《基于PCA算法的人脸识别技术研究》-工学论文，计算机论文-论文范文参考-科学狗论文网

标题

基于PCA算法的人脸识别技术研究

范文

张成龙

摘要：人脸识别技术是一种生物特征识别技术，目前在多个领域中得到了广泛的应用。本文以人脸识别为目标，采用基于整体的特征脸方法，以直方图均衡化方法对人脸图像进行预处理，PCA算法为核心进行了分析与实验，有效地提高了人脸图像识别的精确性。通过MATLAB基于ORL人脸库进行对比实验，实验结果表明，文中设计方法对于人脸图像具有较高的识别率。

关键词： PCA；人脸识别；特征提取

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）22-0182-03

Abstract：Face recognition technology is a kind of biometric identification technology， at present has been widely used in many fields. Based on face recognition as the goal， USES the method based on the characteristics of the whole face， with histogram equalization method of face image preprocessing， PCA algorithm as the core are analyzed with the experiment， and effectively improves the accuracy of face recognition. Comparative experiments by MATLAB based on ORL face database， experimental results show that the design method in this paper for face image has higher recognition rate.

Key words：PCA； Face recognition； Feature detection

1 概述

人脸识别技术是一种生物特征识别技术，最早在19世纪末由美国科学家Calton提出，随着计算机技术不断发展，国内外对于模式识别研究的不断深入，人脸识别由于其具有唯一性、方便性、直接性、隐蔽性、安全性等优势，逐渐成为研究热点，在智能交通、军事作战、智能监控等多个领域得到广泛应用[1]。主成分分析[2]（Principal Component Analysis，PCA）是由Karl Pearson和Harold Hotelling提出的一种统计方法，广泛应用于人口统计学、数量地理学、分子动力学模拟、数学建模、数理分析等多个学科，1991年Turk M 和Pentland A将主成分分析引入到人脸识别的研究[3]，而后作为一种基础的研究方法逐渐推广到计算机机器视觉、模式识别、图像信息压缩等研究领域。选取主成分分析法（PCA算法）作为特征提取方法，无法解决人脸图像分辨率、光照、角度等因素造成的识别率偏低的问题。为达到理想的识别率，本文在PCA算法进行特征提取的基础上，采用直方图均衡化方法对人脸图像进行预处理，能够在一定程度上提高人脸识别的识别率。

2 PCA算法概述

PCA算法（主成分分析法）作为数学上常用的对数据进行降维的一种方法，最早被Turk M和Pentland A用于人脸识别的研究，取得了不错的效果。其基本思想是将原来众多的具有一定相关性的指标重新组合成一组新的互不相关的综合指标（通常表示为原始变量的某种线性组合）来代替原指标，用来完成对变量的降维和主成分的解释，并且能够最大限度地保留原有数据的结构分布，在最小均方意义下寻找最能代表原始数据的投影，从而达到对特征空间降维的目的。

2.1 PCA数学模型

假设研究对象有n个样本，每个样本观测p项指标，可构成一个n×p阶数据矩阵：

2.2 PCA算法流程

Step 1：计算样本数据的协方差矩阵；

Step 2：计算∑的特征值λi及相应的正交化单位特征向量ai；

Step 3：选择重要的主成分，并写出主成分表达式，计算主成分的贡献率和累计贡献率；

Step 4：计算主成分载荷：即第i个主成分Fi的特征值的平方根与第j个原始变量Xj的系数的乘积，主成分载荷反应了Fi和原始指标Xj之间联系的密切程度与作用方向；

Step 5：计算各主成分的得分，对样品的特性进行推断和评价。

3 人脸识别基本流程

人脸识别通常也叫做人像识别、面部识别，主要是针对摄像头、视频监控等采集到的含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸，人脸检测、特征提取与人脸识别是人脸识别过程中不可缺少的三个步骤。如图1所示，在进行人脸识别的过程中，所示我们首先通过图像采集获取图像，然后对采集到的图像进行人脸模块检测。如果检测结果显示为人脸图像，下一步进行对人脸图像的特征点定位及归一化处理，特征提取后送入分类器进行识别，最终获得识别结果。

4 实验与分析

实验基于ORL人脸库进行，库中共有400张人脸图像，这些图像包含了来自西方国家40个不同人物，每个人物选取10张采用了不同角度、不同表情、不同姿态的图像。ORL人脸图像如图2所示。

4.1 实验流程

实验平台为win10/MATLAB（R2010b），计算机配置为：Intel（R） Core（TM） i3-3240 [email protected]，4.00GB RAM， 64位操作系统。

本次实验步骤如下：

Step 1 图像预处理：选取直方图均衡化方法对用来进行人脸识别实验的样本图像进行预处理。

Step 2 特征提取：选取PCA算法对用来进行人脸识别实验的样本图像进行特征提取。

Step 3分类：选取最小距离法，计算测试对象和训练样本集的距离，实现分类。

4.2 实验结果分析

实验分为两个阶段进行，第一阶段针对不同数量训练样本下的人脸图像识别率进行比较，第二阶段针对训练样本图像采取直方图均衡化方法进行预处理，同时针对不同数量训练样本下的人脸图像识别率进行实验。实验结果表明：针对两个实验阶段不同数量样本下识别率进行统计分析，如表1、表2所示随着样本数量的增加，人脸图像的识别率会有明显的下降，但是针对训练样本图像采取直方图均衡化方法进行预处理，可以有效地提升人脸图像的识别率。

5 结束语

人脸识别技术作为网络信息化时代广受关注的高新技术，本文实验中采用的直方图均衡化方法对人脸图像进行预处理，PCA算法对特征脸进行降维处理以及最近邻分类器对人脸图像进行分类对识别结果起到了一定的作用，识别率有所提升。但是要想有更好的实验效果，还必须寻找更好的特征表达算法，使得可以在实际应用中尽量消除光照、表情、遮掩和姿势对识别结果的影响。

参考文献：

[1] 王守佳. 基于图像的人体检测跟踪和人脸识别的研究[D].吉林大学，2013.

[2] 焦斌亮，陈爽. 基于PCA算法的人脸识别[J]. 计算机工程与应用，2011（18）：201-203.

[3] Turk M A，Pentland A P.Face recognition using eigenfaces[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1991：586-591.

[4] 边肇祺. 模式识别[M].北京：清华大学出版社.2000.

[5] 李建刚. 人脸识别中分类器与特征提取研究[D].江南大学，2009.

[6] 沈慧钧. 关于人脸识别图像预处理方法的研究与实现[J]. 科技与创新，2014（18）：119-120.

[7] 冯素玲. 人脸识别常用方法研究[J]. 微计算机信息，2004（5）：94-95.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。