資源描述:
《基于pca算法的人臉識(shí)別技術(shù)研究》由會(huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、基于PCA算法的人臉識(shí)別技術(shù)研究 摘要:人臉識(shí)別技術(shù)是一種生物特征識(shí)別技術(shù),目前在多個(gè)領(lǐng)域中得到了廣泛的應(yīng)用。本文以人臉識(shí)別為目標(biāo),采用基于整體的特征臉方法,以直方圖均衡化方法對(duì)人臉圖像進(jìn)行預(yù)處理,PCA算法為核心進(jìn)行了分析與實(shí)驗(yàn),有效地提高了人臉圖像識(shí)別的精確性。通過MATLAB基于ORL人臉庫進(jìn)行對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,文中設(shè)計(jì)方法對(duì)于人臉圖像具有較高的識(shí)別率?! £P(guān)鍵詞:PCA;人臉識(shí)別;特征提取 中圖分類號(hào):TP391文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2016)22-0182-03 Abstract
2、:Facerecognitiontechnologyisakindofbiometricidentificationtechnology,atpresenthasbeenwidelyusedinmanyfields.Basedonfacerecognitionasthegoal,USESthemethodbasedonthecharacteristicsofthewholeface,withhistogramequalizationmethodoffaceimagepreprocessing,PCAalgorithmast
3、hecoreareanalyzedwiththeexperiment,andeffectivelyimprovestheaccuracyoffacerecognition.ComparativeexperimentsbyMATLABbasedonORLfacedatabase,experimentalresultsshowthatthedesignmethodinthispaperforfaceimagehashigherrecognitionrate.5 Keywords:PCA;Facerecognition;Fea
4、turedetection 1概述 人臉識(shí)別技術(shù)是一種生物特征識(shí)別技術(shù),最早在19世紀(jì)末由美國(guó)科學(xué)家Calton提出,隨著計(jì)算機(jī)技術(shù)不斷發(fā)展,國(guó)內(nèi)外對(duì)于模式識(shí)別研究的不斷深入,人臉識(shí)別由于其具有唯一性、方便性、直接性、隱蔽性、安全性等優(yōu)勢(shì),逐漸成為研究熱點(diǎn),在智能交通、軍事作戰(zhàn)、智能監(jiān)控等多個(gè)領(lǐng)域得到廣泛應(yīng)用[1]。主成分分析[2](PrincipalComponentAnalysis,PCA)是由KarlPearson和HaroldHotelling提出的一種統(tǒng)計(jì)方法,廣泛應(yīng)用于人口統(tǒng)計(jì)學(xué)、數(shù)量地理學(xué)、分子動(dòng)力學(xué)模擬
5、、數(shù)學(xué)建模、數(shù)理分析等多個(gè)學(xué)科,1991年TurkM和PentlandA將主成分分析引入到人臉識(shí)別的研究[3],而后作為一種基礎(chǔ)的研究方法逐漸推廣到計(jì)算機(jī)機(jī)器視覺、模式識(shí)別、圖像信息壓縮等研究領(lǐng)域。選取主成分分析法(PCA算法)作為特征提取方法,無法解決人臉圖像分辨率、光照、角度等因素造成的識(shí)別率偏低的問題。為達(dá)到理想的識(shí)別率,本文在PCA算法進(jìn)行特征提取的基礎(chǔ)上,采用直方圖均衡化方法對(duì)人臉圖像進(jìn)行預(yù)處理,能夠在一定程度上提高人臉識(shí)別的識(shí)別率?! ?PCA算法概述 PCA算法(主成分分析法)作為數(shù)學(xué)上常用的對(duì)數(shù)據(jù)進(jìn)行降維
6、的一種方法,最早被TurkM和Pentland5A用于人臉識(shí)別的研究,取得了不錯(cuò)的效果。其基本思想是將原來眾多的具有一定相關(guān)性的指標(biāo)重新組合成一組新的互不相關(guān)的綜合指標(biāo)(通常表示為原始變量的某種線性組合)來代替原指標(biāo),用來完成對(duì)變量的降維和主成分的解釋,并且能夠最大限度地保留原有數(shù)據(jù)的結(jié)構(gòu)分布,在最小均方意義下尋找最能代表原始數(shù)據(jù)的投影,從而達(dá)到對(duì)特征空間降維的目的。 2.1PCA數(shù)學(xué)模型 假設(shè)研究對(duì)象有n個(gè)樣本,每個(gè)樣本觀測(cè)p項(xiàng)指標(biāo),可構(gòu)成一個(gè)n×p階數(shù)據(jù)矩陣: 2.2PCA算法流程 Step1:計(jì)算樣本數(shù)據(jù)的協(xié)
7、方差矩陣; Step2:計(jì)算∑的特征值λi及相應(yīng)的正交化單位特征向量ai; Step3:選擇重要的主成分,并寫出主成分表達(dá)式,計(jì)算主成分的貢獻(xiàn)率和累計(jì)貢獻(xiàn)率; Step4:計(jì)算主成分載荷:即第i個(gè)主成分Fi的特征值的平方根與第j個(gè)原始變量Xj的系數(shù)的乘積,主成分載荷反應(yīng)了Fi和原始指標(biāo)Xj之間聯(lián)系的密切程度與作用方向; Step5:計(jì)算各主成分的得分,對(duì)樣品的特性進(jìn)行推斷和評(píng)價(jià)?! ?人臉識(shí)別基本流程 人臉識(shí)別通常也叫做人像識(shí)別、面部識(shí)別,主要是針對(duì)攝像頭、視頻監(jiān)控等采集到的含有人臉的圖像或視頻流,并自動(dòng)在圖像中
8、檢測(cè)和跟蹤人臉,進(jìn)而對(duì)檢測(cè)到的人臉,人臉檢測(cè)、特征提取與人臉識(shí)別是人臉識(shí)別過程中不可缺少的三個(gè)步驟。如圖1所示,在進(jìn)行人臉識(shí)別的過程中,所示我們首先通過圖像采集獲取圖像,然后對(duì)采集到的圖像進(jìn)行人臉模塊檢測(cè)。如果檢測(cè)結(jié)果顯示為人臉圖像,下一步進(jìn)行對(duì)人臉圖像的特征點(diǎn)定位及歸一化處理,特征提取后送入分類器進(jìn)行