1、中南民族大學畢業論文(設計)學院： 電子信息工程學院 專業： 電子信息工程 年級： 2012級 題目: 基于PCA算法的人臉識別 學生姓名： 學號： 指導教師姓名: 職稱: 2016年5月26日中南民族大學本科畢業論文（設計）原創性聲明本人鄭重聲明：所呈交的論文是本人在導師的指導下獨立進行研究所取得的研究成果。除了文中特別加以標注引用的內容外，本論文不包含任何其他個人或集體已經發表或撰寫的成果作品。本人完全意識到本聲明的法律后果由本人承擔。作者簽名： 年 月 日 注：本頁放在學位論文封面后，目錄前面目 錄摘要1Abstract11 緒論21.1 人臉識別的研究意義21.2 人臉識別國內外概況2

2、1.3 人臉識別的主要研究內容31.4 本文研究內容與結構安排42 PCA算法原理42.1 PCA原理42.1.1 K-L變換原理52.1.2 K-L變換性質62.1.3 特征值選取72.2 PCA計算過程73 基于PCA算法的人臉識別83.1 構建特征臉空間83.2 特征提取83.3 人臉識別94 人臉識別實驗104.1 圖像的預處理104.1.1 幾何歸一化104.1.2 直方圖均衡化114.1.3 灰度歸一化114.2 人臉庫介紹124.3 實驗設計124.3.1 實驗基本流程圖134.3.2 實驗設計過程134.4 實驗結果與分析144.4.1 實驗結果144.4.2 實驗結果分析16

3、5 總結16致謝17參考文獻18基于PCA算法的人臉識別摘要：本文探討了基于主成分分析（PCA）的人臉識別方法。二十多年以來，PCA算法已廣泛應用于人臉識別，成為最流行的人臉表示方法之一。它不僅降低了人臉圖像特征的維數，緩解了維數災難的問題，同時使得人臉表達更為緊湊。在本文的研究中，首先利用PCA對人臉降維，其次采用最鄰近法對人臉圖像進行分類，最后在ATT人臉數據庫上對此方法進行評估。實驗結果表明，該方法具有較好的識別性能。關鍵詞：人臉識別；主成分分析法；最鄰近法 Face Recognition Based on PCA MethodAbstract: In this paper, we s

4、tudy the principal component analysis (PCA) which is one of the most popular representation methods. Not only does the PCA method reduce the dimensionality of the face image, but it avoids the problem of the Curse of Dimensionality as well, thereby getting more compact face representation. So it has

5、 been extensively employed for face recognition in the past few decades. After performing the PCA method, the nearest neighbor rule is applied to classify the face image. Finally, the PCA algorithm is evaluated on the AT&T face database, and the experimental results show that this algorithm achi

6、eves pretty good performance.Key words: face recognition; principal component analysis; nearest neighbor rule 1 緒論1.1 人臉識別的研究意義進入21世紀以來，人們的日常生活向著自動化和科技化方向發展，信息安全也日趨重要，普通的身份識別方式（如鑰匙、磁卡、密碼等）已經無法保證信息的安全。生物特征識別技術因具有高效、穩定、快速等特點，而迅速成為人們關注的研究領域。它是一項用能標識個人特定身份的生理特征或者行為、神態等進行身份認證的技術。虹膜識別、步態識別和人臉識別等均屬于該項技術的研究

7、方向，這些識別方法具有高效、便捷、難以被偽造等特點，避免了傳統的身份認證易丟失、遺忘和被破解的弊端。人臉識別是借助計算機分析人臉圖像，提取出可識別信息，進行身份認證的一種方法。與其它生物特征識別相比，人臉識別起步較晚，不過由于其個體的差異性和自身很強的穩定性，它具有友好、方便、直接等顯著優勢，迅速席卷業界，成為一項熱門的生物特征識別技術1-3。人臉識別技術廣泛應用在國家安全、保險、民政、金融等領域4。公安部門存有居民的戶籍檔案等，刑偵部門對犯罪人員的檔案進行備份。利用現場抓拍或監控等方式可以獲取可疑分子照片，再應用人臉識別技術檢索犯罪嫌疑人數據庫，從而快速鎖定嫌疑人，提高破案效率。又如反恐工作

8、中，人臉識別技術被用于加強銀行等重要場所的監控和安檢，以防恐怖襲擊。人臉識別的研究還涉及到計算機視覺、人工智能、人腦認識和心理學等眾多領域5。計算機視覺等相關理論知識指導人臉識別技術研究的不斷深入，同時人臉識別也引領這些理論知識延伸發展和開拓前進，促進新理論和新方法的產生。因此，人臉識別技術作為一項具有重要理論價值和廣闊應用前景的課題，一直被業界所青睞。1.2 人臉識別國內外概況人臉識別的研究已有很長的歷史，甚至可以追朔到上個世紀50年代，大致可以分為三個階段6。第一階段（20世紀50年代至90年代），人臉識別被當作一個一般性的模式識別問題，主流技術基于人臉的幾何結構特征。這項技術并沒有形成一

9、個統一、較好的特征提取方法，盡管取得的成果也很多，但并沒有得到廣泛應用。第二階段（20世紀90年代），人臉識別迅速發展，出現了很多經典的方法，例如Eigen Face, Fisher Face和Elastic Graph Matching7, 8等，此時主流的技術路線為人臉表觀建模。這些方法在較理想的圖像采集條件、測試對象配合、中小規模正面人臉數據庫上達到了非常好的性能，得到廣泛應用，并沿用至今。第三階段（20世紀90年代末至今），人臉識別的研究不斷深入，研究者開始關注真實條件的人臉識別問題，主要包括以下四個方面的研究：1）提出不同的人臉空間模型，包括以LDA為代表的線性建模方法，以核方法為代

10、表的非線性建模方法；2）深入分析影響人臉識別的因素，包括光照不變人臉識別、姿態不變人臉識別和表情不變人臉識別等；3）利用新的特征表示，包括局部描述子（Gabor Face，LBP Face等）和深度學習方法；4）利用新的數據源，例如基于視頻的人臉識別和基于素描、近紅外圖像的人臉識別。人臉識別基本架構包括四個部分：人臉檢測、人臉對齊、特征提取和分類識別，如圖1-1所示。圖1-1人臉識別系統架構 人臉檢測判斷靜態圖像中是否包含人臉，若存在，返回人臉的大小和位置，是人臉識別中的關鍵步驟。人臉對齊是在人臉檢測的基礎上，進一步確定臉部特征點（眼睛、眉毛、鼻子、嘴巴、臉部外輪廓）的位置。特征提取可以從圖像

11、中提取特定的判別特征以區分不同人臉。特征提取是人臉識別的關鍵部分,它直接關系到人臉識別系統的性能，一直是人臉識別研究的難點與熱點。分類識別是對測試人臉和數據庫人臉用有效分類器進行比較，確定測試人臉的身份。人臉識別借助計算機并使用特定算法，將測試人臉圖像與數據庫中的人臉比對，進行身份判定，概念上劃分為身份確認和身份辨識兩種9。按獲取的人臉圖像的維數來分，人臉識別可以分為2D人臉識別和3D人臉識別。人臉是三維結構的典型代表，所以二維的人臉會丟棄人臉面部一些特征信息，如深度信息等。所以3D人臉識別比2D人臉識別更好。這方面的經典成果有：Xiao10提出的三維形變模型、Lee11提出的三維網格模型、Y

12、e12提出的三維多模態模型及Hallinan13提出的三維彈性圖模型等。人臉識別還可分為基于靜態圖像和基于視頻圖像的人臉識別。連續變化的人臉可以估計3D人臉模型，從而補償人臉姿態變化，這是視頻人臉識別的主要優點。另外，視頻序列中的運動信息，也有利于提高人臉識別的識別率和魯棒性。本文研究的人臉識別是一種基于靜態圖像的2D人臉識別。1.3 人臉識別的主要研究內容人臉識別(Face Recognition)的研究范圍大致包括以下5個方面的內容6：人臉檢測 (Face Detection)、人臉表達(Face Representation)、人臉鑒別(Face Identification)、表情/姿

13、態分析(Expression/Gesture Analysis)、生理分類(Physical Classification)。其中人臉鑒別通常被稱作是“人臉識別”，即將待識別的人臉與人臉庫中的已知人臉比對，確認其身份。這個過程的主要問題是選擇合適的人臉表征方式與匹配策略，本文所探討的“人臉識別”即是指待識別的人臉與數據庫中的已知人臉之間的匹配問題。雖然人類能夠毫不費力地識別出人臉，但人臉圖像受各種成像條件干擾，使得人臉識別技術應用到實際中存在許多挑戰性問題14。光照變化、姿態（正面或側面）、表情（笑或不笑）、遮擋（眼鏡、胡須等）、年齡變化、人臉信息采集設備（精度等方面的差異）諸多因素都會給人臉

14、識別帶來很大的挑戰。并且這些問題往往不是單獨出現，如姿態和表情問題同時出現。這將進一步加大問題處理的難度，目前的人臉識別研究一般都是針對其中一個問題，沒有多方面考慮，這也是值得關注的。1.4 本文研究內容與結構安排本文主要講述基于PCA算法的人臉識別，主要結構安排如下：第1節 是緒論，講述了人臉識別的研究意義和國內、外概況以及人臉識別的主要研究內容。第2節 詳述PCA算法原理，簡要介紹了PCA的基本概念，詳述了PCA的本質K-L變換原理、性質和特征值提取方法。第3節 具體闡述了主成分分析的人臉識別。本節著重講解了特征臉空間的構建、特征提取和分類識別方法。 第四節敘述了人臉識別實驗，簡要介紹圖像

15、的預處理方法、AT&T人臉庫，闡述了實驗設計方法并記錄了實驗結果，最后對實驗結果做了簡單分析。 第五節對全文進行了總結性的概述。2 PCA算法原理主成分分析（Principal Component Analysis，PCA）方法是K. Pearson提出的一種數據分析方法15，是一種掌握事物主要矛盾的統計分析方法，也是一種很常用的根據變量協方差對數據進行降維、壓縮的方法。它的精髓在于盡量用最少數量的維度，盡可能精確地描述數據。2.1 PCA原理PCA的主要思想是將維特征映射到k維（k<n）正交特征上。其中重新構造的k維特征就是主元，它的本質實際上是K-L變換。下面先介紹K-L變換

16、及其性質。2.1.1 K-L變換原理K-L變換，即Karhunen-Loeve變換，是一種常用的特征提取方法16，在消除特征間的相關性、突出差異性上有最優的效果，也是最小均方誤差下的一種最優正交變換。K-L變換是由K-L展開引出的，對于D維隨機變量，可以用一個完備的正交歸一化向量集來展開(1)即表示成，的線性組合，其中(2)是線性組合的系數。將上式兩邊均左乘,得到(3)如果只用有限的d項（d<D）來逼近，即(4)上面的推導中使用了是正交向量集的條件。記相關矩陣，即的二階矩陣，則(5)要在正交歸一化的向量集中最小化這一均方誤差，就是求解下列優化問題(6)采用拉格朗日(Langrange)乘

17、數法，構建無約束的目標函數(7)對各個向量分別求偏導17并令其為零，得到如下一組方程(8)即,是矩陣的特征向量，滿足(9)是矩陣的特征值。考慮式和，均方誤差為(10)如令d=0,則上式對所有成立。把矩陣的特征值按從大到小排列，選取前d個特征值對應的特征向量，在所有用d維正交坐標系展開的特征向量中，它的截斷誤差是最小的，然后就可以做到用d個向量表示樣本并使均方誤差最小。這d個特征向量組成的正交坐標系稱作所在的D維空間的d維K-L變換坐標系，在K-L坐標系上的展開系數向量稱作的K-L變換，即(11)向量就是變換后的系數向量，在基于Eigen face算法的人臉識別中就是用系數向量代替原始向量進行識

18、別的。2.1.2 K-L變換性質下面我們看看相關矩陣的形式：(12)由上式可以看出相關矩陣是一個實對稱矩陣，則根據矩陣分析相關知識：若矩陣是一個實對稱矩陣，則必定存在正交矩陣U，使得相似于對角形矩陣，即：(13)其中是相互正交的單位向量，且是的特征向量，是的特征值，則有結論：(14) 降維后的系數向量的相關矩陣是對角矩陣，即通過K-L變換消除原有向量的各分量間的相關性，這樣得到新的變量不相關，甚至相互正交，故有可能去掉那些帶有較少信息的分量以達到降低特征維數的目的。2.1.3 特征值選取K-L變換使向量的數值改變，但向量的個數是沒有改變，數值改變后會出現小數值，因此就可以既保留主要特性又降低向

19、量的維數。為減少運算量，我們可以保留主要信息，去掉次要數據。下面是常用的特征值選取方法：（1）原始特征臉空間的構造，只要特征值非零就保留，其對應的特征向量用來構建特征臉空間。（2）舍棄后40%的特征值，就舍掉了最少反映特征信息的40%的特征量。（3）本文的特征值選取方差貢獻率來確定的，保證所含信息達到信息總量的一定比例。通常的0.90.99。公式如下：,為協方差矩陣的N個非零特征值2.2 PCA計算過程令表示一個隨機特征向量，其中。（1） 計算的均值向量：(15)（2）計算協方差矩陣：(16)（3）計算協方差矩陣的特征值和對應的特征向量：(17)（4）對特征值進行降序（）排列。按照既定法則先去

20、前k個最大特征值對應的特征向量作為需要主元成分。（5）觀測向量的k個主成分可以表示為：(18)其中。（6）進行K-L反變換有：(19)其中。3 基于PCA算法的人臉識別我們知道輸入200×200大小的人臉圖像，單單提取它的灰度值作為原始特征，則這個原始特征將達到40000維，這給后面分類器的處理將帶來極大的難度。而經過主成分分析（PCA）得到新的變量是不相關或正交的，因而可以去掉那些帶有較少信息的分量而達到降低特征維數的目的。所以PCA方法廣泛應用在人臉識別中特征提取及數據降維，并且在有效識別人臉方面取得不錯的成果。本章將詳述PCA算法在人臉識別中的具體應用。3.1 構建特征臉空間經

21、過基本的預處理后，加載入人臉庫（本文使用的是AT&T人臉庫），將庫中每個對象的前五張人臉載入作為訓練集，后五張載入作為測試集。若人臉庫中有N個人臉圖像。可以設人臉圖像為矩陣，其中,然后將其每一幅人臉圖像的按行重排成的列的行向量，得到訓練樣本集,表示的是長度為的行向量。求出訓練樣本的均值（公式2.15），即平均臉，為行向量。為突出差異性，減掉平均臉，就可以得到N幅差異圖像。去掉均值后矩陣為，其中。再求出協方差矩陣,我們下一步是對協方差矩陣作特征分解，但考慮到矩陣是一個的很大的矩陣，要求出它的特征值和特征向量則需要很大的工作量，所以我們將它轉換成求矩陣的分解。構造一個矩陣，再求其對應的特征

22、值（這里的特征值是按從大到小的順序排列的，即），這些特征值所對應的特征向量為。運用上一章結論對其進行進行歸一化，即運用公式，可以得到歸一化特征向量，這就是特征臉。3.2 特征提取首先給出方差貢獻率的定義：方差貢獻率越大說明其對應前k個特征值越大，那么我們選擇前k張特征臉進行識別的正確率就越高。這k個特征臉成構成特征子空間。將人臉圖像中差異性最大的特征提取出來就是特征提取，接下來就可以有序進行識別工作。為得到訓練集坐標系數，我們在特征子空間對訓練集人臉圖像進行投影，同理，將測試集圖像也投影到特征子空間。這組系數可以作為人臉識別的依據。3.3 人臉識別 PCA算法可以做到特征提取，但對于本文要完成

23、識別，則要對特征提取后的人臉進行分類識別。下面介紹本文采用的分類識別方法最鄰近法。最鄰近法是判斷待分類樣本與已知樣本的距離來進行決策的，其基本思想就是對于一個新樣本，將其逐個與已知樣本進行比較，距離最近的已知樣本的類別，就可以作為新樣本的類別16。 對最鄰近法進行形式表述為：已知樣本集，其中，是樣本的特征向量，是它對應的類別，設有個類，即。定義兩個樣本間的距離度量，本文的距離度量方法是采用歐式距離，即。對未知樣本，求中與之距離最近的樣本，設為（對應的類別為），即(20)則決策為類。如果寫成判決函數的形式，的判決函數可以寫作(21)判決法則就是比較各類的判決函數的大小，即(22)根據實際問題，我

24、們可以選擇不同的距離量度。研究表明，在已知樣本足夠多是，這種相對直觀的最鄰近法可以取得很好的效果。應用最鄰近法可以將特征提取后的人臉進行歸類識別，這也是人臉識別的最后一步。計算測試人臉和訓練集構造人臉的距離，如下公式所示：(23)測試人臉與訓練樣本的距離最小時，就可以認為測試樣本訓練樣本是同類的（最鄰近法法則），即同一個人的人臉。4 人臉識別實驗4.1 圖像的預處理 人臉識別實驗前往往要對人臉庫中的圖像進行必要的預處理，下面介紹人臉圖像的幾種預處理方法： 幾何歸一化幾何歸一化能使圖像不受尺度和角度變化的影響，因此在幾何上就具有一定穩定性。幾何歸一化處理的目的在于將表情子圖變換為統一尺寸，這樣就

25、有利于表情特征的提取了。給出面部的幾何模型如下：圖5.1面部幾何模型至于幾何歸一化過程具體，分為以下幾步： 標定特征點，在MATLAB中使用x,y = ginput(3)函數可以標定兩眼和鼻子這三個特征點。選擇用鼠標動手標定，獲取這三個特征點的坐標值，回車結束。 按照左右兩眼坐標值進行旋轉圖像，達到保證人臉的方向一致性。假設兩眼間的距離為d，二者的中點為O。 根據面部特征點及幾何模型可以確定矩形特征區域范圍，以O作為基準，左右兩邊各剪切d，垂直方向取0.5d和1.5d的矩形區域進行裁剪。 用尺度變換使表情子區域圖像統一尺寸（根據實驗要求確定尺寸），便于表情特征的提取。幾何歸一化例圖如下：(a)

26、 原圖(b) 旋轉裁剪圖5.2幾何歸一化4.1.2 直方圖均衡化直方圖均衡化方法的基本思想是，對在圖像中像素個數多的灰度級進行展寬，而對像素個數少的灰度級進行縮減18。直方圖均衡化使圖像的灰度分布趨于均勻、像素灰度間距拉開，從而提高圖像的對比度，達到改善視覺效果的目的。在MATLAB中，給出了histeq函數實現直方圖均衡化，下面給出MATLAB實現直方圖均衡化的圖例如下：(a)原圖(b)原始圖像直方圖(c)原始圖均衡化(d)原始圖像均衡化后直方圖圖5.3直方圖均衡化 灰度歸一化與傳統的集合歸一化不同，人臉識別系統的灰度歸一化是用線性的辦法將圖像的灰度和對比度歸一化到要求的一定數值區域內。這種

27、特別的歸一化處理可以增加了人臉圖像的亮度，使其細節更加清楚，并可以減弱光線和光照強度的影響。給出MATLAB下的灰度歸一化圖例如下：(a)原圖(b)灰度歸一化圖5.4灰度歸一化4.2 人臉庫介紹人臉識別在國際上向來就是一個研究熱點，故國際上許多知名機構建立了標準的人臉庫。國際上著名的人臉庫有FERET人臉庫、AT&T人臉庫、MIT人臉庫、Yale人臉庫等。本文采用的是AT&T人臉庫，下面對其進行簡要介紹：AT&T 人臉庫，又稱ORL人臉數據庫，由英國劍橋大學從1992年4月到1994年4月期間拍攝的一系列人臉圖像組成，涉及到40個不同的對象，他們的年齡、性別、種族各有差

28、異。每個對象各自存放在一個文件夾中，分別標號為，每個對象有10張人臉圖像，這些圖像也各有差異，如笑與不笑、眼睛睜著或閉著，戴或不戴眼鏡等，其深度旋轉和平面旋轉可達到20度，共計400幅灰度圖像組成，圖像像素為112×92，背景為黑色。該人臉數據庫是目前使用最廣泛的標準人臉庫之一，包含大量的比較結果。圖5.5對每個對象的第一張圖像進行了展示。圖5.5 AT&T人臉數據庫展示4.3 實驗設計本文所設計的人臉識別系統在MATLAB R2012a上運行，主要實現的功能是當輸入一張測試人臉圖像時，系統能夠從訓練集中找出所有與測試人臉圖像中人臉相一致的圖像，最后給出識別的正確率。4.3.

29、1 實驗基本流程圖本文人臉識別系統的基本流程圖5.6如圖所示。圖5.6人臉識別流程圖4.3.2 實驗設計過程（1）訓練階段 加載訓練集我們知道一張人臉圖片在計算機表示為一個像素矩陣，即是一個二維數組。對于本文使用的ORL人臉庫的圖像是112×92的二維矩陣。讀取人臉數據庫中的圖像，將每個人的前5張人臉轉換成1×10304的向量，并存入一個200×10304的矩陣中作為訓練集。 計算平均臉對訓練集圖像求平均值（200張人臉的共性部分），結果存入一個1×10304行矩陣中。 計算協方差矩陣 將訓練集的每一個行向量減去平均臉矩陣，得到200個人臉的差異部分，再

30、計算協方差矩陣（10304×10304矩陣）。 計算特征向量和特征值計算協方差矩陣的特征向量（10304×10304矩陣）和特征值(10304×10304矩陣)。 選取主成分 對特征值按大到小進行排序，按照前面的方差貢獻率（本實驗選取方差貢獻率為0.9）選擇我們應該選取的前k個特征值對應的特征向量組成的矩陣（200×71矩陣）。 對訓練集降維對訓練集降維得到訓練集特征臉矩陣（200×71矩陣）。（2）測試階段 加載測試集讀取人臉數據庫中的圖像，將每個人的后5張人臉轉換成1×10304的向量，并存入一個200×10304的矩陣

31、中作為測試集。 識別計算測試集中的每一個人臉與特征臉空間的所有人臉的距離，找到距離最小值。按照最鄰近法法則，與測試人臉最相近的人臉即識別結果，最后給出識別率。4.4 實驗結果與分析4.4.1 實驗結果運行程序我們可以得到下面的實驗結果：（1） 平均臉與特征臉：圖5.7平均臉(a)(b)(c)(d)(e)圖5.8前5個最大特征值對應的特征臉（2）特征值與主成分選取的關系：（a）(b)圖5.9特征值與主成分選取的關系（3）識別率4.4.2 實驗結果分析本文的人臉識別系統是在AT&T數據庫上進行研究的。從實驗結果中我們可以看出本系統對不同側面、表情等特征的人臉做到了一定的識別，但不可否認該系

32、統并不是很完善，自然有一定的識別錯誤率(0.1800)。影響本人臉識別系統的識別率主要因素有：方差貢獻率的大小的選擇、人臉數據庫中待識別圖像數量。（1） 特征值閾值選擇對人臉識別率的影響經過前面對PCA原理以及實驗結果可以看出，本實驗特征臉空間維數由特征向量的方差貢獻率來確定，通過方差貢獻率的大小我們可以選擇相應前k個特征向量近似表達特征空間。給出特征值閾值計算公式：其中使實驗者所選的方差貢獻率的大小，根據上述公式我們即可以確定k的大小（本實驗選擇的是=0.9） 當閾值過低時必然導致壓縮過度，這時特征臉空間就不能完整表達人臉細節，故存在識別錯誤，因而造成識別率偏低。 當閾值過高時，構造特征臉空

33、間的特征向量相應增加，對人臉圖像的細節也就闡述得比較到位，識別率會有所提高，甚至達到100%。但是閾值選擇過大的話，組成特征空間的特征向量過多，會導致實驗計算量變大以及人臉特征表達復雜化，這就與PCA原理的初衷相悖了，并非我們所需要的。所以對閾值的選擇既要保證特征空間對人臉的表達，還要降低計算量，這就需要我們仔細選擇合適的閾值來完成識別過程。（2） 待識別圖像數量對人臉識別率的影響待識別人臉圖像小于一定數量時（本實驗是從數據庫中隨機選取每人的后五張作為待識別人臉圖像），可能會被錯誤識別為其他的人臉，究其原因應是待識別人臉數量較小時，全部人臉圖像投影到特征臉空間后，在測試者全部人臉距離數值中待識

34、別人臉的距離占據的權重變大了，導致特征提取出現偏差。5 總結本文所研究的是基于PCA算法的人臉識別系統，在敘述了相關背景、特征提取方法和分類識別方法后，也在MATLAB上對該系統進行了實現。首先，本文對PCA算法進行了詳細的介紹，首先介紹了算法的數學原理如K-L變換原理和性質，并且對它們的數學原理進行了較為詳細地推導。其次具體講述了基于PCA算法的人臉識別的具體步驟。重點講述了特征臉空間的構建、特征值和特征向量的求取以及最鄰近法的分類識別方法。最后，對基于PCA算法的人臉識別實驗在MATLAB上進行了仿真，簡述了實驗設計方法。由實驗結果知，相關實驗參數設置得當時，PCA算法對人臉庫的識別率可以

35、達到100%。致謝時光如梭，四年的大學生涯要結束了，難以忘記這些年在中南民族大學的美好時光，這將是我一生最寶貴的記憶。參考文獻1 孫冬梅, 裘正定. 生物特征識別技術綜述 J. 電子學報, 2001, 29(S1): 1744-1748.2 劉青山, 盧漢清, 馬頌德. 綜述人臉識別中的子空間方法 J. 自動化學報, 2003, 29(6): 900-911.3 馬力, 王蘊紅, 譚鐵牛,等. 虹膜識別研究綜述 C/ 自動化與信息技術發展戰略研討會. 2002.4 Samal A, Iyengar P A. Automatic recognition and analysis of human

36、 faces and facial expressions: a survey J. Pattern Recognition, 1992, 25(1): 65-77. 5 Valentin D, Abdi H, O'Toole A J, et al. Connectionist models of face processing: A survey J. Pattern Recognition, 1994, 27(9): 1209-1230.6 周激流, 何其超. 人臉正面模式自動識別方法研究 J. 四川大學學報: 自然科學版, 1993(1): 70-75.7 Turk M, Pentland A. Eigenfaces for recognition J. Journal of Cognition Neuroscience, 1991, 3(1): 72-86.