[发明专利]基于PCA和线性判别的人脸识别系统

说明书

基于PCA和线性判别的人脸识别系统，系统借助OpenCV函数库实现了基于Haar‑like特征和AdaBoost算法的人脸检测;提出了主成分分析PCA和线性判别分析LDA相结合的人脸识别算法，既避免了主成分分析方法对图像信息不分主次、忽视类别信息的缺陷，又降低了线性判别分析算法高运算量导致的大误差、小样本的局限性;实现了一个简单方便的人脸识别系统。

技术领域

本发明使用OpenCV函数库技术,同时使用PCA和LDA算法,是一种IOS平台识别类技术。

背景技术

越来越多的领域需要高效准确地识别人的身份,一些传统的身份识别手段不仅使用不方便，而且存在安全隐患;基于人脸特征的识别技术可以方便地验证待识别对象的身份，并且识别过程友好、安全，因此近年来成为了一个研究热点;不同人的面部往往具有不同的几何特征或统计学方面的特征，人脸识别就是依据人的面部特征进行身份鉴定的一种生物识别技术。

发明内容

系统设计和实现: 设计的人脸识别系统的功能构成是通过人脸检测、图像预处理和人脸识别三个功能方面完成;具体如下:

1.人脸检测:关于人脸检测，OpenCV中有一个训练好的XML文件，包含了相关Harr特征的分类器训练结果，系统直接利用该文件进行人脸检测;

先用cvLoad()从XML文件中加载CvHaarClassifier-Cascade分类器，再用cvCreateHidHaarClassifierCascade()将分类器转为OpenCV内部处理格式;用cvLoadImage()加载需检测的图像，再用 cvHaarDetectObjects()实现人脸检测;cvHaarDetectObjects()使用训练好的分类器对检测图像进行目标搜索，如果不同大小的搜索窗口多次重叠搜索到了目标物，才认为目标物确实存在;可以通过调节参数来改变判定的阈值;

2.图像预处理:检测到脸部后使用cvCvtcolor()转化成灰度图，可以用cvEqualizeHist( )函数方便地实现直方图归一化处理，便于后续的人脸识别;

3.人脸识别:系统设计了CreatDatabase类用于创建训练集，将人脸库中全部图像转换成二维矩阵;FisherfaceCore类使用PCA和LDA算法对人脸二维矩阵进行处理，生成特征脸最优子空间;FaceRecognition类将待测图像矩阵投影到最优投影子空间，利用最近邻准则比较，得出最接近的人脸矩阵，完成识别过程;其中很多矩阵运算过程可借助OpenCV的函数接口方便地实现，例如调用cvCalcEigenObjeets()可直接进行PCA操作，计算出的Eigenface都可保存在向量数组中，用cvEigenDecomposite()可将训练图像投影到特征脸空间上。

系统应用人脸识别算法，PCA和LDA结合的算法:PCA和LDA算法都有各自明显的缺陷;PCA算法中的特征脸对光照、表情等因素比较敏感，并且它是将一幅图像看成整体，图像中每个像素拥有一样的地位，对图像信息没有主次的区分，也没有充分利用已经知道的训练图像中的类别信息，是一种非监督的学习方法;LDA算法的计算过程需要反复进行矩阵运算，如果矩阵比较大，就会产生大的误差，影响识别精度;并且，如果直接使用LDA算法对人脸图像进行识别，也有可能使S_w为奇异，导致投影方向不能求解，即产生“小样本”问题;因此，提出一种PCA和LDA结合的算法，通过PCA与LDA两次降维处理，得到理想的投影子空间。