基于KL变换的人脸识别报告.doc

基于KL变换的人脸识别报告.doc

ID:55478247

大小:202.50 KB

页数:13页

时间:2020-05-14

基于KL变换的人脸识别报告.doc_第1页
基于KL变换的人脸识别报告.doc_第2页
基于KL变换的人脸识别报告.doc_第3页
基于KL变换的人脸识别报告.doc_第4页
基于KL变换的人脸识别报告.doc_第5页
资源描述:

《基于KL变换的人脸识别报告.doc》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、模式识别大作业班级:题目:基于KL变换的人脸识别姓名:黎照学号:姓名:陈升富学号:姓名:益琛学号:日期:2012/4/25【摘要】本次实验论述了K_L变换在人脸识别中的应用,主要介绍人脸识别过程中的每个环节,整个过程包括人脸图像的采集、预处理、特征提取到训练和识别。图像的采集预处理特征提取人脸识别一、基本要求从网上下载人脸图像,构建人脸训练数据库和测试数据库,采用K-L变换进行特征脸提取,并实现人脸识别。通过K-L变换在人脸识别中的应用,加深对所学内容的理解和感性认识。二、主要思想基于特征脸的人脸识别方法是基于K-L变换的人脸识别方法,

2、K-L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K-L变换后得到一组新的正交基,保留其中重要的正交基,由这些基可以转成低维线性空间。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三、实验原理1、K-L变换设n维随机向量其均值向量,相关矩阵,协方差矩阵,经正交变换后产生向量。设有标准正交变换矩阵T,(即T'T=I),(称为的K-L展开式)取前m项为的估计值其均方误差为在T‘T=I的约束条件下,要使均方误差为此设定准则函数由得,即表明:li是的特征值,而是相应的特征向

3、量。利用上式有:用“截断”方式产生x的估计时,使均方误差最小的正交变换矩阵是其相关矩阵Rx的前m个特征值对应的特征向量构成的。2、构造参数模型使用K-L变换不仅能起到降维与压缩数据的作用,更重要的是每个描述量都有明确的意义,因而改变某一个参数就可以让图像按需要的方向变化。在没有使用K-L变换的原始数据集中对图像的描述量是每个像素的灰度值,而孤立的改变某个像素的灰度值是没有意义的。而在使用K-L变换后,每个描述量都有其各自的作用。因此通过改变这些参数的值就可以实现对模型的有效描述,这在图像生成中很有用。因此利用K-L变换构造出可控制的,连

4、续可调的参数模型在人脸识别方面的应用十分有效3、人脸识别利用K-L变换进行人脸图象识别原理:第一步:搜集要识别的人的人脸图象,建立人脸图象库第二步:利用K-L变换确定相应的人脸基图象,再反过来用这些基图象对人脸图象库中的所有人脸图象进行K-L变换,从而得到每幅图象的参数向量并将每幅图的参数向量存起来第三步:先对一张所输入的脸图象进行必要的规范化,再进行K-L变换分析,得到其参数向量第四步:将这个参数向量与库中每幅图的参数向量进行比较,找到最相似的参数向量,也就等于找到最相似的人脸,从而认为所输入的人脸图象就是库内该人的一张人脸,完成了识

5、别过程。搜集人脸图象,建立人脸库确定基图象,并用基图象对所有人脸进行K-L变换对输入的图象规范化并进行K-L变换,得到其参数向量正确错误将参数向量与库中参数向量比较比对三、实验源代码1、特征人脸function[]=eigface()allsamples=[];fori=1:7a=imread(strcat('C:UserslenvoDesktop图','',num2str(i),'.BMP'));b=a(1:100*100);b=double(b);allsamples=[allsamples;b];endsamplemea

6、n=mean(allsamples);fori=1:7xmean(i,:)=allsamples(i,:)-samplemean;end;sigma=xmean*xmean';[vd]=eig(sigma);d1=diag(d);dsort=flipud(d1);vsort=fliplr(v);dsum=sum(dsort);dsum_extract=0;p=0;while(dsum_extract/dsum<0.9)p=p+1;dsum_extract=sum(dsort(1:p));endp=6;base=xmean'*vsort(

7、:,1:p)*diag(dsort(1:p).^(-1/2));for(k=1:p)hape(base(:,k),100,100);newpath=['C:UserslenvoDesktoptest'int2str(k)'.jpg'];imwrite(mat2gray(temp),newpath);endavg=reshape(samplemean,100,100);imwrite(mat2gray(avg),'C:UserslenvoDesktoptestaverage.jpg');save('C:Usersl

8、envoDesktoptesteigface.mat','base','samplemean');2、识别allsamples=[];fori=1:7a=imread(strcat('C:Users

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。