸空间， 映射要遵循两个规则，一是特征空间必须保留测量空间中的主要分类信息，二 是特征空间的维数应远远低于测量空间的维数。K-L变换是满足上述原则的一种 数据压缩方法，它的特征提取的基本原理是:在测量空间中找出一组m个正交矢 量，要求这组矢量能最大的表示出数据的方差然后将原模式矢量从维空间投影 到这组正交矢量构成的维子空间，则投影系数就是构成原模式的特征矢量，且 完成了维数的压缩(m«n) o
人脸数据库的图像具有以下特点有些图像拍摄于不同的时期人的脸部表情和脸 部细节有着不同程度的变化，，深度旋转和平面旋转可达20°。人脸的尺度也