利用K-L变换法进行人脸识别

摘 要 ： 提 出了一种 图像预 处理 方 法 ， 不 同光 照条 件 下 的 图像 甚 至是 负像 处理 成 亮度 、 将 对
比度与 参考 图像 基本相 同的 图像 ， 且调 整后 的 图像 与原 图像保 持较 高的相 关性 ， 而有效 降低 从
了光 照对人 脸识 别结 果的影 响． 根据 随机 矩 阵的 主行 列分 析 法给 出 了推 广形 式 的 Ｋ Ｌ 变换 ， —
将 此变 换应 用于 人脸识 别 ， 明 了其有 效性 ． 证
ｌ 图像 的预 处 理
在 进行 图像 识别 时 ， 由于 图像 经 常受到 环境 的 影 响 ， 光线强 弱 的变化 、 如 光源位 置 的变化 等 ， 会 都
使 图像质 量 比较 差 ， 需要对 图像 进行 处理 以增 强和
维普资讯
３６ ７
西 安 上 业 大 学 学 报
第 ２ ６卷
一 一
（）参 考 图像 ａ
（ ）原 始 图像 ｂ
（ ）处理 后 图像 ｃ
一
，
图 １ 原始 图像 及 复 原 图 像
Ｆｉ Ｏｒｇｉ ｌｉ ｇｅ ａ ｄ ｉｓｒ ｓｏｒ ｄ ｉ ａ ｇ．１ ｉ ｎａ ｍａ ｎ ｔ ｅ ｔ ｅ ｍ ｇｅ
一 一
人脸 识别 技术 是 模 式 识 别研 究 领 域 中一 个 非 常重要 的研究 内容 ， 在商 业 、 司法 、 监控 等方 面有广 泛的应 用． （ ｒ ｕ ｅ— ｏ ｖ ） 换在 模 式 识别 Ｋ Ｉ Ｋａｈ ｎ ｎＬ ｅ ｅ 变 中是常 用 的一种 方法 ｊ 在实 际运 用 中 ， — ． Ｋ Ｌ变换 需要计 算 大维数 矩 阵的特 征值 与特征 向量 ， 虽然 可 以利用 奇 异值 分 解 定 理 （ Ｖ 定 理 ） 但 运 算 量仍 Ｓ Ｄ ， 然很 大 ， 因此维 数 压缩 也 是 研 究 的一 个 重 要 内容．

pa2a2为待识别的样本p是特征脸子空间的主成分空间recogwt是待识别的样本向特征脸子空间投影后求出的系数向量故重建图象a3precogwt可以再利用信噪比阈值来判断a3是不是人脸图象二
对运用2DPCA技术进行人脸识 别的简介
指导老师：彭进业 报告人：邓楠 时间：2005。5。25
一：导论
PCA技术(基于K_L变换)，即主要成分分 析，是一种经典的特征提取和数据表示 技术，广泛用于模式识别和计算机视觉 的领域中。在基于PCA的人脸识别中， 2D的人脸图象矩阵首先先转变成1D的图 象向量，然后再利用均值图象得到协方 差矩阵，求出此矩阵的特征值和相应的 正交归一化特征向量即特征脸。这样，
二：2DPCA的思想和算法
1：
2:根据图象的类内散步矩阵和类间散布 矩阵，求出图象的最优化投影轴（相当 于PCA方法的最大的第一个本征值）。 具体算法如下：
3:图象的特征提取，求出图象样本的特 征图象或特征矩阵。
4：通过这种特征提取（即广义K_L变 换），对于每付图象都得到一个特征矩 阵。这样，就可以用最近邻分类器来进 行分类
一：导论
4：可以用两种方法求出本征值和本征向 量。1）[V,D]=eig(A*A‘) ；2）奇异值分 解[U,E,V] = svd(A,0) 5：求出主成分矩阵P
eigVals = diag(E) ；P = U(:,1:Mp) 6:生成训练样本空间 train_wt = ：recog_wt = P'*A2 8：利用欧几里得距离进行人脸识别
一：导论
任何一副人脸图像都可以表示成这组 “特征脸”的线性组合，其加权系数即 K_L变换的展开系数，即该图象的代数特 征。 具体算法如下：
1：X = [x1 x2 ... xm]

图像处理实验报告实验⼀基于matlab 的⼈脸识别技术⼀、实验⽬的1．熟悉⼈脸识别的⼀般流程与常见识别⽅法；2．熟悉不同的特征提取⽅法在⼈脸识别的应⽤；3．了解在实际的⼈脸识别中，学习样本数等参数对识别率的影响；4．了解⾮⼈脸学习样本库的构建在⼈脸识别的重要作⽤。

使⽤MATLAB 平台编程，采⽤K-L 变换、特征提取及图像处理技术，实现⼈脸识别⼆、实验内容与实验仪器、设备1．构建⾮⼈脸学习样本库；2．观测不同的特征提取⽅法对⼈脸识别率的影响；3．观测不同的学习样本数对⼈脸识别率的影响；1． PC 机－系统最低配置 512M 内存、P4 CPU ；2． Matlab 仿真软件－ 7.0 / 7.1 / 2006a 等版本的Matlab 软件。

3． CBCL ⼈脸样本库三、实验原理1.⼈脸特征提取的算法通过判别图像中所有可能区域是否属于“⼈脸模式”的⽅法来实现⼈脸检测。

这类⽅法有：特征脸法、⼈⼯神经⽹络法、⽀持向量机法；积分图像法。

本次使⽤的是PCA(主成分分析法)其原理是：利⽤K-L 变换抽取⼈脸的主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到⼀组投影系数，通过与各个⼈脸图像⽐较进⾏识别。

对于⼀幅M*N 的⼈脸图像，将其每列相连构成⼀个⼤⼩为D=M*N 维的列向量。

D 就是⼈脸图像的维数，即是图像空间的维数。

设n 是训练样本的数⽬；X j 表⽰第j 幅⼈脸图像形成的⼈脸向量，则所需样本的协⽅差矩阵为：1()()m Ti i i S x u x u ==--∑ （1）其中U 为训练样本的平均图像向量：11mi i u x n ==∑ （2）令A=[x 1-u,x 2-u,...x n -u]，则有S r =AA T ，其维数为D ×D 。

根据K-L 变换原理，需要求得的新坐标系由矩阵AA T 的⾮零特征值所对应的特征向量组成。

直接计算的计算量⽐较⼤，所以采⽤奇异值分解(SVD)定理，通过求解A T A 的特征值和特征向量来获得AA T 的特征值和特征向量。

第 !) 卷第 + 期 !"" # 年 %" 月 文章编号： %""+ $ "+!) （!" "#） "+ $ ""( " $ "+
华 东 交 通 大 学 学 报 456789: 5; <9=> ?@A89 4A95>58B C8ADE7=A>F
G5:* !) H5 * + IJ> * ，!" "#
此， 我 们需 要引 入 & ! & 节 的算 法 ! " !"
［ $］ 矩阵 分解 算法
本 文采 用 训 练 样 本 集 的 类 间 散 布 矩 阵 作 为 , 为 了 求 0& ’ 0& 维 矩 阵 的 特 . - 变 换 的产 生 矩 阵， 征 值 和 正 交 归 一 的 特 征 矢 量， 引出奇异 值分解 定 理! 定理 （ %&’） 设 1 是一 秩 为 2 的 3 ’ 2 维 矩 阵 ， 则 存在两个 正 交矩 阵： ［ 4 (， … 42 +4/ ， ! . /］ 53 ’ 2 + *+ - 6
基 于
,-. 变
赵
换 的 人 脸 识 别 系 统
敏， 舒
俭
（华东交通大学 电气与电子工程学院， 江 西 南 昌 ))""%) ）
摘要： 围绕人脸识别问题对人脸特征提取及识别技术进行了研究 * 主要有： 运 用灰度投影 提取出在 简单背景中 的人脸图 像， 进 行归一化操作； 以类间散布矩阵作为产生矩阵， 通过 , $ . 变换降维并提取出代数特征， 为了 减少计算量， 运用 了奇异值分 解， 最后用最小距离分类器分类对图像进行分类 * 实验结果表明本方法的有效 性 * 并且 对人脸姿 态， 表 情， 光照 等都具有 一定的免 疫性 * 关 键 词： 人脸识别； 特征提取； 眼睛定位； , $ . 变换； 模式识别 文献标识码： 1 中图分类号： /0)’ % * &%