人脸识别实验报告
PCA方法
PCA 方法是由Turk 和Pentlad 提出来的，它的基础就是Karhunen-Loeve 变换(简称KL变换)，是一种常用的正交变换。K_L 变换的实质是建立了一个新的坐标系，将一个物体主轴沿特征矢量对齐的旋转变换，这个变换解除了原有数据向量的各个分量之间相关性，从而有可能去掉那些带有较少信息的坐标系以达到降低特征空间维数的目的。完整的PCA 人脸识别的应用包括几个步骤：人脸图像预处理；读入人脸库，训练形成特征子空间；把训练图像和测试图像投影到上一步骤中得到的子空间上；选择一定的距离函数进行识别。整个过程如下：
1. 读入人脸库
归一化人脸库后，将库中的每人选择一定数量的图像构成训练集，其余构成测试集。设归一化后的图像是n*m,按列相连就构成N=n*m 维矢量，可视为N 维空间中的一个点，可
以通过K-L 变换用一个低维子空间描述这个图像。
2. 计算K- L 变换的生成矩阵
计算一张图片X在特征空间上的投影系数（也可以理解为X在空间U中的坐标）
3. 识别
首先把所有训练图片进行投影，然后对于测试图片也进行同样的投影，采用判别函数对投影系数进行识别。
Eigenface算法
在利用PCA进行特征提取的算法中，特征脸方法(Eigenface)是其中的一个经典算法。特征脸方法是从主成分分析导出的一种人脸识别和描述技术。特征脸方法就是将包含人脸的图像区域看作是一种随机向量，因此可以采用K-L变换获得其正交K-L基底。对应其中较大特征值的基底具有与人脸相似的形状，因此又称为特征脸。利用这些基底的线性组合可以描述、表达和逼近人脸图像，因此可以进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸构成的子空间上，比较其与己知人脸在特征空间中的位置，具体步骤如下：(1)初始化，获得人脸图像的训练集并计算特征脸，定义为人脸空间，存储在模板库中，以便系统进行识别；
(2)输入新的人脸图像，将其映射到特征脸空间，得到一组关于该人脸的特征数据；
(3)通过检查图像与人脸空间的距离判断它是否是人脸；
(4)若为人脸，根据权值模式判断它是否为数据库中的某个人，并做出具体的操作。
实验步骤
1 首先读入训练数据库，然后读入测试数据库
2 输入要测试的人脸序号
实验结果
得到测试图像和识别后匹配的人脸图像
人脸识别未来的发展
人脸识别是一个跨学科富挑战性的前沿课题，人脸图像中姿态、光照、表情、饰物、背景、时间跨度等因素的变化对人脸识别算法的鲁棒性都有着负面的影响，单一的PCA方法识别率不高，今后的发展方向可以与其他方法(如：支持向量机、小波变化等)相结合来弥补单一方法的不足，让身份识别更准确。
参考文献
[1]R.O.Duda,P.E.Heart,and D.G.Stork Pattern Classification,Seconded John Wiley&Sons,2001
[2]Sami Romdhami Face Image Analysis using a Multiple Feature Fitting Strategy,Phd thesis,University of Basel,Switzerland January 2005
[3] Kyong Chang, Kevin W.Bowyer, Patrick J.Flynn. Face recognition using 2D and 3D facial data.
