人脸识别系统开放实验报告范文.docx

开放性实验报告《人脸识别系统》小组成员：姓名李宏利学号 109021075指导老师：彭艳斌2011年12月【实验名称】人脸识别系统【实验目的】1 •对人脸识别系统的图像预处理有一定的掌握；2. 对后续操作只简单了解；3. 通过功能模块实现人脸识别系统实验内容】1•系统需求分析；2 •系统设计；3.系统实现实验步骤】一、系统需求分析1、目的与背景当前社会上频繁出现的入室偷盗、抢劫、伤人等案件的不断发生, 鉴于此种原因，防盗门开始走进千家万户，给家庭带來安宁；然 而，随着社会的发展，技术的进步，生活节奏的加速，消费水平 的提高，人们对于家居的期望也越来越高，对便捷的要求也越来 越迫切，基于传统的纯粹机械设计的防盗门，除了坚固耐用外， 很难快速满足这些新兴的需求：便捷，开门记录等功能广义的人脸识别实际包括构建人脸识别系统的一系列相关技术， 包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及 身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者 身份查找的技术或系统人脸特征点分布图示例人脸识别生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、 虹膜、视网膜、声音（语音）、体形、个人习惯（例如敲击键盘 的力度和频率、签字）等，相应的识别技术就有人脸识别、指纹 识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识 别可以进行身份识别，也可以进行语音内容的识别，只有前者属 于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。

人脸识别主要用于身份识别由于视频监控正在快速普及，众多 的视频监控应用迫切需要一种远距离、用户非配合状态下的快速 身份识别技术，以求远距离快速确认人员身份，实现智能预警 人脸识别技术无疑是最佳的选择，釆用快速人脸检测技术可以从 监控视频图象中实吋查找人脸，并与人脸数据库进行实时比对， 从而实现快速身份识别二.系统设计1）理论知识fisher概念引出在应用统计方法解决模式识别问题时，为了解决“维数灾难”的 问题，压缩特征空间的维数非常必要fisher方法实际上涉及到维 数压缩的问题fisher分类器是一种几何分类器，包括线性分类器 和非线性分类器线性分类器有：感知器算法、增量校正算法、LMSE 分类算法、Fisher分类若把多维特征空间的点投影到一条直线上,就能把特征空间压缩 成一维那么关键就是找到这条直线的方向，找得好，分得好，找不 好，就混在一起因此fisher方法目标就是找到这个最好的直线方 向以及如何实现向最好方向投影的变换这个投影变换恰是我们所寻 求的解冋量旷，这是fisher算法的基本问题样品训练集以及待测样品的特征数目为n为了找到最佳投影方 向，需要计算出各类均值、样品类内离散度矩阵S,和总类间离散度矩 阵S”、样品类间离散度矩阵S”，根据Fisher准则，找到最佳投影准 则，将训练集内所有样品进行投影，投影到一维Y空间，由于Y空间 是一维的，则需要求出Y空间的划分边界点，找到边界点后，就可以 对待测样品进行进行一维Y空间的投影，判断它的投影点与分界点的 关系，将其归类。

Fisher法的核心为二字：投影1) 一维实现方法(1) 计算给类样品均值向量厲，"是各个类的均值，M是①类的样品个数2) 计算样品类内离散度矩阵和总类间离散度矩阵S“Si =工(X 一加,)(X — mi)T i = l,2,…，刃X w©sw =工 S,i=l(3) 计算样品类间离散度矩阵TSb =（加］_加2）（加1 - m2 ）(4) 求向量W我们希望投影后，在一维Y空间各类样晶尽可能地分开，也就是说我们希望两类样品均值之差(“-®)越大越好，同时希望各类样品内部尽量密集，即希望类内离散度越小越好，因此，我们可以定义Fisher准则函数：j(w)=WTSl-W使得儿(W)取得最大值的W”为 W'S”伽-叫)(5) 将训练集内所有样品进行投影y = (WTX(6) 计算在投影空间上的分割阈值儿在一维Y空间，各类样品均值凤为样品类内离散度矩阵璋和总类间离散度矩阵匚 呼=工0-冈)2—工聲【注】【阈值儿的选取可以由不同的方案： 较常见的一种是N.m. + NJhr 儿=M + N； 一另一种是m. + 总 In(P(e)/P(Qj) 瓦+N-2 一］(7) 对于给定的X,计算出它在W*上的投影y(8) 根据决策规则分类y〉儿 d X W ® y

程序框图如下图所示打开程序进行人脸识别设I Video Captureiu>iis4ainiVideo output: 640x480 2如J detectll StoP Jdass tiers： 15maQe: 80x60 200scales: 0.86 0.73 0.60:18m$ (55.56fos) motion: 0.12, skin: 0.02Acer ObiCarn变化角度四、代码实现A・第一部分：Crea.tDatabase. mfunction T 二 CreatDatabase(TrainDatabasePath)TrainFiles 二 dir(TrairiDatabasePath);Train Number 二 0;%%%%%%%%统计文件数for i 1:size(TrainFiles, 1)ifnot(strcmp(TrainFiles(i). name,'. ')|strcmp(TrainFiles(i) • name, ' •・’)strcmp(Trai nFiles(i). name,' Thumbs, db'))Train Number 二 Train Number + 1;endendT = [J；for i = 1 : Train_Numberstr = int2str(i);%ffi文件索引转换为字符串格式str = strcat (' \’, str,'・ pgif );str = strcat (TrairiDatabasePath, str);img = imread(str);[irow icol] = size(img);temp reshape(img，, irow*icol, 1);T = [T temp];endT = double(T);B.第二部分：FishcrfaceCorefunction [m_database V PCA V_Fisher ProjectedImages_Fisher Class_number Class_population] = FisherfaceCore(T)%%%%%%%% 返回值注释 %%%%%%%%%%%%m_database (M*Nxl)维的训练样本均值%V_PCA -一 (M*Nx (P-C)训练样本协方差的特征向量%V Fisher — ((P-C)x(CT))最大的(CT)维J = inv(Sw) * Sb的特征矩阵%Pro jected I mages I?i sher ((C-l) xP)维训练样本，这些样本从fisher线性空间中提取%%%%%基本量赋值%%%%%%%%%C1 ass_number= (size(T, 2))/9;类的数目，除以8取决丁•样本中有多少类人Class_population二9;%每•类的图像数目P = Class population * Class number; %总训练样本的数目%%%%%计算均值%%%%%m database = mean (T, 2) ;%c包含T每一行均值的列向量%%雜计算方差%%%%%A T - repinat (m_database, 1, P);%%%%%i r算特征脸的算法L 二 A' * A;[V D]二 eig(L);V = fliplr(V);%%%%筛选小的特征值%%%%%L eig vec 二[];dig fliplr (max(D));for i = 1 : Class_numberL_eig_vec = [L_eig_vec V(:, i)/sqrt (dig(i))]:end%%%%计算特征矩阵的协方差矩阵(：%%%%%V_PCA = A * L_eig_vec;%V PCA就是降维后的协方差矩阵Projected Images P('A 二[];for i = 1 : Ptemp V_PCA'*A(:, i);ProjectedImages_PCA 二[ProjectedImages_PCA temp];endsher分类器的设计方法%%%%%%%%%计算在特征空间里面每一个类的均值%%%%%m PCA = mean (ProjectedImages P('A, 2) %特征空间总的均值m 二 zeros( Class number, Class rmmber );Sw zeros ( Class_nuinber, Class_number);Sb 二 zeros ( Class_number, Class_number);for i = 1 : Class rmmberm(:, i)=mean ( ( Projected Images PCA(:, ((i-l)*(Hass populati on+1) :i* Class populati on))，2 )' ; %每一类的样本分别求均值S zeros(Class_number, Class_number);for j ((iT) * Class_population + 1) : ( i*Class_population )S 二 S + ( ProjectedImages_PCA(:, j) - m(:, i)) * (ProjectedIniages_PCA(:, j) -m(:, i))';endSw 二 Sw + S;Sb 二 Sb + (m(:, i) - m PCA) * (in(:, i) - in P(：A)'end%%%%%%%计算fisher判别准则，目标是获取最人类间离散度和故小类内离散度%%%%%%%%%%%% I OAqgAA^ ± efiQ£° »nfej X i' dAa'Z.aAeE^E0 f XiDj gAAaAUAel^E j £[J_eig_vec, J_eig val] = eig(Sb, Sw);J eig val = max(J eig val);J_eig_vec f1i p1r (J_e i g_vec);%%%%%。