基于奇异值分解的人脸识别

人机交互大作业

——人脸识别

“人脸识别”系统设计文档

人脸识别的意义及应用

人脸识别是指对视频或图像中的人脸进行发现，追踪，进而识别出是特定个体的一种生物特征技术，也是生物特征识别中最主要的研究方向之一。人脸识别在日常生活中有着非常广泛的应用市场。下面列举了一些人脸识别的主要应用： 1. 监控系统

监控系统在日常生活中非常常用，是防盗系统的主要组成部分之一。人工智能的监控系统的一大优势就是可以将人类从每天对着监视器的枯燥工作中解脱出来。将监视的工作交给计算机来做，有几个优势。一是可以365天，24小时不间断的工作。二是可以不知疲倦，不会因为时间长而分散注意力。但是人工智能的监控系统仍面临着很多问题，比如漏识别，识别误差等等。 2. 身份验证

身份验证系统可以应用的范围也很广。比如现有的银行存取款系统，当人的银行卡和密码同时丢失时，卡中的钱就可能被转走。但是如果在取款机上安装一个人脸识别系统，在提供银行卡和密码时，同时需要进行面部认证，这样就会大大降低个人财产损失的风险。 3. 考勤系统

考勤系统通常用在公司里。传统的考勤系统需要给每个员工分配一张考勤卡，每天上下班需要去打卡。这样会给员工带来一定的不便。如果员工忘记带卡，或者卡有损坏，就会耽误打卡。而且专门设立打卡地点，不仅上下班打卡不方便，而且还会出现替打卡的情况。使用人脸识别系统，可以在不被觉察的情况下，自然地实现员工的考勤。减少了很多不必要的麻烦。 4. 视频、图像检索

随着人们对图像，视频等需求的不断扩展，网络上的图像和视频信息量也在以极快的速度增长。在如此庞大的信息库中快速查找到用户需要的信息成了现在研究的一个重要方向。而现在最主流的方式是在视频和图像上附带描述信息。这种描述信息可以被发布人随意更改，很多时候会对用户产生误导，浪费了时间。而用人脸识别进行图像和视频的检索，在检索某些特定人相关的资源时，会大大提高搜索结果的质量。再配合上描述关键词，能使人更快速寻找到所需信息。

人脸识别的优势和困难

人脸识别相对于传统的身份验证技术，和现有的虹膜识别，指纹识别等技术有一个显著的优势，就是可以自然地获取识别对象的身份信息，而不需要识别对象刻意的配合。虹膜识别和指纹识别都需要识别对象的配合。在这种情况下，识别对象可以有意识的进行伪装和欺骗。而人脸识别是在人们不经意的时候对人们图像的采集和识别，不会引起识别对象的注意。因此从某种意义上更容易获得真实的信息。

虽然人脸识别有着不可比拟的优势，但是在实现方面还有着很大的困难。

首先，人脸具有很高的相似性。不同的个体之间人脸的区别不是很大。这一点对于人脸在图像中的定位是有利的，但是要对人脸进行进一步的识别是很不利的。所以要对人脸进行识别必须考虑更细致的面部特征来区分个体。

第二，人脸具有易变性。人脸作为一种生物特征，并不是一成不变的。随着年龄的增长，人的容貌会发生改变。人的心情不同，面部表情不同，人脸也会发生不一样的变化。人的装束，发型，脸部的装饰等等，都会给识别工作带来干扰。如何克服这些变化，从而达到最好的识别效果，是人脸识别的难题之一。

第三，人脸识别的约束性。根据现在的技术，人脸识别只是在光照比较稳定，用户配合度高的环境下才能取得良好的效果。但是很多情况下，识别环境会有光线变化和拍摄角度变化。如何处理光线的变化和人脸角度的变化是人脸识别的另一个主要困难。

只有克服了这些困难，才能实现实用的，鲁棒性强的人脸识别。

人脸识别流程

人脸识别主要分为两个部分，一个部分是学习（训练）过程，另一个是识别的过程。人脸的检测是学习和识别的先决条件。首先要对视频或者图片中的人脸进行检测和跟踪。第二步要将跟踪的人脸进行裁剪，灰度化等各种处理。第三部是对处理过的样本进行特征值的提取。在学习过程中，要将特征值全部存入一个样本库中，以便识别时调用。在识别过程中，要将样本的特征值，通过特定的距离算法，选出与样本库中特征值最相近的样本，作为检测结果。当然，如果检测样本与最相似的人脸距离超过一个阈值的话，则可以判定该样本库中不存在检测样本对应的人脸。

人脸识别主要方法

人脸识别有很多成型的算法，从各个角度对人脸的区分进行了研究。下面列举了一些主要的人脸识别算法。

基于几何特征的人脸识别：基于几何特征的人脸识别是利用面部器官的形状，结构等特征进行识别的方法。人的面部器官的大小和形状会根据个体不同而有变化，而不同的人这些器官之间的距离也是不同的。这些差异放到一起，组成了千差万别的人脸。基于几何特征的人脸识别正是利用了这些差异对人脸进行识别的。

基于子空间的人脸识别：基于子空间的人脸识别方式是指通过对人脸图片矩阵进行线性或非线性的矩阵变换，投影到低维矩阵上，进而进行人脸识别的方法。基于子空间的人脸识别的代表主要有主成分分析（PCA）、奇异值分解等方法。 基于神经网络的人脸识别：基于神经网络的人脸识别可以获得其他方法难以获得的人脸规则和特征的隐形表示。但是这种方法通常需要多个样本进行学习。基于神经网络的人脸识别中最有影响力的是动态链接结构。 基于小波变换特征的人脸识别：小波变换特征原是应用在信号处理方面的工具，近年来被用在人脸识别领域。弹性匹配方法是小波变换特征识别的代表。 基于隐马尔科夫模型的人脸识别：此方法最先被用在声音识别上，后被引入到人脸识别领域。隐马尔科夫模型中节点表示状态，有向边表示状态之间的转移。隐马尔科夫模型的鲁棒性较好，受姿态等影响较小。识别率较高。

系统基本思路

本程序分为三个模块，分别是样本采集模块，训练模块和识别模块。

样本采集模块

样本采集模块的主要功能是采集人脸部分的图片，并进行裁剪和灰度化处理。

首先是要检测到人脸所在的位置并进行跟踪。这里我们使用了OpenCV提供的Haar模板匹配的方法。将图片以方阵为单位进行顺序扫描，如果发现符合的矩阵，对其进行画框标记，以告知使用者发现人脸。然后将画框的人脸图片从采集到的图片中裁剪出来。样本裁剪的大小是统一的。这里我们使用的大小是100px*110px（w*h）。

然后将裁剪好的图片进行灰度化处理。将处理之后的图片保存起来，作为经过预处理的样本。

训练模块

训练模块是整个程序的核心模块。训练模块的主要功能是计算样本的特征值，形成样本模板库。这个阶段需要的输入是样本采集模块形成的预处理过的样本图片。

首先将所有的样本图片进行矩阵的累加，然后除以样本总数，得到平均脸的图像。

第二步，将得到的平均脸进行奇异值分解，得到一个左奇异矩阵和一个又奇异矩阵。

然后，将所有样本图片依次向平均脸进行投影，具体投影方法参见上图。注意要将左奇异阵和右奇异阵进行转置后再做乘法。

最后，取所得矩阵的对角线元素作为该样本的特征值进行存储。

识别模块

识别模块是一个待识别图像的特征值和样本库中的特征值进行比较的过程，是实现识别功能的一个过程。

首先，要按照学习模块的方式求出样本的特征值。

然后，将待识别样本的特征值与样本库中得到的图片的特征值一一进行比对。我们采用了最近邻近分类器（NNC），即用待识别样本的特征值与样本库中所有的特征值计算距离，取距离最近的那个特征值所在的分类作为最后的识别结果。

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库基于奇异值分解的人脸识别在线全文阅读。