基于PCA和神经网络的识别方法研究

基于PCA—LDA与蚁群优化BP神经网络的人脸识别算法作者：任金霞周慧娟来源：《软件导刊》2013年第11期摘要：针对人脸识别问题，提出了一种新的算法。

该算法利用融合的PCA和LDA算法进行特征提取，并使用蚁群优化的BP神经网络进行人脸识别。

使用融合的PCA和LDA算法对特征向量进行提取压缩，为了提高BP神经网络对人脸的分类精度和减少训练时间，使用蚁群算法优化BP神经网络的初始参数，并使用优化后的BP神经网络进行训练和人脸识别。

在ORL人脸数据库的仿真结果表明，该算法能有效提高人脸识别性能，具有较高识别率。

关键词关键词：人脸识别；PCA；LDA；蚁群优化；BP算法中图分类号：TP312文献标识码：A文章编号文章编号：16727800（2013）0110070040引言人脸识别是一种重要的生物特征识别技术，应用非常广泛。

与其他身份识别方式相比，人脸具有直接、友好和方便的特点。

人脸识别研究不仅具有重要的应用价值，而且在模式识别中具有重要的理论意义。

而人脸识别系统运行成功的关键在于对人脸特性的提取和分类器的设计＼[1＼]。

人脸识别的主要过程为预处理、特征提取以及分类识别。

预处理即为了提高图像质量而对图像进行尺度归一化和灰度均衡化等操作。

特征提取在人脸识别中非常重该规则预示：下半夜发生的抢劫案，若实施犯罪者为单人且为少年，可以锁定该犯罪嫌疑人是贵州籍，且文化程度为小学。

取值支持度阈值=4，置信度=9时，从结果中抽一条规则：from 上半夜；共同作案；少年； calc 上半夜；少年；->共同作案；： 1.0//规则说明：from L（支持度大于已设定支持度阀值）；calc S->L-S（关联规则）；：Num（置信度）该规则的预示：发生在上半夜的抢劫案，如实施犯罪者为少年，一定还有同伙。

对比可知，提高支持度阈值和置信度阈值，可提高挖掘结果的可靠性，但发现的关联规则也大大减少。

因此，根据用户的兴趣程度和实效评估，及时调整相关参数，对于关联规则挖掘在某一领域的应用至关重要。

基于PCA和LDA改进算法的人脸识别技术研究人脸识别是一种通过计算机视觉和模式识别技术来识别和验证人脸的生物特征，并将其与已知的人脸进行匹配的技术。

近年来，随着计算机算力的提升和人工智能技术的发展，人脸识别技术得到了广泛的应用，例如人脸解锁、人脸支付等。

PCA（Principal Component Analysis，主成分分析）和LDA（Linear Discriminant Analysis，线性判别分析）是两种常见的降维方法，用于从高维数据中提取有用的特征。

基于这两种方法的人脸识别技术研究已经得到了广泛关注。

PCA是一种无监督学习方法，通过将高维数据投影到低维子空间中，保持数据的大部分方差，从而达到降维的目的。

在人脸识别中，PCA可以通过计算训练集中人脸图像的协方差矩阵，然后提取其特征向量和特征值，选择前k个特征向量作为主成分，将人脸图像投影到主成分空间中。

在测试阶段，将待识别的人脸图像也投影到主成分空间中，通过计算其与训练集中人脸图像的距离，来判断其身份。

PCA的一个问题是它在无监督降维的可能忽略了一些与分类有关的信息。

为了解决这个问题，可以利用LDA来增加分类的准确性。

LDA是一种有监督学习方法，它通过最大化类别之间的差异性和最小化类别内的方差，选择最佳的投影方向。

在人脸识别中，LDA可以通过计算训练集中各类别的均值和类内散度矩阵，得到最佳的投影方向。

在测试阶段，将待识别的人脸图像投影到最佳的投影方向上，通过计算其与训练集中各类别的距离，来判断其身份。

由于PCA和LDA均是线性方法，它们对于人脸图像的非线性变化不敏感。

为了提高人脸识别的准确性，可以将PCA和LDA与非线性方法相结合，例如核技巧（kernel trick）。

通过将人脸图像映射到一个高维的特征空间中，利用核函数来计算其与训练集中人脸图像的相似性。

还可以利用深度学习方法来改进人脸识别技术。

深度学习是一种通过构建多层神经网络来学习数据特征的方法，它可以自动地学习人脸图像中的高级特征。

基于2DPCA的人脸识别算法研究摘要人脸识别技术是对图像和视频中的人脸进行检测和定位的一门模式识别技术，包含位置、大小、个数和形态等人脸图像的所有信息。

由于近年来计算机技术的飞速发展，为人脸识别技术的广泛应用提供了可能，所以图像处理技术被广泛应用了各种领域。

该技术具有广阔的前景，如今已有大量的研究人员专注于人脸识别技术的开发。

本文的主要工作内容如下：1)介绍了人脸识别技术的基础知识，包括该技术的应用、背景、研究方向以及目前研究该技术的困难，并对人脸识别系统的运行过程以及运行平台作了简单的介绍。

2)预处理工作是在原始0RL人脸库上进行的。

在图像的预处理阶段，经过了图象的颜色处理，图像的几何归一化，图像的均衡化和图象的灰度归一化四个过程。

所有人脸图像通过上述处理后，就可以在一定程度上减小光照、背景等一些外在因素的不利影响。

3)介绍了目前主流的一些人脸检测算法，本文采用并详细叙述了Adaboost人脸检测算法。

Adaboost算法首先需要创建人脸图像的训练样本，再通过对样本的训练，得到的级联分类器就可以对人脸进行检测。

4)本文介绍了基于PCA算法的人脸特征点提取，并在PCA算法的基础上应用了改进型的2DPCA算法，对两者的性能进行了对比，得出后者的准确度和实时性均大于前者，最后将Adaboost人脸检测算法和2DPCA算法结合，不仅能大幅度降低识别时间，而且还相互补充，有效的提高了识别率。

关键词：人脸识别 2DPCA 特征提取人脸检测2DPCA Face Recognition Algorithm Basedon The ResearchAbstract：Face recognition is a technology to detect and locate human face in an image or video streams,Including location, size, shape, number and other information of human face in an image or video streams.Due to the rapid development of computer operation speed makes the image processing technology has been widely applied in many fields in recent years. This paper's work has the following several aspects:1)Explained the background, research scope and method of face recognition,and introduced the theoretical method of face recognition field in general.2)The pretreatments work is based on the original ORL face database. In the image preprocessing stage, there are the color of the image processing, image geometric normalization, image equalization and image gray scale normalization four parts. After united processing, the face image is standard, which can eliminate the adverse effects of some external factors.3)All kinds of face detection algorithm is introduced, and detailed describing the Adaboost algorithm for face detection. Through the Adaboost algorithm to create a training sample,then Training the samples of face image,and obtaining the cascade classifier to detect human face.4)This paper introduces the facial feature points extraction based on PCA ,and 2DPCA is used on the basis of the PCA as a improved algorithm.Performance is compared between the two, it is concluds that the real time and accuracy of the latter is greater than the former.Finally the Adaboost face detection algorithm and 2DPCA are combined, which not only can greatly reduce the recognition time, but also complement each other, effectively improve the recognition rate.Key words：Face recognition 2DPCA Feature extraction Face detection目录第1章前言 (1)1.1 人脸识别的应用和研究背景 (1)1.2 人脸识别技术的研究方向 (2)1.3 研究的现状与存在的困难 (3)1.4 本文大概安排 (4)第2章人脸识别系统及软件平台的配置 (4)2.1 人脸识别系统概况 (4)2.1.1 获取人脸图像信息 (5)2.1.2 检测定位 (5)2.1.3 图像的预处理 (5)2.1.4 特征提取 (6)2.1.5 图像的匹配与识别 (6)2.2 OpenCV (6)2.2.1 OpenCV简介 (6)2.2.2 OpenCV的系统配置 (7)2.3 Matlab与图像处理 (8)第3章图像的检测定位 (8)3.1 引言 (8)3.2 人脸检测的方法 (8)3.3 Adaboost算法 (9)3.3.1 Haar特征 (10)3.3.2 积分图 (10)3.3.4 级联分类器 (11)第4章图像的预处理 (13)4.1 引言 (13)4.2 人脸图像库 (13)4.3 人脸预处理算法 (14)4.3.1 颜色处理 (14)4.3.2几何归一化 (15)4.3.3直方图均衡化 (16)4.3.4灰度归一化 (18)4.4 本章小结 (19)第5章图像的特征提取与识别 (19)5.1 引言 (19)5.2 图像特征提取方法 (20)5.2.1基于几何特征的方法 (20)5.2.2基于统计的方法 (20)5.2.3弹性图匹配(elastic graph matching) (21)5.2.4神经网络方法 (21)5.2.5支持向量机(SVM)方法 (22)5.3 距离分类器的选择 (22)5.4 PCA算法的人脸识别 (24)5.5 二维主成分分析（2DPCA） (25)5.5.1 2DPCA人脸识别算法 (25)5.5.2 特征提取 (27)5.5.3 分类方法 (27)5.5.4 基于2DPCA的图像重构 (28)5.6 实验分析 (28)第6章总结与展望 (33)6.1 本文总结 (33)6.2 未来工作展望 (33)致谢 (34)参考文献： (35)第1章前言1.1 人脸识别的应用和研究背景随着社会科学技术的发展进步，特别是最近几年计算机的软硬件技术高速发展，以及人们越来越将视野集中到快速高效的智能身份识别，使生物识别技术在科学研究中取得了重大的进步和发展。

人脸识别技术的基本方法人脸识别的方法很多，主要的人脸识别方法有：（1）几何特征的人脸识别方法：几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。

这些算法识别速度快，需要的内存小，但识别率较低。

（2）基于特征脸（PCA）的人脸识别方法：特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。

高维的图像空间经过KL 变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。

如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。

这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。

目前有一些改进型的特征脸方法。

（3）神经网络的人脸识别方法：神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。

这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。

（4）弹性图匹配的人脸识别方法：弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。

该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。

（5）线段Hausdorff 距离(LHD) 的人脸识别方法：心理学的研究表明，人类在识别轮廓图（比如漫画）的速度和准确度上丝毫不比识别灰度图差。

LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。

实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。

基于PCA和神经网络的人脸识别算法研究作者：唐赫来源：《软件导刊》2013年第06期摘要：在MATLAB环境下，取ORL人脸数据库的部分人脸样本集，基于PCA方法提取人脸特征，形成特征脸空间，然后将每个人脸样本投影到该空间得到一投影系数向量，该投影系数向量在一个低维空间表述了一个人脸样本，这样就得到了训练样本集。

同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。

然后基于最近邻算法进行分类，得到识别率，接下来使用BP神经网络算法进行人脸识别，最后通过基于神经网络算法和最近邻算法进行综合决策，对待识别的人脸进行分类。

关键词：人脸识别；主成分；BP神经网络；最近邻算法中图分类号：TP311文献标识码：A文章编号：1672-7800（2013）006-0033-02作者简介：唐赫（1989-），女，武汉理工大学理学院统计系硕士研究生，研究方向为人脸图像识别、遥感图像、统计预测决策。

0引言特征脸方法就是将人脸的图像域看作是一组随机向量，可以从训练图像中，通过主元分析得到一组特征脸图像，任意给定的人脸图像都可以近似为这组特征脸图像的线性组合，用组合的系数作为人脸的特征向量。

识别过程就是将人脸图像映射到由特征脸组成的子空间上，比较其与已知人脸在特征脸空间中的位置。

经典的特征脸方法是采用基于欧氏距离的最近中心分类器，比较常用的是基于欧氏距离的最近邻。

1算法流程（1）读入人脸库。

每个人取前5张作为训练样本，后5张为测试样本，共40人，则训练样本和测试样本数分别为N=200。

人脸图像为92×112维，按列相连就构成N=10 304维矢量x-j，可视为N维空间中的一个点。

（2）构造平均脸和偏差矩阵。

（3）计算通（4）计算训练样本在特征脸子空间上的投影系数向量，生成训练集的人脸图像主分量allcoor-200×71。

（5）计算测试样本在特征脸子空间上的投影系数向量，生成测试集的人脸图像主分量tcoor-200×71。