MATLAB 人臉識別

算法流程

本系統運用PCA算法來實現人臉特征提取，然后通過計算歐式距離來判別待識別測試人臉，本個系統框架圖如下：
整個系統的流程是這樣的，首先通過圖像采集建立人臉庫，這個人臉庫里的人臉圖像必須是格式及像素統一的，然后針對庫里的人臉進行人臉訓練，利用PCA進行人臉特征提取，獲取特征矩陣向量組，將測試人臉投緣到特征子空間中，運用歐氏距離，在人臉庫里查找相應的人臉圖像，并輸出。

GUI框架源碼下載：https://download.csdn.net/download/Matlab97513/39510442

二、算法介紹
基于PCA算法的人臉特征提取
2.1PCA的基本原理
PCA中文全稱主成分分析 法（Principal Component Analysis）[6]。掌握事物間主要區別的，運用統計學的分析方法，它可以是復雜的問題得到簡化，找到物質之間的本質區別，用事物的主要影響因素來解決問題。計算主成分的主要目的是用來降維，也就把將高維空間數據降到低維空間中去。這種線性變化經常被用到數據的壓縮和分析中。它就是以K-L變換為基礎，運用它的正交變換可以降低數據的運算量。
在這個系統中，庫內人臉讀入后被變成為灰度數值圖像，把這些數值矩陣按行或者按列排練構成一個原始圖像空間，運用K-L變換有效的提取人臉圖像的特征，這是為下面的小空間模式匹配奠定基礎，這個原始圖像空間是維數較高的矩陣，通過K-L變換后獲得一組新的正交基。分析比較人臉訓練樣本中的一些統計特征，保留主要的特征向量，減少向量矩陣的維數，獲得了維數較小的人臉空間。在參與訓練的人臉樣本中，一種是不一樣人臉組成的總體散分布矩陣，另一種是同個人臉的不同表情的平均圖片或者說是類間散布矩陣。第一種的運用對人臉圖像的背景光線的要求很高，后者可以很好的避免光線帶來的的干擾，且有減少計算量的作用。選擇的正交基的原則是取大去小，所謂的大、小就是特征值的的大小，特征值的數值反應一個人臉的基本特征輪廓，在主要成分分析中就是以它主要能量特征值對應的向量來做基底，用這個方法可以很好的進行人臉重構，重構的人臉必須是參與算法的人臉圖像，否則實現重建的效果較差。
通過降維后，就可以獲得特征空間，將待識別人臉圖像進行旋轉變換，可以有效的降低維數[9]。也就是用特征空間的向量的線性代數運算來表示。這樣就可以把人臉識別這個過程轉換成m維空間坐標系數分類問題，至于如何分類可以采用簡單的距離進行判斷。
2.2 基于PCA的特征提取
PCA人臉識別特征提取有幾個過程：人臉圖像獲取和處理；構造人臉庫并且訓練形成特征子空間；提取特征值和特征向量。下面對整個PCA提取特征過程中的步驟做一個詳細的描述。

人臉圖像獲取和處理，構造人臉庫
通過拍照的方式，在背景設定的環境下，拍取人臉圖像，然后對人臉樣本采取前期的處理，其中包括人臉圖像格式的變換，是否需要灰度處理等等。這些都要根據算法需求來對圖像進行前期的預處理。PCA算法運用的統計學原理中的K-L變換的原理，對圖像背景要求一致，而對光線的要求也一般，前期只要保證圖像像素和格式一致就可以。最后保存圖像，建立人臉庫。
2.訓練人臉庫
人臉圖像獲取后，要放進人臉庫，把人臉庫統一配置后，選取每個人若干圖片參與訓練，變成訓練矩陣。假定格式統一的人臉圖像的像素為nm，采取變換轉化為一維矩陣，然后按行相連構成N=mn維數的的矢量，每個人臉圖像都可以視為N維空間中的一點，運用K-L變換可以將這個圖像轉換到底維的空間當中去，這樣描述更加具體。
3.計算人臉圖像的生成矩陣
采用訓練后的人臉圖像構成樣本集，產生協方差矩陣可以用以下幾種方法求出來(三種等價)：
協方差矩陣 是一個大小為NN的合成矩陣（其中N表示 的維數），A 表示每個人臉灰度圖像減去平均人臉圖像后按列構成的的矩陣， 是平均人臉圖像，M表示人臉庫內參與訓練的人臉數。
鑒于公式的復雜性，一般選擇第二個公式來計算人臉特征值和特征向量。
4.提取特征值和特征向量
在我們獲得協方差矩陣后，需要求出其特征值和特征向量，由于PCA的理論基礎是K-L變換，而我們所求的K-L變換的新坐標系是由NN維的矩陣 的特征值和特征量組成，直接求 的這兩個參數難度高計算量非常大，下面介紹兩種方法：
（1）奇異值分解原理

（2）小矩陣計算大矩陣特征向量原理
在求高維矩陣特征向量時，可以用統計學的方法，將它變換為求轉化為求低維矩陣的特征向量：
設：A是一個秩為r的mn（m>>n）維矩陣， ，是一個矩陣，現在要求 的特征值以及特征向量，可通過先求小矩陣 的特征向量 和特征值 ，兩者之間有以下關系：

注意：以上兩種求解協方差矩陣的特征值和特征向量的方法，結果是一致的[12]。2.3 相似性測度
人臉樣本在用PCA算法獲取人臉特征后，轉換為特征空間內的一點。所以樣本之間的區分性可以運用角度或者距離的計算來比較實現。常見的匹配的算法有夾角余弦、街區距離、和歐式距離等等，下面具體的描述下歐式距離這個測度。
歐式距離的定義：歐式距離（Eudidean distance）是一個普遍使用的距離定義，它說明某種物質在多維空間的真實距離。歐式距離看作是衡量物質的相似程度的依據，兩個點的距離差越小就越一樣。
假如x，y是兩幅維數一樣的圖像，它們的維數都是是MN，則它在一個設定空間的表示如下：

三、 程序仿真及調試結果
3.1人臉庫的生成
人臉庫的建立可以運用目前現有的ORL人臉數據庫、JAZZ人臉數據庫等，這些人臉庫內的人臉都是按某個標準建立，所以在設計人臉之前，必須針對需要，來選擇。或者你也可以自己構造人臉數據庫，庫內人臉可以采用拍照等方式來獲取。不過要進行一些前期處理，以滿足系統要求。本系統是收集互聯網上的圖像獲取圖像，然后實現格式以及大小一致。

圖： 部分人臉圖像截圖
上圖就是部分人臉庫內人臉圖像截圖。這個人臉庫分為測試人臉庫和訓練人類庫，在訓練人臉庫內的所有人臉數目有二十張，十個人的，一個人有兩張圖像，不同的表情。在測試人臉庫內有10張人臉，這10張人臉是在訓練庫內挑選的10個人臉表情。每張人臉圖像的大小為180*200，格式為JPG。因為本系統針對的圖像格式要求必須為JPG格式的圖像。我把這20張圖片的命名，用數字1-20來代替，以便后面在識別階段，可以讀出對應的數字，類似人的名字

3.2特征提取和人臉重建的仿真分析
（1） 根據PCA算法的獲取人臉庫特征值分布圖
特征提取首先把庫內待訓練的人臉圖像，讀入matlab轉換成灰度圖像，進而將人臉圖像按行排列，構成協方差矩陣，這個協方差矩陣里面，每一行都代表一個人臉，所以求這個協方差矩陣的特征值和特征向量，也就是求每個人臉的特征，每個特征值對應的特征向量，構成了特征向量子空間，下圖中曲線的就是庫內所有人臉圖像進行特征提取獲得特征值后，按特征值大小排列，由圖可以看出，每張人臉圖像對應特征值大小的區別性很大，只要提取數值較高的特征值對應的特征向量來組成特征子空間即可，大大的減少了特征矩陣的向量的數量，這樣可以降低計算量，提高特征提取的運算速率。也為后面的人臉識別系統運行提高速度。

圖: 特征值分布圖
3.3 模板匹配及識別的仿真分析

對比圖4-6和圖4-7這兩幅圖像，可以看出本系統可以很好的匹配庫內人臉，這匹配過程是先測試人臉投影到特征子空間中，這 樣便可以 讓這張圖像成為多維空間中的一點，通過計算其與每個人臉圖像的歐式距離，然后對比找出最小歐式距離的人臉，這樣就可以匹配到相應的人臉圖像。
4、GUI界面仿真
庫外人臉判別

總結

以上是生活随笔為你收集整理的MATLAB人脸识别系统[GUI界面，完美运行，详细解析]的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。