基于PCA算法的人臉識別技術研究

張成龍

摘要：人臉識別技術是一種生物特征識別技術，目前在多個領域中得到了廣泛的應用。本文以人臉識別為目標，采用基于整體的特征臉方法，以直方圖均衡化方法對人臉圖像進行預處理，PCA算法為核心進行了分析與實驗，有效地提高了人臉圖像識別的精確性。通過MATLAB基于ORL人臉庫進行對比實驗，實驗結果表明，文中設計方法對于人臉圖像具有較高的識別率。

關鍵詞： PCA；人臉識別；特征提取

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2016）22-0182-03

Abstract：Face recognition technology is a kind of biometric identification technology， at present has been widely used in many fields. Based on face recognition as the goal， USES the method based on the characteristics of the whole face， with histogram equalization method of face image preprocessing， PCA algorithm as the core are analyzed with the experiment， and effectively improves the accuracy of face recognition. Comparative experiments by MATLAB based on ORL face database， experimental results show that the design method in this paper for face image has higher recognition rate.

Key words：PCA； Face recognition； Feature detection

1 概述

人臉識別技術是一種生物特征識別技術，最早在19世紀末由美國科學家Calton提出，隨著計算機技術不斷發(fā)展，國內(nèi)外對于模式識別研究的不斷深入，人臉識別由于其具有唯一性、方便性、直接性、隱蔽性、安全性等優(yōu)勢，逐漸成為研究熱點，在智能交通、軍事作戰(zhàn)、智能監(jiān)控等多個領域得到廣泛應用[1]。主成分分析[2]（Principal Component Analysis，PCA）是由Karl Pearson和Harold Hotelling提出的一種統(tǒng)計方法，廣泛應用于人口統(tǒng)計學、數(shù)量地理學、分子動力學模擬、數(shù)學建模、數(shù)理分析等多個學科，1991年Turk M 和Pentland A將主成分分析引入到人臉識別的研究[3]，而后作為一種基礎的研究方法逐漸推廣到計算機機器視覺、模式識別、圖像信息壓縮等研究領域。選取主成分分析法（PCA算法）作為特征提取方法，無法解決人臉圖像分辨率、光照、角度等因素造成的識別率偏低的問題。為達到理想的識別率，本文在PCA算法進行特征提取的基礎上，采用直方圖均衡化方法對人臉圖像進行預處理，能夠在一定程度上提高人臉識別的識別率。

2 PCA算法概述

PCA算法（主成分分析法）作為數(shù)學上常用的對數(shù)據(jù)進行降維的一種方法，最早被Turk M和Pentland A用于人臉識別的研究，取得了不錯的效果。其基本思想是將原來眾多的具有一定相關性的指標重新組合成一組新的互不相關的綜合指標（通常表示為原始變量的某種線性組合）來代替原指標，用來完成對變量的降維和主成分的解釋，并且能夠最大限度地保留原有數(shù)據(jù)的結構分布，在最小均方意義下尋找最能代表原始數(shù)據(jù)的投影，從而達到對特征空間降維的目的。

2.1 PCA數(shù)學模型

假設研究對象有n個樣本，每個樣本觀測p項指標，可構成一個n×p階數(shù)據(jù)矩陣：

2.2 PCA算法流程

Step 1：計算樣本數(shù)據(jù)的協(xié)方差矩陣；

Step 2：計算∑的特征值λi及相應的正交化單位特征向量ai；

Step 3：選擇重要的主成分，并寫出主成分表達式，計算主成分的貢獻率和累計貢獻率；

Step 4：計算主成分載荷：即第i個主成分Fi的特征值的平方根與第j個原始變量Xj的系數(shù)的乘積，主成分載荷反應了Fi和原始指標Xj之間聯(lián)系的密切程度與作用方向；

Step 5：計算各主成分的得分，對樣品的特性進行推斷和評價。

3 人臉識別基本流程

人臉識別通常也叫做人像識別、面部識別，主要是針對攝像頭、視頻監(jiān)控等采集到的含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉，人臉檢測、特征提取與人臉識別是人臉識別過程中不可缺少的三個步驟。如圖1所示，在進行人臉識別的過程中，所示我們首先通過圖像采集獲取圖像，然后對采集到的圖像進行人臉模塊檢測。如果檢測結果顯示為人臉圖像，下一步進行對人臉圖像的特征點定位及歸一化處理，特征提取后送入分類器進行識別，最終獲得識別結果。

4 實驗與分析

實驗基于ORL人臉庫進行，庫中共有400張人臉圖像，這些圖像包含了來自西方國家40個不同人物，每個人物選取10張采用了不同角度、不同表情、不同姿態(tài)的圖像。ORL人臉圖像如圖2所示。

4.1 實驗流程

實驗平臺為win10/MATLAB（R2010b），計算機配置為：Intel（R） Core（TM） i3-3240 CPU@3.40GHz，4.00GB RAM， 64位操作系統(tǒng)。

本次實驗步驟如下：

Step 1 圖像預處理：選取直方圖均衡化方法對用來進行人臉識別實驗的樣本圖像進行預處理。

Step 2 特征提?。哼x取PCA算法對用來進行人臉識別實驗的樣本圖像進行特征提取。

Step 3分類：選取最小距離法，計算測試對象和訓練樣本集的距離，實現(xiàn)分類。

4.2 實驗結果分析

實驗分為兩個階段進行，第一階段針對不同數(shù)量訓練樣本下的人臉圖像識別率進行比較，第二階段針對訓練樣本圖像采取直方圖均衡化方法進行預處理，同時針對不同數(shù)量訓練樣本下的人臉圖像識別率進行實驗。實驗結果表明：針對兩個實驗階段不同數(shù)量樣本下識別率進行統(tǒng)計分析，如表1、表2所示隨著樣本數(shù)量的增加，人臉圖像的識別率會有明顯的下降，但是針對訓練樣本圖像采取直方圖均衡化方法進行預處理，可以有效地提升人臉圖像的識別率。

5 結束語

人臉識別技術作為網(wǎng)絡信息化時代廣受關注的高新技術，本文實驗中采用的直方圖均衡化方法對人臉圖像進行預處理，PCA算法對特征臉進行降維處理以及最近鄰分類器對人臉圖像進行分類對識別結果起到了一定的作用，識別率有所提升。但是要想有更好的實驗效果，還必須尋找更好的特征表達算法，使得可以在實際應用中盡量消除光照、表情、遮掩和姿勢對識別結果的影響。

參考文獻：

[1] 王守佳. 基于圖像的人體檢測跟蹤和人臉識別的研究[D].吉林大學，2013.

[2] 焦斌亮，陳爽. 基于PCA算法的人臉識別[J]. 計算機工程與應用，2011（18）：201-203.

[3] Turk M A，Pentland A P.Face recognition using eigenfaces[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1991：586-591.

[4] 邊肇祺. 模式識別[M].北京：清華大學出版社.2000.

[5] 李建剛. 人臉識別中分類器與特征提取研究[D].江南大學，2009.

[6] 沈慧鈞. 關于人臉識別圖像預處理方法的研究與實現(xiàn)[J]. 科技與創(chuàng)新，2014（18）：119-120.

[7] 馮素玲. 人臉識別常用方法研究[J]. 微計算機信息，2004（5）：94-95.