基于K-L变换的人脸识别
基于K-L 变换的人脸识别
一、 基本要求
从网上下载人脸图像，构建人脸训练数据库和测试数据库，采用K-L 变换进行特征脸提取，并实现人脸识别。通过K-L 变换在人脸识别中的应用，加深对所学内容的理解和感性认识。
二、 具体做法及流程图
本次试验我们用的是ORL 人脸库中的人脸样本集，每个人的人脸样本集中含有十个人脸样本。我们从其中挑出训练样本和测试样本。对训练样本集采用K-L 变换进行特征脸提取，并对测试样本集进行人脸识别。 步骤：
1、读入训练人脸库。读入时，将每个人脸图像转化为一维的列向量。本次实验参与训练的人脸图像有N=40个，每个图像大小为92*112. 则训练图像可以表示为一个（92×112）×40的矩阵X 。其中，第i 个人脸可以表示为
],,,[)(:,112*9221i i i i x x x i X x ==, )40,2,1( =i
2、计算平均脸和到平均脸的距离。平均脸就是所有人脸图像的平均值向量。计算公式如下：
∑==
N
i i x
N
x 11
则每张人脸与平均脸之间的距离向量可以表示为：
x x d i
i -=
3、计算特征脸。
设矩阵],,[21N d d d A =,本次试验我们选择训练样本集的类间散布矩阵作为K-L
变换的产生矩阵，即： ∑===N i T
i i T b
d d N AA N S 1
11
计算特征脸时要计算出协方差矩阵的前Z （Z< 是由于上式是一个（92*112）×（92*112）的高维向量，计算这个矩阵的特征值和特征向量的计算量非常大，所以先计算A A T 的特征值与特征向量，设它们分别为i λ和)40,,2,1( =i v i 。再将 i λ的值从大到小排列，选取前Z 个特征值，使其满足： αλ λ ≥∑∑==N i i Z i i 1 1 这里的α表示样本集的前Z 个轴上的能量占整个能量的α以上。本次实验我们取 的α为99%。然后，从z i 2,1=，计算2 1-=i i i Av u λ ，则由Z 个i u 可 以组成一个特征脸空间},,{21Z u u u W =。 4、投影。 将每一幅人脸与平均脸的差值矢量i d 投影到“特征脸”空间，得到第i 个人脸 的特征脸向量表示为：),,2,1(N i d W P i T i == 5、对待识别的人脸进行识别（ 利用欧氏距离分类） 。先选定一个距离阈值， 如果待识别的人脸图像投影到特征脸空间后与人脸集空间中点的最小距离仍然大于这个阈值，则说明待识别人脸包含的是未知人脸。本次实验我们选取的阈值为 ),2,1,}({max 2 1,N k j P P k j k j ===θ 把待识别的人脸图像R 投影到特征脸空间，得到： )(x R W P T -= P 与每个人脸的距离定义为：),2,1(2 2 N k P P k k =-=ε 人脸分类的规则如下： （1）、若,,θε≥?k k 则输入图像中包含的是未知人脸。 （2）、若,}min{ θε 三、实验结果与分析 1、首先，我们从人脸库中的二十个人脸样本集每个人脸样本集中抽取两个样本组成一个包含四十个样本的训练样本集，并将这二十个人脸样本集中每个人脸样本集剩下的8个人脸样本作为测试样本集待测试。测试结果如下： 个样本数为四十的训练样本集，用第一次实验的测试样本集继续进行测试，测试结果如下： 原因有两个：一是实验一中得训练样本是由二十个人脸样本集各抽出两个人脸样本组成的；二是实验二中所用训练样本集来自四十个不同人的人脸样本集，所以出现错误的可能性会加大。 四、心得体会 本次实验拿到题目之后，我们首先从书上以及其它资料上了解了K-L变换，弄懂 了它的原理以及做法，然后从网上下载了人脸库，并根据设计好的实验步骤用MATLAB编写程序，最后对测试样本进行测试，得到结果并进行分析。本次实验时在编写程序上我们已经能够很熟练了，并且出现的错误也很少了。 程序代码： 1、用20个人每人两个人脸样本组成训练样本 N=40; X=zeros(92*112,80); i=1; img1=imread('C:\Users\Administrator\Desktop\renlianXL\1.pgm','pgm'); for j=1:10304 X(j,i)=img1(j); end i=i+1; %依次进行读入训练样本集 for j=1:10304 X(j,i)=img60(j); end SUM=sum(X'); XP=1/N*SUM; XP=XP'; A=zeros(10304,40); for i=1:40 A(:,i)=X(:,i)-XP; end B=A'*A; [VV p]=eig(B);%下面需要将vi和di重新排列，保证按从大到小 d=zeros(40,40); V=zeros(40,40); for i=1:40 d(i,i)=p(41-i,41-i); V(:,i)=VV(:,41-i); end dd=0; for j=1:40 dd=dd+d(j,j);%计算所有特征值之和 end z=40; for a=1:40 s=0; for j=1:a s=s+d(j,j); end if s/dd>=0.99&&a<=z%求出占特征值总和的前z个特征值 z=a; end end W=zeros(10304,z); for j=1:z W(:,j)=A*V(:,j)*1/sqrt(d(j,j));%此时的W是特征脸空间 end P=zeros(z,40); for i=1:40 P(:,i)=W'*A(:,i);%将每一幅人脸与平均脸的差值矢量投影到特征脸空间end sita1=0; for i=1:40 for j=1:40 ss=norm(P(:,i)-P(:,j)); if ss>sita1 sita1=ss; end end end sita=0.5*sita1; img01=imread('C:\Users\Administrator\Desktop\renlianCS\s4\1.pgm','pgm '); I=zeros(10304,1); for j=1:10304 I(j,1)=img01(j); end P01=W'*(I-XP); P02=W*P01+XP; sigma=norm(I-P02); sigma1=zeros(z,1); for k=1:40 sigma1(k,1)=norm(P01-P(:,k)); end [sigma2,z0]=min(sigma1); if sigma>=sita fprintf('输入图像不是人脸图像'); else if sigma2>=sita fprintf('输入图像包含未知人脸'); else fprintf('输入图像为库中的第%d个人脸',z0) end 2、四十个人脸样本集中各出一个人脸样本组成人脸样本集 N=40; X=zeros(92*112,40); i=1; img1=imread('C:\Users\Administrator\Desktop\renlianXL\1.pgm','pgm'); for j=1:10304 X(j,i)=img1(j); end i=i+1; %依次进行，读入训练样本集。 for j=1:92*112 X(j,i)=img40(j); end SUM=sum(X'); XP=1/N*SUM; XP=XP'; A=zeros(10304,40); for i=1:40 A(:,i)=X(:,i)-XP; end B=A'*A; [VV p]=eig(B);%下面需要将vi和di重新排列，保证按从大到小 d=zeros(40,40); V=zeros(40,40); for i=1:40 d(i,i)=p(41-i,41-i); V(:,i)=VV(:,41-i); end dd=0; for j=1:40 dd=dd+d(j,j);%计算所有特征值之和 end z=80; for a=1:40 s=0; for j=1:a s=s+d(j,j); end if s/dd>=0.99&&a<=z%求出占特征值总和的前z个特征值 z=a; end W=zeros(10304,z); for j=1:z W(:,j)=A*V(:,j)*1/sqrt(d(j,j));%此时的W是特征脸空间 end P=zeros(z,40); for i=1:40 P(:,i)=W'*A(:,i);%将每一幅人脸与平均脸的差值矢量投影到特征脸空间end sita1=0; for i=1:40 for j=1:40 ss=norm(P(:,i)-P(:,j)); if ss>sita1 sita1=ss; end end end sita=0.5*sita1; img01=imread('C:\Users\Administrator\Desktop\renlianCS\s4\10.pgm','pg m'); I=zeros(10304,1); for j=1:10304 I(j,1)=img01(j); end P01=W'*(I-XP); P02=W*P01+XP; sigma=norm(I-P02); sigma1=zeros(z,1); for k=1:40 sigma1(k,1)=norm(P01-P(:,k)); end [sigma2,z0]=min(sigma1); if sigma>=sita fprintf('输入图像不是人脸图像'); else if sigma2>=sita fprintf('输入图像包含未知人脸'); else fprintf('输入图像为库中的第%d个人脸',z0); end end 人脸识别的技术有哪些你了解吗？ 西安鉴真人脸识别公司告诉你在现如今人脸识别是一种新兴行业。人脸识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。西安鉴真人脸识别公司告诉你人脸识别系统广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。 人脸识别系统具有广泛的应用：人脸识别出入管理系统、人脸识别门禁考勤系统、人脸识别监控管理、人脸识别电脑安全防范、人脸识别照片搜索、人脸识别来访登记、人脸识别ATM机智能视频报警系统、人脸识别监狱智能报警系统、人脸识别RFID智能通关系统、人脸识别公安罪犯追逃智能报警系统等等。西安鉴真人脸识别公司告诉你人脸识别技术包含的三个部分是： (1)人脸检测 面貌检测是指在动态的场景与复杂的背景中判断是否存在面像，并分离出这种面像。一般有下列几种方法： ①参考模板法：首先设计一个或数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸； ②人脸规则法：由于人脸具有一定的结构分布特征，所谓人脸规则的方法即提取这些特征生成相应的规则以判断测试样品是否包含人脸； ③样品学习法：这种方法即采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器； ④肤色模型法：这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。 ⑤特征子脸法：这种方法是将所有面像集合视为一个面像子空间，并基于检测样品与其在子孔间的投影之间的距离判断是否存在面像。 值得提出的是，上述5种方法在实际检测系统中也可综合采用。 仿射变换 ————————————————————————————————作者：————————————————————————————————日期: 第四章保距变换和仿射变换 本章教学目的：通过本章的学习,使学生掌握保距变换和仿射变换这两类重要的几何变换,从而深化几何学的研究，并掌握解决几何问题的一个有效方法。 本章教学重点：(1）保距变换和仿射变换的定义和性质; (2）仿射变换的基本定理； (３）保距变换和仿射变换的变换公式; (４)图形的仿射分类与仿射性质。 本章教学难点：仿射变换的性质和基本定理;仿射变换的变换公式的求法。 本章教学内容： §1 平面的仿射变换与保距变换 1.1――对应与可逆变换 集合X到集合Y的一个映射f:X→Ｙ是把X中的点对应到Y中的点的一个法则,即?ｘ∈X,都决定Y中的一个元素f(ｘ)，称为点ｘ在ｆ下的像。对X的一个子集A,记 f(Ａ)={ｆ（a)|ａ∈A}， 它是Y的一个子集，称为A在f下的像。对Y的一个子集Ｂ,记 f-1(B）={x∈Ｘ|f(ｘ)∈Ｂ｝， 称为B在F下的完全原像,它是X的子集。 如果f是X到Y的映射,ｇ上Y到Z的映射,则它们的复合上X到Z的映射,记作 gｆ: Ｘ→Ｚ，规定为 g f(x)=g(f(ｘ）),?ｘ∈Ｘ. 对A?X， gｆ(A)＝ｇ(f(A)); 对C?Z， （g f)-1(C）＝f－１（g－1(C)). 映射的复合无交换律，但有结合律。 映射f: X→X称为X上的一个变换，iｄX: X→X,?x∈X，ｉd X（x）＝x,称为X的恒同变换。 对映射f: X→Y，如果有映射g：Y→X,使得 g f＝ idＸ：X→X,fｇ=ｉdＹ:Y→Y, 则说ｆ是可逆映射，称ｇ是f的逆映射。 如果在映射f： X→Y下X的不同点的像一定不同,则称ｆ是单射。如果f(Ｘ）=Ｙ，则称f是满射。 如果映射f: X→Ｙ既是单射,又是是满射，则称f为——对应。此时?f－1f=ｉd X,, ｆf-1= ｉdＹ,于是f是可逆映射,并且ｆ的逆映射是f-1。 一个集合X到自身的可逆映射称为X上的可逆变换。 1．2平面上的变换群 平移取定平行于平面的一个向量u,规定π的变换P u：π→π为:?Ａ∈π，令P u AP（A）=u的点。称P u为π上的一个平移，称向量u是P u的平移量。（Ａ）是使得 u 现在人脸识别系统运用到很多的领域，不断地完善、改进，但不管如何，其主要的组成部分还是不变的。接下来，就讨论一下主要组成部分都有哪些吧。 一、人脸图像采集及检测 人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。 人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。 二、人脸图像预处理 人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。 三、人脸图像特征提取 人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。 四、人脸图像匹配与识别 人脸图像匹配与识别：提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。 以上就是主要的组成部分，感兴趣的可以寻找官网进行了解学习。 浙江大华技术股份有限公司，是全球先进的以视频为核心的智慧物联解决方案提供商和运营服务商，以技术创新为基础，提供端到端的视频监控解决方案、系统及服务，为城市运营、企业管理、个人消费者生活创造价值。 3.基于matlab的人脸识别算法 3.1 问题描述 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅 N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次试题采用PCA算法并利用GUI实现。 对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。 任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看，一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.1.1 主成分的一般定义 设有随机变量X1，X2，…，Xp，其样本均数记为，，…，，样本标准差记为S1，S2，…，Sp。首先作标准化变换，我们有如下的定义： (1) 若C1=a11x1+a12x2+ … +a1pxp，…，且使 Var(C1)最大，则称C1为第一主成分； (2) 若C2=a21x1+a22x2+…+a2pxp，…，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分； (3) 类似地，可有第三、四、五…主成分，至多有p个。 3.1.2 主成分的性质 主成分C1，C2，…，Cp具有如下几个性质： （1) 主成分间互不相关，即对任意i和j，Ci 和Cj的相关系数 Corr(Ci，Cj)=0 i j (2) 组合系数(ai1，ai2，…，aip)构成的向量为单位向量， (3) 各主成分的方差是依次递减的，即 Var(C1)≥Var(C2)≥…≥Var(Cp) 人脸识别技术 人脸识别 人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集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进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。 人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点： 非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”； 非接触性：用户不需要和设备直接接触就能获取人脸图像； 并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别； 除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。 人脸识别技术流程 人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。 人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。 人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。 主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。 人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。 人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处 人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧 面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进，其基本思想是: 设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的 基础。 3. 特征脸方法（Eigenface或PCA） 三个方面的缺点： 1.识别精度低 2.自然性、不易察觉以及非接触性也致使人脸识别技术在一些特定领域面临环境复杂性。 便于收集的好处也带来了图像清晰度不高，角度不好等问题 3.人脸识别不只是隐私问题信息泄露面临更大安全隐患 人脸识别的一个缺点也在于信息的可靠性及稳定性较弱。 人脸所蕴含的信息量较指纹、虹膜等生物特征相比是比较少的，其变化的复杂性不够。例如，若要两个人的指纹或者虹膜基本相同，大概需要好几十乃至上百个比特(信息量的度量单位)达到完全重合才可以。但如果是人脸的话，十几个比特达到重合就可以了。在全世界，可以找到很多具有相似性的面孔。所以说，人脸的辨别性不是很高，它并没有那么独一无二。 另外，人自身内在的变化以及外在环境的变化都会影响采集时人脸的信息稳定度。相较于之前的人脸识别技术，目前的人脸识别技术有所提高，但是具体应用时还是不能达到完美状态，如今，保守估计，人脸识别技术准确率能达到99%，但没有达到100%。同时，对于双胞胎，由于相似特征太多，人脸识别基本不可能完成。比如在ATM机上使用人脸识别技术，是在使用密码信息的基础上辅助的认证功能。如果脱离了密码输入，完全使用人脸识别技术进行存取款操作，是不太可能的。 例如，2018年7月，美国公民自由联盟（ACLU）对美国国会议员的照片应用了亚马逊算法，该算法确定其中28人是因犯罪而被捕的人。 如果说双胞胎根本不应该用此技术来进行分辨的情况下，如何解决整容带来的无法辨别的问题？在如今整容手段如此先进的情况下？ 其一，应用“人脸识别”技术的视频采集机器设备愈来愈普及化，会否对大家的人身自由权与隐私权产生威协，这个问题如何解决？其二，人工智能的市场应用，会否产生新的岐视与不公平，并对人们具有的社会道德纪律产生挑战？ 例如：一些商业算法在识别肤色较深的人员和女性方面不如识别肤色较浅的男人准确。 浅谈仿射变换在解决椭圆问题中的应用 文[1]介绍了在解决椭圆的某些综合问题时，可以利用仿射变换的办法，把椭圆变换为圆来进行研究，会使得问题的解决过程变得简化.笔者也结合自身的教学与解题实践，通过几道例题，浅谈一下仿射变换在解决椭圆综合问题中的一些用法. 例1 已知椭圆22221(0)x y a b a b +=>>，O 为坐标原点，A 为椭圆右顶点，若椭圆上存在点P (异于点A )，使得PO PA ⊥，则椭圆离心率的取值范围为________. 分析 此题中的点P 满足PO PA ⊥，即点P 在以AO 为直径的圆上，也即椭圆22221(0)x y a b a b +=>>与以AO 为直径的圆有不同于点A 的公共点.利用仿射变换将椭圆变换为圆，点P 变换为点'P ，则点P 与点'P 的纵坐标之比即为椭圆短半轴与长半轴之比. 解 作仿射变换，令','a x x y y b ==，可得仿射坐标系'''x O y ，在此坐标系中，上述椭圆变换为圆222''x y a +=，原坐标系中以AO 为直径的 圆的方程为220x ax y -+=，则0'b y a y ?=== ??，不难 求得椭圆离心率,12e ??∈ ? ??? . 说明 此题解法较多，用别的方法也不难求得本题的结果,但由上述过程我们看到，仿射变换也为我们提供了一种方便简洁的求解思路. 例2 已知椭圆22221(0)x y a b a b +=>>，12F F 、分别为椭圆左右焦点，过12F F 、作两条互相平行的弦，分别与椭圆交于M N P Q 、、、四点，若当两条弦垂直于x 轴时，点M N P Q 、、、所形成的平行四边形面积最大，则椭圆离心率的取值范围为________. 分析 利用仿射变换将椭圆变换为圆，此时M N P Q 、、、四点分别变换为''''M N P Q 、、、四点，由仿射变换时变换前后对应图形的面积比不变这个性质，故将上述题目中的椭圆变换为圆时，''''M N P Q 、、、四点所形成的平行四边形面积最大值仍在两条弦与x 轴垂直时取到，故只需研究在圆的一条直径上，取关于圆心对称的两点12F F 、，当1OF 为多少时，能使得过12F F 、的两条互相平行的弦与此直径垂直时刻， 与圆的四个交点所形成的面积最大. 解 作仿射变换，令','a x x y y b ==，可得仿射坐标系'''x O y ，在此坐标系中，上述椭圆变换为圆222''x y a +=，点12F F 、坐标分别为 (,0)(,0)c c -、，过12F F 、作两条平行的弦分别与圆交于''''M N P Q 、、、四点.由平行四边形性质易知，三角形'''O P Q 的面积为''''M N P Q 、、、四点所形成的平行四边形面积的14 ，故只需令三角形'''O P Q 面积的最大值在弦''P Q 与x 轴垂直时取到即可.由文[2]中的结论，易得当 0,2c ??∈ ? ?? 时，三角形'''O P Q 面积的最大值在弦''P Q 与x 轴垂直时取到.故此题离心率的取值范围为02? ??，. 说明 此题的一般解法也较多，但按照常规解法则较为繁琐.而上述解法利用仿射变换把椭圆变换为圆后，由于圆中三角形面积的计算 基于ＭATＬAB的人脸识别 ————————————————————————————————作者: ————————————————————————————————日期: 图像识别 题目:基于MＡTＬAB的人脸识别 院系:计算机科学与应用系 班级: 姓名： 学号： 日期： 设计题目基于MAＴLAＢ的人脸识别设 计技术参数 测试数据库图片10张训练数据库图片20张图片大小１02４×7６8 特征向量提取阈值 1 设计要求综合运用本课程的理论知识,并利用MAＴＬAB作为工具实现对人脸图片的预处理,运用ＰCA算法进行人脸特征提取，进而进行人脸匹配识别。 工作量 两周的课程设计时间，完成一份课程设计报告书，包括设计的任务书、基本原理、设计思路与设计的基本思想、设计体会以及相关的程序代码； 熟练掌握Maｔlab的使用。 工作计划第1-2天按要求查阅相关资料文献,确定人脸识别的总体设计思路； 第３-4天分析设计题目，理解人脸识别的原理同时寻求相关的实现算法；第５-８天编写程序代码，创建图片数据库,运用ＰCＡ算法进行特征提取并编写特征脸，上机进行调试； 第9-12天编写人脸识别程序,实现总体功能； 第13-1４天整理思路,书写课程设计报告书。 参考资料1 黄文梅，熊佳林,杨勇编著．信号分析与处理——MATAＬB语言及应用.国防科技大学出版社，2000 2 钱同惠编著.数字信号处理.北京:机械工业出版社，２004 3 姚天任,江太辉编著.数字信号处理．第2版.武汉:武汉理工大学出版社,200０ 4 谢平，林洪彬，王娜.信号处理原理及应用．机械工业出版社，２00４ 5刘敏，魏玲.Mａｔｌａb.通信仿真与应用.国防工业出版社，20０5 6 楼顺天.基于Ｍatlab7．x 的系统分析与设计.西安电子科技大学,200２ 7孙洪.数字信号处理.电子工业出版社，２001 目录 引言?错误!未定义书签。 1 人脸识别技术?错误!未定义书签。 1.1人脸识别的研究内容?错误!未定义书签。 1.1.1人脸检测(Faｃe Dｅｔection）........... 错误!未定义书签。 人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA） 无论是在人脸识别或跟踪领域，还是在图像处理领域，在我们做训练或者分析局部数据之前，都需要把对应的图像数据提取出来，如果必要还应该做相应的Scale处理，下面介绍了一个应用仿射变换提取图像中目标块的例子。 采用仿射变化的优点是易于处理目标块旋转，尺度的变换。 应用背景： 如何提取目标块中的数据，并且对其进行resize处理？ 尤其是当目标块存在旋转的时候，我们如何把它正过来？ 其它优点：仿射变换还可以处理像斜变这种线性形变。 2008-12-1 王栋 例子affine_exp.m 注：目前程序只支持灰度图像数据 image = imread('lena.bmp'); figure(1); hold on; imshow(image); block_size = [ 320 320 ]; %%缩放后的目标大小 sz = [ 70 70 ]; %%原图中的目标大小 p = [ 146 156 70 70 0 0 ]; %%参数：依次为：X方向中心坐标，Y方向中心坐标，宽，高，旋转角度（弧度），斜变角度（一般取0） w = block_size(1); param = [p(1), p(2), p(3)/sz(1), p(5), p(4)/p(3), 0]; param = affparam2mat(param); drawbox(sz, param, 'Color','r', 'LineWidth',2.5); hold off; param = [p(1), p(2), p(3)/w, p(5), p(4)/p(3), 0]; param = affparam2mat(param); wimg = warpimg(double(image), param, block_size); figure(2); imshow(uint8(wimg)); 实验结果解释：实验中参数p = [ 146 156 70 70 0 0 ]说明了提取框的位置，大小，旋转信息。sz = [ 70 70 ]表明待提取图像的大小为70x70。block_size = [ 320 320 ]表明提取目标再进行resize后图像的大小 2008-12-1 王栋 人脸识别论文（基于特征脸） 学生姓名：陈立学号： 20107977 专业年级： 10级计算机科学与技术一班 摘要 生物特征识别技术使用了人体本身所固有的生物特征，与传统的身份识别方法完全不同，具有更高的安全性、可靠性、和有效性，越来越受到人们的重视。人脸识别技术作为生物特征识别技术的重要组成部分，在近三十年里得到了广泛的关注和研究，已经成为计算机视觉、模式识别领域的研究热点。人脸识别在公共安全、证件验证、门禁系统、视频监视等领域中都有着广泛的应用前景。 本文是在人脸数据库的基础上做人脸特征提取和识别研究，主要内容如下： （1）对人脸识别研究的内容、相关技术、主要实现方法及发展历程作了详细介绍。 （2）介绍主成分分析法(PCA)、K-L变换，并利用特征脸方法实现了人脸识别。 （3）给出了基于matlab环境的编程及实验结果，并对结果进行分析。 关键词：人脸识别，特征脸，K-L变换，主成分分析 第一章人脸识别概述 1.1 生物特征识别技术 生物特征识别技术是通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴定。生理特征与生俱来多为先天性的;行为特征则是习惯使然，多是后天性的。我们将生理和行为特征统称为生物特征。常用的生物特征包括:指纹、掌纹、虹膜、视网膜、脸像、声音、笔迹等。 那么，生物特征识别技术是如何进行个人特征识别的呢? 生物鉴别的过程分成三个步骤:生物特征数据采样，生物特征提取和特征匹配。数据采样过程是通过各种传感器对生物特征进行原始数据采集的过程，生物特征提取过程则从传感器采集的数据中抽取出反映个体特性的信息(通常是某种数学上的编码过程)，匹配阶段则是计算生物特征之间的相似性并进行排序和一致性判断的过程。 生物特征识别技术主要有人脸识别、指纹识别、语音识别、虹膜识别等。生物识别技术在上个世纪己经有了一定的发展，其中指纹识别技术己经趋近成熟，但人脸识别技术的研究目前还处于起步阶段。指纹、虹膜、掌纹等识别技术都需要被识别者的配合，有的识别技术还需要添置复杂昂贵的设备。人脸识别则可以用已有的照片或是摄像头远距离捕捉图像，无须特殊的采集设备，系统的成本低。并且自动人脸识别可以在当事人毫无察觉的情况下即完成身份确认识别工作，这对反恐怖活动等有非常重大的意义。由于人脸识别技术具有如此之多的优势，因此它的应用前景非常广阔，已成为最具潜力的生物特征识别技术之一。 1.2 人脸识别技术 所谓人脸识别，是指对输入的人脸图像或者视频，判断其中是否存在人脸，如果存在人脸，则进一步给出每张人脸的位置、大小和各个面部主要器官的位置信息，并且依据这些信息，进一步提取每张人脸蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每张人脸的身份。其研究内容包括以下五个方面： 人脸识别技术分析 近年来，由于反恐、国土安全和社会安全的需要，世界上各个国家都对安防领域加大了投入。在安防行业中，生物识别一直是市场中备受关注的焦点之一，近年来保持着较高的增长率，其中人脸识别是一个活跃的研究领域，也是人类视觉最杰出的能力之一。虽然人脸识别的准确性要低于虹膜、指纹的识别，但由于它的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。目前人脸识别技术不断得到发展，该技术广泛应用到电子护照、生物特征身份证、体育场馆、银行、公安等系统中，对安检、奥运反恐、刑侦追逃等有重要意义。当前由于其应用日渐增多该市场份额比重在不断增加，前景普遍被看好。 对于人脸识别的应用，依照摄像机到用户的距离可将其分为近距离人脸识别（普遍必要用户合作）、中距离人脸识别和远距离人脸识别系统（FaceRecognitionataDistance（FRAD）），其中远距离人脸识别技术关注的是在一个广阔区域内进行非合作的人脸自动识别，这种远距离生物特征的提取和识别可以通过采用主动视觉系统解决。目前，在很多商业、安防和国防应用中都需要在开阔区域内进行远距离（10～20米或更远）非合作的人员识别。比如用于安防目的的人员识别和监督、入侵检测，以及在广阔的区域内通过智能摄像机网络进行人员跟踪等。人脸识别与视频监控的无缝对接可极大地提升传统视频监控的预警功能和智能化程度，并极大地拓展人脸识别技术的应用空间。 在近距离人脸识别中，摄像机可以轻松捕捉高辨别率和相对稳定的人脸图像。而可在FRAD应用中，人脸图像质量却是个大难题，可以说，远距离人脸识别是视频人脸识别应用中最具挑战性的形式之一。近年来国内外针对远距离人脸识别的研究很多，从目前的发展情况来看，对于广阔的覆盖区域已经有一些有效的解决办法，如可通过多摄像机主动视觉系统完成FRAD，即系统通过广视场摄像机（ 人脸识别技术的几个主要研究方向 1 引言 计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..) 。计算机人脸识别是目前一个非常活跃的研究课题，它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强，能够记住并辨识上千个不同的人脸，可是对于计算机则困难多了，其表现在：人脸表情丰富；人脸随年龄的增长而变化；发型、胡须、眼镜等装饰对人脸造成的影响；人脸所成图像受光照、成像角度以及成像距离等影响。 计算机人脸识别技术是近20年发展起来的，90年代更成为科研热点，仅从1990 年到1999年之间,EI 可检索到的相关文献多达数千篇，关于人脸识别的综述也屡屡可见[1] 。自动人脸识别系统包括两个主要技术环节首先是人脸检测和定位，然后是对人脸进行特征提取和识别（匹配）。本文着重介绍人脸识别技术的各类方法，通过对比指出各类方法的优缺点及今后的发展方向。 2 人脸检测和定位 人脸检测和定位即对于给定的一幅图像检测图像中是否有人脸,若有则确定其在图像中的位置,并从背景中分割出来。这是个极富挑战性的问题，因为人脸是非刚体，且人脸在图像中的大小和方向以及人的肤色和纹理等方面有很大的可变形。人脸检测问题主要有四种：（1）对于给定的一幅人脸图像，将其中的人脸定位并给出其位置；（2）在一幅混乱的单色场景图中检测出所有的人脸；（3）在彩色图像中检测（定位）所有人脸；（4）在某一视频序列中，检测和定位出所有人脸。文献[2]对人脸检测进行了较为详细的综述，指出常用的人脸检测方法有四种：（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法；（4）基于外貌的方法（Appearance-based methods），在基于模板匹配的方法中所采用的是预先确定的模板，而在基于外貌的方法中其模板的选择是通过对一系列图像的学习而确定的。一般来说，基于外貌的方法依靠统计和学习技术来找出人脸和非人脸图像的相关特征。在该方法中有特征脸法、基于聚类的方法、神经网络方法和支持向量机的方法。CMU库是常用的人脸检测库，主要的算法评定指标为错误接受率（FAR）和错误拒绝率（ARR）。 3 人脸特征提取和识别 目前大部分研究主要是针对二维正面人脸图像，也有基于三维人脸模型的方法，还有一种所谓的混合系统的身份鉴定系统。 3.1 二维正面人脸识别 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大 《人脸识别技术》阅读答案 《人脸识别技术》阅读答案 阅读下文，完成第15-16题。（共6分） ①人脸识别技术，是指基于人的脸部特征信息，通过计算机与生物传感器等高科技手段结合，利用人体固有的生理特性，进行个人身份鉴定的一种生物识别技术。这种技术先对输入的人脸图象或者视频流进行判断，给出每张脸的位置、大小和面部各个主要器官的具体信息。依据这些信息，进一步提取人脸中所蕴涵的身份特征，将其与已知的人脸进行比对，从而识别每个人的身份。 ②与传统的身份鉴定方式相比，人脸识别技术的最大特点就是识别精确度高。人脸识别独具的活性判别能力，保证了他人无法以非活性的照片、木偶、蜡像欺骗识别系统，无法仿冒。此外，人脸识别速度快，不易被察觉。与其他生物识别技术相比，人脸识别属于一种自动识别技术，一秒内可以识别好几次。不被察觉的特点对于一种识别方法也很重要，这会使该识别方法不令人反感。 ③人脸识别技术是基于生物统计学原理来实现的。先通过计算机相关软件对视频里的图像进行人脸图像采集、人脸定位、人脸识别预处理，从中提取人像特征点。然后利用生物统计学的原理进行分析，建立数学模型，即人脸特征模板。将已建成的人脸特征模板与被测者的面像进行特征比对，根据分析的结果给出一个相似值。通过这个值即可确定是否为同一人。现在这一技术已得到广泛应用。 ④例如，由于儿童被拐卖事件时有发生，为了保护孩子的安全，有些幼儿园安装了面部识别系统。这些系统主要采用人脸识别加IC/ID卡（非接触式智能卡)双重认证。每一位儿童在入学注册登记时必须提供IC/ID 卡号、儿童面像、接送者面像等相关资料。每次入园、出园时都应刷卡并进行家长人脸认证。如果认证成功，拍照放行；如果认证失败，拍照后报警通知管理员。不论识别成功与否，系统都会记录下被识别者的详细资料。有的系统还有短信扩展功能，家长可在手机上看到认证时所拍的照片以及整个接送过程。这样，有效防止了儿童被拐事件的发生。 ⑤目前，人脸识别技术是生物科技领域在可行性、稳定性和准确性等专业技术指标中数值最高的技术，也是各行各业安全保卫工作中运用最广、效果最好的一种技术。在未来的几年内，它必将超越指纹识别等其他生物技术，成为生物识别技术领域的霸主。 15.本文首先概述了人脸识别技术，然后逐段介绍了人脸识别技术的特点和，以及现在这一技术的，最后说明了它在生物识别技术领域的重要地位。（2分） （共2分）原理（过程）（1分）应用（1分） 本文分别从哪些方面对人脸识别技术进行说明的？ 16.结合文章第②段内容，分析下面两则材料分别着重表现了人脸识别技术的什么特点，并说明理由。（4分） 【材料一】 《数字图像处理》实验指导书 信息科学与工程学院 袁子鹏 网络11-2班 3110757219 实验二、图像的几何变换 一、 实验目的 1掌握图像几何变换的原理； 2 利用MATLAB 实现图像的平移、比例缩放和旋转变换。 二、 实验原理 图像的几何变换包括:图像的空间平移、比例缩放、旋转、仿射变换和图像插值。 图像几何变换的实质:改变像素的空间位置，估算新空间位置上的像素值。 图像几何变换的一般表达式：[,][(,),(,)]u v X x y Y x y = ，其中，[,]u v 为变换后图像像素的笛卡尔坐标， [,]x y 为原始图像中像素的笛卡尔坐标。这样就得到了原始图像与变换后图像的像素的对应关系。 平移变换：若图像像素点 (,)x y 平移到 00(,)x x y y ++，则变换函数为 0(,)u X x y x x ==+， 0(,)v Y x y y y ==+，写成矩阵表达式为： 00x u x y v y ??????=+???????????? 其中，x 0和y 0分别为x 和y 的坐标平移量。 比例缩放：若图像坐标 (,)x y 缩放到（ ,x y s s ）倍，则变换函数为： 00x y s u x s v y ??????=?????????? ?? 其中, ,x y s s 分别为x 和y 坐标的缩放因子，其大于1表示放大，小于1表示缩小。 旋转变换：将输入图像绕笛卡尔坐标系的原点逆时针旋转θ角度，则变换后图像坐标为： cos sin sin cos u x v y θ-θ??????=??????θθ?????? 三、 实验步骤 1打开Matlab ，程序组中“work ”文件夹中应有待处理的图像文件； 2编写函数，对图像进行平移变换，使图像平移横坐标偏移量x 和纵坐标偏移量y ； 3编写函数，对图像进行比例缩放，使图像缩放横坐标偏移量x 和纵坐标偏移量y ； 4 编写函数，对图像进行旋转变换，使图像旋转某个角度angle ； 5 利用上面的函数，对一幅图像完成以下几何变换：先对x 方向缩小0.5倍，y 方向缩小0.25倍，然后平移[20,20]，最后旋转90度。 6记录和整理实验报告。 函数定义： function J=translate(I, x, y) %平移量x 和y 图象变换 imtransform 基于LBP的人脸识别算法研究 一、应用背景 随着社会的发展以及技术的进步，人们对快速、高效的自动身份验证的要求日益迫切，生物识别技术在科研领域得到了极大的重视和发展。在人与人的接触中，人脸所包含的视觉信息占据了重要地位，它无疑是区分人与人之间差异的最重要特征之一。相对于指纹、虹膜、掌纹、步态、笔迹、声纹等生物特征，利用人脸来识别具有不可比拟的优势：操作隐蔽，特别适用于安全、监控、和抓逃工作；非接触式采集，无侵犯性，容易接受；方便、快捷、强大的实时追踪能力；符合人类识别习惯，交互性强；应用摄像头即可完成图像采集，设备成本较低。人脸识别属于计算机科研领域的一项热门技术，它是一种基于生物特征的识别技术，利用计算机从图像或图像序列中检测出人脸，并判断其身份。 人脸识别目前主要运用在如下三个方面： 第一，刑侦破案方面。例如，公安部门获得案犯的照片之后，可以利用人脸识别技术在存储罪犯照片的数据库中找出最相像的人，即嫌疑犯。 第二，证件验证方面。如身份证、驾驶执照以及其他很多证件上都有照片，现在这些证件多是人工验证的，如果应用人脸识别技术，这项任务就可以交给机器去完成，从而实现自动化智能管理。 第三，人口控制方面。此应用范围很广，例如可以设在楼宇单位或者私人住宅入口的安全检查，也可以是计算机系统或者情报系统等的入口检查。 世界上很多国家都在积极地开展对人脸识别技术的相关研究，不同的研究机构或研究人员按照不同的划分标准，对人脸识别的研究内容的分类不尽相同。在此处按其所研究得具体技术的范围可以大致将人脸识别分为如下四个方面的内容来进行阐述： （1）人脸检测，主要的方法有：基于轮廓（或肤色等）信息人脸检测方法，基于Adaboost 算法人脸检测方法，基于支持向量机（SVM）人脸检测方法以及基于神经网络的人脸检测方法等； （2）人脸特征描述与提取即特征提取，主要方法：基于局部二值模式纹理特征提取方法，基于人脸几何特征的特征提取方法，还有基于主成分特征（PCA）特征提取方法，基于独立元特征的特征提取算法，如Gabor等，还有2D 和3D 形变模型方法等； （3）人脸特征降维，主要方法：线性降维方法如主成分分析PCA和LDA (Linear Discriminate Analysis) 等发展到非线性降维方法如局部线性嵌入(LLE) 、等距嵌入 1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且人脸识别的技术有哪些你了解吗
仿射变换
人脸识别系统的主要组成部分
基于matlab的人脸识别算法(PCA)
人脸识别技术
人脸识别主要算法原理
人脸识别技术的弊端
浅谈仿射变换在解决椭圆问题中的应用(精选.)
基于MATLAB的人脸识别
人脸识别主要算法原理
仿射变换用于从图像中提取目标块
人脸识别论文(基于特征脸)陈立
人脸识别技术分析
人脸识别技术的几个主要研究方向
《人脸识别技术》阅读答案
实验二、图像的几何变换 (2) 袁子鹏 网络11-2班 3110757219
基于LBP的人脸识别算法研究
人脸识别技术的主要研究方法