1、本科毕业论文（20 届）基于 Fisherfaces 的人脸识别算法实现所在学院专业班级 计算机科学与技术学生姓名指导教师完成日期摘 要人脸识别由于在身份认证、视觉监控以及人机接口等方面有着广泛的应用前景，从而成为目前模式识别和计算机视觉领域的一大研究热点。人脸识别涵盖了图像处理、模式识别、神经网络、计算机视觉、生理学以及数学等诸多学科，是一项非常综合的技术，它的应用正随着社会的进步与日俱增。人脸识别是生物测定学研究的内容之一, 是模式识别领域中的一个前沿课题。目前, 人脸识别逐渐成为模式识别和人工智能领域的一个研究热点。但由于复杂的光照条件下, 多变的人脸表情以及姿态的变化都增加了人脸自动识
2、别的难度, 尽管人脸识别已经取得了较大的发展, 但离实际应用仍有较大差距。作为一种经典的模式识别问题, 计算机人脸识别的成功离不开合理的特征提取和有效的分类器设计策略。在人脸识别及其他模式识别领域中,特征提取是一个非常有意义的研究方向。到目前为止,有很多相应的算法应用到人脸识别领域,其中比较著名是基于 Fisher 线性鉴别准则的 Fisherface 方法、LDA 算法 PCA 算法。本文基于 MATLAB 的人脸识别环境，设计并实现了一个基于 Fisherfaces 的人脸识别算法实现系统，展示如何通过利用 MATLAB 的工具函数和多种算法实现对人脸识别的各种处理。论述了利用设计的系统实
3、现人脸识别进行打开、操作、保存、另存、打印、退出等功能操作。关键字人脸识别；Fisherface；MATLABAbstractFace recognition has a wide range of applications due in authentication, visual surveillance , and human-machine interface, thus become a major research focus of pattern recognition and computer vision . Face covers image processing, pat
4、tern recognition, neural networks, computer vision, physiology and mathematics , and many other disciplines, is a very comprehensive technology, its applications are increasing with the progress of society . Face recognition is one of the elements of biometrics research in the field of pattern recog
5、nition is a leading subject . Currently , face recognition is becoming a hot topic in the field of pattern recognition and artificial intelligence . However, due to the complex lighting conditions , facial expressions and posture change changing face have increased the difficulty of automatic face r
6、ecognition , face recognition despite great progress has been made , but there is still a large gap from practical application . As a classic pattern recognition problems , inseparable from the success of a reasonable feature extraction and face recognition classifier design effective strategies .In
7、 face recognition and other pattern recognition , the feature extraction is a very interesting research direction . So far , there are many appropriate algorithm is applied to face recognition , which is based on the more famous Fisher linear discriminant criterion Fisherface method , LDA algorithm
8、PCA algorithm. Face Recognition Based on MATLAB environment , design and implement a face recognition algorithm based on the realization of the system Fisherfaces demonstrate how various treatments for face recognition function through tools and a variety of algorithms using MATLAB s . Discusses the
9、 use of face recognition systems designed be open , operate , save, save , print, exit and other functions.KeywordFace recognition ; Fisherface; MATLAB目录第一章 绪论 -11.1 人脸识别的历史和发展 -11.2 MATLAB 的功能介绍 -4第二章 人脸识别算法的介绍 -52.1 人脸识别算法分类 -52.2 几种常用的算法 -52.2.1 基于几何特征的人脸识别算法 -52.2.2 基于特征子空间（特征脸）算法 -5第三章 PCA 算法 -
10、63.1 PCA 降维 -63.1.1 提取训练集图像 T 的平均值（平均人脸） -63.1.2 计算构造矩阵 L -73.1.3 计算出协方差矩阵 C 并计算其特征向量（主成分脸） -83.2 PCA 重构图像 -8第四章 Fisherfaces 算法 -94.1 Fisher 线性判别分析的基本原理 -94.2 LDA 算法人脸识别系统的应用 -134.2.1 导入系统训练样本集和测试样本集 -134.2.2 Fisher 最优判别向量的计算 -134.2.3 将测试样本与各类训练样本投影到特征子空间 -154.3 分类识别 -164.4 实验结果分析 -16第五章实验部分 -185.1
11、提取训练值 -185.2 实验结果 -21致谢 -24参 考 文 献 ： -2511第一章 绪论1.1 人脸识别的历史和发展人脸识别的研究历史比较悠久。高尔顿(Galton)早在 1888 年和 1910 年就分别在Nature杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。但当时还不可能涉及到人脸的自动识别问题。最早的 AFR1 的研究论文见于 1965 年陈（Chan）和布莱索（Bledsoe）在 Panoramic Research Inc.发表的技术报告，至今已有四十年的历史。近年来，人脸识别研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。尤其是
12、1990 年以来，人脸识别更得到了长足的发展。几乎所有知名的理工科大学和主要 IT 产业公司都有研究组在从事相关研究。人脸识别是一个被广泛研究着的热门问题，大量的研究论文层出不穷，在一定程度上有泛滥成“灾”之嫌。为了更好地对人脸识别研究的历史和现状进行介绍，本文将AFR 的研究历史按照研究内容、技术方法等方面的特点大体划分为三个时间阶段，如表1 所示。该表格概括了人脸识别研究的发展简史及其每个历史阶段代表性的研究工作及其技术特点。下面对三个阶段的研究进展情况作简单介绍。第一阶段（1964 年1990 年） 这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人
13、脸几何结构特征（Geometric feature based）的方法。这集中体现在人们对于剪影（Profile）的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从 AFR研究的研究人员除了布莱索（Bledsoe）外还有戈登斯泰因（Goldstein） 、哈蒙（Harmon以及金出武雄(Kanade Takeo)等。金出武雄于 1973 年在京都大学完成了第一篇 AFR 方面的博士论文，直到现在，作为卡内基-梅隆大学（CMU）机器人研究院的一名教授，仍然是人脸识别领域的活跃人物之一。他所在的研究组也是人脸识别领域 的一
14、支重要力量。总体而言，这一阶段是人脸识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。 第二阶段（1991 年1997 年）这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的 FERET 人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的 Visionics（现为 Identix）的 FaceIt 系统。美国麻省理工学院（MIT）媒体实验室的特克（Turk）和潘特（Pentland）提出的“特征脸”方法无疑是这一时期内最负盛名的人脸识别方法。其后的很多人脸识别技术都或多或少与特征脸
15、有关系，现在特征脸已经与归一化的协相关量方法一道成为人脸识别的性能测试基准算法。这一时期的另一个重要工作是麻省理工学院人工智能实验室的布鲁内里（Brunelli）和波奥 Poggio）于 1992 年左右做的一个对比实验，他们对比了基于结构特征的方法与基于模板匹配的方法的识别性能，并给出了一个比较确定的结论：模板匹配的方法优于基于特征的方法。这一导向性的结论与特征脸共同作用，基本中止了纯粹的基于结构特征的人脸识别方法研究，并在很大程度上促进2了基于表观（Appearance- based）的线性子空间建模和基于统计模式识别技术的人脸识别方法的发展，使其逐渐成为主流的人脸识别技术。 贝尔胡米尔（
16、Belhumeur）等提出Fisherface 人脸识别方法是这一时期的另一重要成果。该方法首先采用主成分分析（Principal Component Analysis，PCA，亦即特征脸）对图像表观特征进行降维。在此基础上，采用线性判别分析（Linear Discriminant Analysis, LDA）的方法变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度” 。该方法目前仍然是主流的人脸识别方法之一，产生了很多不同的变种，比 如零空间法、子空间判别模型、增强判别模型、直接的 LDA 判别方法以及近期的一些基于核学习的改进策略。麻省理工学院的马哈丹（Moghaddam）则在
17、特征脸的基础上，提出了基于双子空间进行贝叶斯概率估计的人脸识别方法。该方法通过“作差法” ，人脸图像 对的相似度计算问题转换为一个两类（类内差和类间差）分类问题，类内差和类间差数据都要首先通过主成分分析（PCA）技术进行降维，计算两个类别的类条件概率密度，最后通过贝叶斯决策（最大似然或者最大后验概率）的方法来进行人脸识别.脸识别中的另一种重要方法弹性图匹配(Elastic Graph Matching，EGM)也是在这一阶段提出的。其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点处的多分辨率、多方向局部特征 Gabor 变换 12 特征，称为 Jet；边的
18、属性则为不同特征点之间的几何关系。对任意输入人脸图像，弹性图匹配通过一种优化搜索策略来定位预先定义的干面部关键特征点，同时提取它们的 Jet 特征，得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。该方法的优点是既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模。近来还出现了一些对该方法的扩展。局部特征分析技术是由洛克菲勒大学(Rockefeller University)的艾提克（Atick）等人提出的。LFA 在本质上是一种基于统计的低维对象描述方法，与只能提取全局特征而且不能保留局部拓扑结构的 PCA 相比，LFA 在全局 PCA 描述的基础上提取的特
19、征是局部的，并能够同时保留全局拓扑信息，从而具有更佳的描述和判别能力。LFA 技术已商业化为著名的FaceIt 系统，因此后期没有发表新的学术进展。由美国国防部反毒品技术发展计划办公室资助的 FERET 项目无疑是该阶段内的一个至关重要的事件。FERET 项目的目标是要开发能够为安全、情报和执法部门使用的 AFR 技术。该项目包括三部分内容：资助若干项人脸识别研究、创建 FERET 人脸图像数据库、组织 FERET 人脸识别性能评测。该项目分别于 1994 年，1995 年 1996 年组织了 3 次人脸识别评测，几种最知名的人脸识别算法都参加了测试，极大地促进了这些算法的改进和实用化。该测试
20、的另一个重要贡献是给出了人脸识别的进一步发展方向：光照、姿态等非理想采集条件下的人脸识别问题逐渐成为热点的研究方向。柔性模型（Flexible Models）包括主动形状模型（ASM）和主动表观模型（AAM）是这一时期内在人脸建模方面的一个重要贡献。ASM/AAM 将人脸描述为2D 形状和纹理两个分离的部分，分别用统计的方法进行建模（PCA） ，然然后再进一步通过 PCA 将二者融合起来对人脸进行统计建模。柔性模型具有良好的人脸合成能力，可以采用基于合成的图像分析技术来对人脸图像进行特征提取与建模。柔性模型目前已被广泛用于人脸特征对准（Face Alignment）和识别中，并出现了很多的改进
21、模型。总体而言，这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图像采集条件、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人3脸识别商业公司。从技术方案上看，2D 人脸图像线性子空间判别分析、统计表观模型、统计模式识别方法是这一阶段内的主流技术。第三阶段（1998 年现在） FERET96 人脸识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，人脸识别的商业系统进一步发展。为此，美国军方在 FERET 测试的基础上分别于 2000 年和 2002 年组
22、织了两次商业系统评测。基奥盖蒂斯（Georghiades）等人提出的基于光照锥(Illumination Cones) 模型的多姿态、多光照条件人脸识别方法是这一时期的重要成果之一，他们证明了一个重要结论：同一人脸在同一视角、不同光照条件下的所有图像在图像空间中形 成一个凸锥即光照锥。为了能够从少量未知光照条件的人脸图像中计算光照锥，他们还对传统的光度立体视觉方法进行了扩展，能够在朗博模型、凸表面和远点 光源假设条件下，根据未知光照条件的 7 幅同一视点图像恢复物体的 3D 形状和表面点的表面反射系数（传统光度立体视觉能够根据给的 3 幅已知光照条件的图像恢复物体表面的法向量方向） ，从而可以
23、容易地合成该视角下任意光照条件的图像，完成光照锥的计算。识别则通过计算输入图像到每个光照锥的距离来完。以支持向量机为代表的统计学习理论也在这一时期内被应用到了人脸识别与确认中来。支持向量机是一个两类分类器，而人脸识别则是一个多类问题。通常有三种策略解决这个问题，即：类内亦称窗口傅里叶变换或短时傅里叶(Short Time FourierTransformation,STFT)，1946 年 Gabor 提出。 差/类间差法、一对多法（one-to-rest）和一对一法（one-to-one） 。 布兰兹（Blanz）和维特（Vetter）等提出的基于 3D 变形(3D Morphable Mo
24、del)模型的多姿态、多光照条件人脸图像分析与识别方法是这一阶段内一项开创性的工作。该方法在本质上属于基于合成的分析技术，其主要贡献在于它在 3D 形状和纹理统计变形模型（类似于2D 时的 AAM）的基础上，同时还采用图形学模拟的方法对图像采集过程的透视投影和光照模型参数进行建模，从而可以使得人脸形状和纹理等人脸内部属性与摄像机配 置、光照情况等外部参数完全分开，更加有利于人脸图像的分析与识别。Blanz 的实验表明，该方法在 CMU-PIE（多姿态、光照和表情）人脸库和 FERET 多姿态人脸库上都达到了相当高的识别率，证明了该方法的有效性。 2001 年的国际计算机视觉大会（ICCV）上，
25、康柏研究院的研究员维奥拉（Viola）和琼斯（Jones）展示了他们的一个基于简单矩形特征和 AdaBoost 的实时人脸检测系统，在 CIF 格式上检测准正面人脸的速度达到了每秒 15帧以上。该方法的主要贡献包括：1）用可以快速计算的简单矩形特征作为人脸图像特征；2）基于 AdaBoost 将大量弱分类器进行组合形成强分类器的学习方法；3）采用了级联（Cascade）技术提高检测速度。目前，基于这种人脸/非人脸学习的策略已经能够实现准实时的多姿态人脸检测与跟踪。这为后端的人脸识别提沙苏哈（Shashua）等于 2001年提出了一种基于商图像 13 的人脸图像识别与绘制技术。该技术是一种基于特
26、定对象类图像集合学习的绘制技术，能够根据训练集合中的少量不同光照的图像，合成任意输入人脸图像在各种光照条件下的合成图像。基于此，沙苏哈等还给出了对各种光照条件不变的人脸签名（Signature）图像的定义，可以用于光照不变的人脸识别，实验表明了其有效性。巴斯里（Basri）和雅各布（Jacobs）则利用球面谐波（Spherical Harmonics）表示光照、用卷积过程描述朗博反射的方法解析地证明了一个4重要的结论：由任意远点光源获得的所有朗博反射函数的集合形成一个线性子空间。这意味着一个凸的朗博表面物体在各种光照条件下的图像集合可以用一个低维的线性子空间来近似。这不仅与先前的光照统计建模方
27、法的经验实验结果相吻合，更进一步从理论上促进了线性子空间对象识别方法的发展。而且，这使得用凸优化方法来强制光照函数非负成为可能，为光照问题的解决提供了重要思路。1.2 MATLAB 的功能介绍MATLAB 是美国 MathWorks 公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括 MATLAB 和 Simulink两大部分。MATLAB 应用非常之广泛！MATLAB 是 matrix&laboratory 两个词的组合，意为矩阵工厂（矩阵实验室） 。由美国mathworks 公司发布的主要面对科学计算、可视化以及交互式程序设计的高
28、科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如 C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。MATLAB 的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用 MATLAB 来解算问题要比用 C，FORTRAN 等语言完成相同的事情简捷得多，并且MATLAB 也吸收了像 Maple 等软件的优点，使 MATLAB 成为一个强大的数学软件
29、。在新的版本中也加入了对 C，FORTRAN，C+，JAVA 的支持。可以直接调用，用户也可以将自己编写的实用程序导入到 MATLAB 函数库中方便自己以后调用。5第二章 人脸识别算法的介绍2.1 人脸识别算法分类生物特征鉴别技术是利用人体生物特征进行身份认证的一种技术，具有安全可靠、特征唯一、不易伪造、不可窃取等优点。在不同的生物识别方法中，人脸识别有其自身特殊的优势，例如，非侵扰性；采集设备简单，使用快捷；通过人人脸识别符合人类的习惯，正是由于这些良好的特性，人脸识别的相关研究越来越受到人们的重视，并取得了很好的成果。随着人脸识别技术的飞速发展，它被越来越多的应用于海关监控、企业安全与管理
30、、刑侦等领域。人脸识别按照信息的来源可以分为两类：基于静态人脸识别和基于动态的信息识别。对于动态识别研究的相关技术还比较欠缺，本文只对静态人脸识别的相关算法进行阐述。静态人脸识别系统主要有三个步骤：人脸的检测和定位、人脸的特征提取和人脸识别，在这些步骤之前还应有预处理这一步，即对采集到的图像先进行预处理以达到位置校准和灰度归一的目的然后寻找人脸，如果有则确定人脸的位置并提取人脸，然后提取人脸特征，最后根据提取的特征进行识别。下面对人脸识别中的常用算法进行介绍。2.2 几种常用的算法2.2.1 基于几何特征的人脸识别算法这类识别方法将人脸用个几何特征矢量来表示，用模式识别中的层次聚类的思想设计分
31、类器达到识别的目的，常采用的儿何特征有眼睛、鼻子、眉毛、嘴等重要的局部特征，脸型特征及五官在脸上分布的几何特征。识别所用的兀莉特征是以人脸器官的形状和儿何关系为基础的特征矢量。其分量通常包括人脸指定两点间的欧式距离、曲率、角度等。在这种基于几何特征的识别中，不同持征的相似性度量主要依赖于特征矢量的眄配情况进行判决。例如，基于欧氏距离的判决。基于几何特征的识别方法的优点有：符合人类的习惯，易于理解；对光照变化不是很敏感，具有一定的抗干扰能力。存在的问题：从图像中抽取稳定的特征比较蝌难，肖有遮挡时会出现误提取；当面部表情变化很大，或者姿态变化很大时，鲁棒性较差；几何特征模型的准则过于简单，一般的儿何特征只描述了器官的基本形状与结构关系，忽略了细节特征，会使部分信息丢失。2.2.2 基于特征子空间（特征脸）算法
