人脸识别技术及应用研究 图文.doc

人脸识别技术及应用研究_图文第二章主成分分析(PCA17“Eigenfaces”,即,“特征脸”,它们是最初训练图像集的基本组件。识别的过程是把一副新的图像投影到特征脸子空间,并通过它的投影点在子空间的位置以及投影线的长度来进行判定和识别。“副预处理的目的是去除噪声和增强有用的信息,并对输入测量仪器或其他因素所造成的退化现象进行补偿和复原。图像在采集过程中,由于受光线等外部环境因素、摄像头和采集卡噪声等内部因素的影响以及在实际处理中需要突出感兴趣的信息,采集到的人脸图像并不能满足识别的要求,因此我们需要一些采取一些措施来符合识别的要求。直方图修正是解决这个问题的有效手段,它通过构造灰度级变换,改造原图像的直方图,使原图像灰度级集中的区域拉开或使灰度分布均匀,从而增大反差,使图像的细节清晰,达到增强的目的。,对比修正前后的直方图,可以看出直方图均衡化后,图像直方图趋于平坦化,且灰度间隔被拉大,从而有利于图像的分析和识别。。对应于协方差矩阵非零特征值的特征向量组成正交基,然后将n维空间中的原始图像投影到该特征空间中。特别说明,此时的原始图像x存成大小是n维的向量,RtJ:x‘一【工i,x:,…,工:】7(2-20训练集为x1,工2,…,工7(这里P为样本图像数量,形成矩阵石纠f川,其中行代表像元,列代表每幅人脸图像。将训练样本集中的人脸图像减去平均人脸图像∥,计算离散差值,将训练图像中心化。,此时/L--吉蓦∥(2-21//口将中心化之后图像组成一个大小为n×P的矩阵i:-1,丢..,;9】(2—22将中心化后的图像组成的矩阵i乘以它的转置矩阵得到协方差矩阵Q:Q。丽7(2—23求解协方差矩阵Q的k个非零特征值^,A:,…,九,以及所对应的特征向量/AI,U:,…,“。。一般来说,训练图像数量P远远小于一幅图像的像素值n,所以协方第一二章主成分分析(PCA在用PCA算法对该实验库中的人脸图像进行训练识别时,发现如果训练样本如果分别采用1、2、6、9幅图像,那么就不能正确识别3、5幅图像,其原因是第3、5幅图像与1、2、6、9图像存在非常明显的差别,3、5人脸图像都是侧向右侧的。而其他的都是正面图像或者是侧向左侧的。调整TN练样本后,即将第3或5幅图像调整加入到训练集中,再加上第1,2幅图像,就得到了正确识别。