最近邻法-人脸识别-实验报告.ppt

《最近邻法-人脸识别-实验报告.ppt》由会员上传分享，免费在线阅读，更多相关内容在PPT专区-天天文库。

1、最近邻法-人脸识别专题报告九月21姓名：龚鼎盛学号：2013021497专业：电子与通信工程图像预处理特征提取分类器设计分类识别本次试验报告，介绍了人脸识别方法分类器的设计。主要是设计最近邻分类器，并用来进行人脸分类识别，并对分类器实验结果做出分析。实验主要步骤：首先对图像预处理，转换成向量，再通过PCA算法对ORL人脸数据库图像进行降维特征提取，再利用最近邻分类方法对特征向量进行分类识别，寻找和待识别图片最为接近的训练样本图片。最后在matlab上进行实验仿真，分析实验结果。由于人脸图像受很多

2、因素的影响，从而造成同一个人的脸相矩阵差异也很大。因此，进行人脸识别的时候，所选取的特征必须具有良好的稳定性和不变性。那么这里我们选取主元分析法（PCA）作为实验特征提取方法。将人脸图像表示成一个列向量，经过PCA变换后，不仅可以有效的降低维数，同时又能保证所需要的识别信息。主成分分析法是统计学中用来分析数据的一种方法，它基于K-L正交分解，主要用于特征的降维。它的原理就是将一个高维向量，通过一个特殊的特征向量矩阵，投影到一个低维的向量，方便我们进行实验。最后在获得有效的特征向量后，设计最近邻分

3、类器进行人脸识别。人脸识别系统框图如下：训练样本预处理特征提取分类识别人脸库最近邻分类器PCA一、首先确定训练样本和测试样本，并对训练样本进行预处理。训练部分流程图：训练样本PCA变换矩阵奇异值分解总体协方差矩阵样本矩阵二、在ORL人脸库中选取10个人，每个人5幅不同图像。其中1个人共5张图作为一组，进行10组实验，例如下面的一组：首先选取s1中5幅图作为训练样本，代表s1类。对s1进行预处理，通过PCA算法进行降维特征提取。然后设计最近邻法分类器。最近邻法的基本思想：以全部训练样本作为“代表点

4、”，计算测试样本与这些“代表点”，即所有样本的距离（这里用欧式距离作为度量）并以最近邻者的类别作为决策。这里就是计算训练样本s1_1、s1_2、s1_3、s1_4、s1_5与测试样本s1_1的欧氏距离，用代表距离（类别i、顺序j）。本实验的样本集：样本：类别：类别i=1,2...10;样本j=1,2,3,4,5例如计算第一组测试样本（i=1；j=1，2,3,4,5）与训练样本的欧式距离：比较之间的大小；判别函数：=min()决策规则：如果=min(),那么就将判别为类，并且读取该图片并显示出来。

5、三、实验仿真该实验采用了Matlab软件进行仿真，制作一个GUI界面表现出来。因为是利用了标准人脸库，并且识别的人数不是很多，所以最终的结果还是非常不错的，识别率可达100%。随着训练样本的增加，识别率会有所提升，由于自建人脸库的图片太少，即训练样本太少，对结果也产生影响，效果不是很好。本次程序中的预处理还比较粗糙，PCA也只是起到了简单的特征脸降维的作用，以及没有相比较的算法，加上自己能力有限，这些地方还值得改进。谢谢！