人臉識(shí)別的具體實(shí)現(xiàn)一個(gè)完整的人臉識(shí)別系統(tǒng)由以下幾個(gè)環(huán)節(jié)組成，人臉檢測(cè)，特征提取，和分類(lèi)識(shí)別。人臉檢測(cè)即為從輸入的靜止圖像或序列圖像中檢測(cè)圖像是否包含人臉。因?yàn)楸敬螌?shí)驗(yàn)主要是驗(yàn)證PCA和KNN算法的精度，所以選擇的圖像都是包含人臉的圖像。實(shí)驗(yàn)中采用PCA算法對(duì)特征進(jìn)行提取，用KNN算法對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行檢測(cè)，測(cè)定測(cè)試圖像屬于哪個(gè)分類(lèi)。在計(jì)算機(jī)中，一幅數(shù)字圖像可以看成是一個(gè)矩陣或者是一個(gè)數(shù)組，用，0力表示。其行列下標(biāo)對(duì)應(yīng)了圖像上的一個(gè)點(diǎn)，而在矩陣中對(duì)應(yīng)相應(yīng)元素，則標(biāo)出了該點(diǎn)的灰度值。一幅nxm大小的圖像按行列相連構(gòu)成一個(gè)n*m維向量x=(bb…bbb…b…bb…b)「1112 1m2122 2mn1n2 nm，匕被視為空間中的一|點(diǎn)。人臉圖像樣本集可用矩陣X表示，其中，X=[X1X2…Xp]，P為樣本集中人臉圖像的數(shù)量。交叉驗(yàn)證當(dāng)數(shù)據(jù)源不充足時(shí)，為了保證所建分類(lèi)器的性能和錯(cuò)誤率估計(jì)的準(zhǔn)確性，交叉驗(yàn)證技術(shù)常常被采用.在交叉驗(yàn)證中，先要決定一個(gè)固定的重?cái)?shù)，或者說(shuō)折數(shù).一般地，將重?cái)?shù)定為k，這就是k重交叉驗(yàn)證，記為k-CV.由于本次試驗(yàn)中采集了40組圖像，每組10幀，數(shù)據(jù)源相對(duì)不充足，為了充分驗(yàn)證算法的性能，分別采用了3-CV,4-CV,5-CV交叉驗(yàn)證法，隨機(jī)選擇訓(xùn)練樣例。實(shí)驗(yàn)結(jié)果分析為了保證分類(lèi)的健壯性，在試驗(yàn)中在訓(xùn)練集上采取交叉驗(yàn)證的方法，分別從每組樣本中國(guó)隨機(jī)選取3,4,5張圖像作為訓(xùn)練樣本，其余的樣本作為測(cè)試樣本。計(jì)算訓(xùn)練樣本的特征向量。實(shí)驗(yàn)中使用的圖像為1024*92大小的圖片，通過(guò)resize()函數(shù)的處理，把圖像變?yōu)?2*32

大小的圖像，把此圖像重置為1*1023的向量。當(dāng)每組選擇3張訓(xùn)練樣本時(shí)，訓(xùn)練樣本矩陣大小為120*1024.，訓(xùn)練樣本的大小為：280*1024。使用PCA方法得到了訓(xùn)練樣本矩陣的特征值和特征向量，特征值按從大到小排序。較大特征值對(duì)應(yīng)的一些正交基（也稱(chēng)主分量）能夠表達(dá)人臉的大體形狀。貢獻(xiàn)率表示所定義的主成分在整個(gè)數(shù)據(jù)分析中承擔(dān)的主要意義占多大的比重，當(dāng)取前r個(gè)主成分來(lái)代替原來(lái)全部變量時(shí)，累計(jì)貢獻(xiàn)率的大小反應(yīng)了這種取代的可靠性，累計(jì)貢獻(xiàn)率越大，可靠性越大；反之，則可靠性越小。一般要求累計(jì)貢獻(xiàn)率達(dá)到70%以上。實(shí)驗(yàn)中的貢獻(xiàn)率是通過(guò)選擇的特征值之和與總的特征值之和的比值來(lái)計(jì)算的，要求貢獻(xiàn)率達(dá)到98%21.bmp（1）KNN算法中近鄰個(gè)數(shù)的選擇5個(gè)， 分別為1,2,3時(shí)的情況表21.bmp（1）KNN算法中近鄰個(gè)數(shù)的選擇5個(gè)， 分別為1,2,3時(shí)的情況表5-1KNN算法中近鄰個(gè)維度-____--鄰近-0775七- -- 23維度” Z3.,豈口、?二鄰乂5.bmp n2^mp0/74528.bmp1n.nq0.775nqnrmo1 150.909050.9 0905\ 0.8350851?j20. 0935. 0935. 08725. 0945. 0945. 09130. 095. 095. 090535. \ 0955. \ 0955. 09240. 094. 0.94.j乙 0.91545. 0945 0945 091.nqr.nqr.ngo50550.95 \ 095| 0.95 \ 095| 0.9乙 09260. 095. 0.95.j乙 0.90565. 095 0.95 09170. 094 094. 090575. 094. 094. 090580. 0945. 0945. 0.905..0QI851 900.95 \095| 0.95 \ 0950.91091595. 095. 095. 0915JU100. 0955. 0955. 0.9151M.nQRR.nQRRngo110. 0955. 0955.7jLj 1 092115. 0955. 0955.j乙 0915117. 0955. 0955. 0.915AVERAGEC平均值）. 0.9375. 0.9375 0.898125雖然很多文獻(xiàn)中提到，當(dāng)近鄰數(shù)位1時(shí)，并不足以確定測(cè)試樣本的類(lèi)別，因?yàn)閿?shù)據(jù)中有噪聲和異常值。但在本次實(shí)驗(yàn)中，通過(guò)結(jié)果我們可以看到實(shí)驗(yàn)進(jìn)度不受近鄰個(gè)數(shù)的影響。（2）交叉驗(yàn)證次數(shù)的影響本次實(shí)驗(yàn)中進(jìn)行了5次交叉驗(yàn)證，為論文測(cè)試交叉驗(yàn)證的次數(shù)是否對(duì)實(shí)驗(yàn)進(jìn)行影響，我們采集了K=5,每組的訓(xùn)練樣本為5時(shí)，CV變換的進(jìn)度結(jié)果。表5-2交叉次數(shù)對(duì)進(jìn)度的影響統(tǒng)計(jì)維度……一1234 550.820.7950.810.7650.775100.910.9050.8750.890.9150.9250.90.90.920.905200.9450.910.9050.90.935250.950.910.920.920.945300.9550.920.9150.9350.95350.9550.920.920.930.955400.9650.9250.920.930.94450.9650.9250.920.9350.945500.9650.9250.920.9350.95 550.970.930.9150.9350.95600.970.9250.930.9350.95650.970.9250.9250.9350.95700.970.9350.920.9350.94750.970.9350.920.9350.94800.970.940.9250.9450.945850.970.9350.920.9450.95900.970.9350.9250.9450.95950.9750.9350.9250.9450.951000.9750.9350.9250.9450.9551050.9750.9350.9250.950.9551100.9750.9350.9250.950.9551150.9750.9350.9250.950.9551170.975(118)0.935(116)0.9250.950.955STDEV（標(biāo)準(zhǔn)差：0.0339440.0294620.024890.0377060.037388通過(guò)上述實(shí)驗(yàn)結(jié)果分析可知，在本次實(shí)驗(yàn)中（1） 交叉驗(yàn)證中CV的選擇和KNN中K的選擇對(duì)精度的影響不大；（2） 訓(xùn)練樣本的數(shù)量和特征向量的數(shù)量與識(shí)別精度成正相關(guān)；（3） 但為了保證對(duì)全局的識(shí)別更加穩(wěn)定，我們需要選擇盡量高的CV次數(shù)；（4） 為了識(shí)別精度和系統(tǒng)的運(yùn)行速度，我們選擇的特征向量的數(shù)目為15到50個(gè)比較合理，訓(xùn)練數(shù)目選擇3-5個(gè)比較合理。4.展望從壓縮能量的角度來(lái)看，K-L變換是最優(yōu)的，變換后的低維空間對(duì)于人臉有很好的表達(dá)能力，然而這并不等同于對(duì)不同人臉具有較好的判別能力。選擇訓(xùn)練樣本的散布矩陣作為K.L變換的生成矩陣，其最大特征向量反映了該樣本集合的最大分布的方向，但這是圖像統(tǒng)計(jì)方法，而不是人臉統(tǒng)計(jì)方法。它查找的是圖像之間所有的差異，并根據(jù)這些差異來(lái)確定不同人臉間的距離，而不管這些差異是由于光線、發(fā)型或背景的改變引起的，還是屬于人臉本身的內(nèi)在差異，因此特征臉的方法用于人臉識(shí)別存在理論的缺陷。研究表明，特征連的方法隨著光線、角度以及人臉的尺寸的引入而識(shí)別率急劇下降。主分量的方法使得變換后的表達(dá)能力最佳，次分量的方法考慮了高頻的人臉區(qū)分能力，但是由于外在因素帶來(lái)圖像差異和人臉本身帶來(lái)的差異對(duì)K-L變換而言是不加任何區(qū)分的，因此，如何選擇正交基并不根本解決問(wèn)題。改進(jìn)的一個(gè)思路是針對(duì)干擾所在，對(duì)輸入圖像作規(guī)范化處理，包括輸入圖像的均值方差歸一化，人臉尺寸歸一化。另一種改進(jìn)是考慮到局部人臉圖像受到外在干擾相對(duì)較小的情況，除了計(jì)算特征臉之外，還利用K-L變換計(jì)算出特征眼、特征嘴等。將局部特征向量加權(quán)進(jìn)行匹配得到一些好的效果。5.代碼(1)%用pca方法進(jìn)行降維矩陣，得到特征臉functiony=pca(mixedsig)ifnargin==0error('Youmustsupplythemixeddataasinputargument.');endiflength(size(mixedsig))>2error('Inputdatacannothavemorethantwodimensions.');endifany(any(isnan(mixedsig)))error('InputdatacontainsNaN''s.');endmeanValue=mean(mixedsig')';[m,n]=size(mixedsig);fors=1:mfort=1:nmixedsig(s,t)=mixedsig(s,t)-meanValue(s);endend[Dim,NumofSampl]=size(mixedsig);oldDimension=Dim;fprintf('Numberofsignals:%d\n',Dim);fprintf('Numberofsamples:%d\n',NumofSampl);fprintf('CalculatePCA...');firstEig=1;lastEig=Dim;covarianceMatrix=cov(mixedsig',1);[E,D]=eig(covarianceMatrix);rankTolerance=1e-5;maxLastEig=sum(diag(D))>=rankTolerance;lastEig=maxLastEig;lastEig=10;eigenvalues=flipud(sort(diag(D)));iflastEig<oldDimensionlowerLimitValue=(eigenvalues(lastEig)+eigenvalues(lastEig+1))/2;elselowerLimitValue=eigenvalues(oldDimension)-1;endlowerColumns=diag(D)>lowerLimitValue;iffirstEig>1higherLimitValue=(eigenvalues(firstEig-1)+eigenvalues(firstEig))/2;elsehigherLimitValue=eigenvalues(1)+1;endhigherColumns=diag(D)<higherLimitValue;selectedColumns=lowerColumns&higherColumns;fprintf('Selected[%d]dimensions.\n',sum(selectedColumns));fprintf('Smallestremaining(non-zero)eigenvalue[%g]\n',eigenvalues(lastEig));fprintf('Largestremaining(non-zero)eigenvalue[%g]\n',eigenvalues(firstEig));fprintf('Sumofremovedeigenvalue[%g]\n',sum(diag(D).大(?selectedColumns)));E=selcol(E,selectedColumns);D=selcol(selcol(D,selectedColumns)',selectedColumns);whiteningMatrix=inv(sqrt(D))*E';dewhiteningMatrix=E*sqrt(D);y=whiteningMatrix*mixedsig;functionnewMatrix=selcol(oldMatrix,maskVector)ifsize(maskVector,1)?=size(oldMatrix,2)error('Themaskvectorandmatrixareofuncompatiblesize.');endnumTaken=0;fori=1:size(maskVector,1)ifmaskVector(i,1)==1takingMask(1,numTaken+1)==i;numTaken=numTaken+1;endendnewMatrix=oldMatrix(:,takingMask);(2)%KNN方法計(jì)算準(zhǔn)確率functioninfo=KNN(targetimage)temp=0;kind=[000];i=0;j=0;temp1=0;i1=0;s(1)=ComputSimilarity(HandGeoExtraction(targetimage),HandGeoExtraction('al.jpg'));s(2)=ComputSimilarity(HandGeoExtraction(targetimage),HandGeoExtraction('a2.jpg'));s(3)=ComputSimilarity(HandGeoExtraction(targetimage),HandGeoExtraction('a3.jpg'));s(4)=ComputSimilarity(HandGeoExtraction(targetimage),HandGeoExtraction('a4.jpg'));s(5)=ComputSimilarity(HandGeoExtraction(targetimage),HandGeoExtraction('a5.jpg'));s(6)=ComputSimilarity(HandGeoExtraction(targetimage),HandGeoExtraction('b1.jpg'));s(7)=ComputSimilarity(HandGeoExtraction(targetimage),HandGeoExtraction('b2.jpg'));s(8)=ComputSimilarity(HandGeoExtraction(targetimage),HandGeoExtraction('b3.jpg'));s(9)=ComputSimilarity(HandGeoExtraction(targetimage),HandGeoExtraction('b4.jpg'));s(10)=ComputSimilarity(HandGeoExtraction(targetimage),HandGeoExtraction('b5.jpg'));s(11)=ComputSimilarity(HandGeoExtraction(targetimage),HandGeoExtraction('c1.jpg'));s(12)=Co