摘 要

人脸识别系统已经被用于各行各业，特别在信息安全、人工智能、计算机技术等领域拥有十分广阔的应用前景。本文主要描述了基于MATLAB的人脸识别系统的设计与测试过程。首先利用PCA主成分分析法、BP神经网络分类器及三阶近邻分类器完成了对国际通用人脸库ORL的识别功能，而后在改变特征提取算法和分类器相关参数的条件下完成了系统识别率测试。同时结合人脸检测算法，利用GUI界面设计完成了库外图像的人脸识别及Yale人脸库容错率测试。

论文主要研究了PCA BP神经网络和PCA 三阶近邻分类在人脸识别领域的适用性，同时在不断调试PCA主成分分量、输入样本维数、神经网络网络参数的情况下找出最佳的搭配组合，以达到最高识别率和最快识别速率的平衡。

研究结果表明：在实验室理想条件下，PCA BP神经网络表现优于PCA 三阶近邻分类器。对于PCA和神经网络算法中一些参数的选择问题，需要通过不断测试和调整才能达到最佳的识别效果。

关键词：人脸识别；PCA；BP神经网络；三阶近邻分类器

Abstract

Face recognition system has been used in loads of different industries, especially shows broad application prospects in information security, artificial intelligence, computer technology and other related areas. This paper mainly describes the design and testing process of face recognition system based on MATLAB. Firstly, principal component analysis (PCA), BP neural network classifier and third-order neighbor classifier are used to complete the recognition task of ORL(an international common face database). Then, some related parameters of feature extraction algorithm and classifiers are changed to test the recognition rate of this system. At the same time, combined with the face detection algorithm, external image from ORL can be recognized with the use of GUI. Besides, images of Yale face database are used to test the fault tolerance of the whole system.

The applicability of two combinations of algorithms in face recognition is compared in this paper, namely PCA and BP neural network, PCA and third-order neighbor classification respectively. Meanwhile, various measures have been taken to improve the experimental results, for example, changing the component of PCA and the number of input samples as well as network training parameters of BP, so as to achieve a balance between the highest recognition rate and the fastest recognition speed rate.

The research results demonstrate that BP neural network is superior to third - order neighbor classifier when being used with PCA under the ideal condition of laboratory. As for the selection of parameters of PCA and neural network algorithm, continuous tests and adjustments are needed to achieve the best recognition results.

Key Words：face recognition; PCA; BP neural network; third-order neighbor classifier

目 录

第1章 绪论1

1.1 研究背景及意义1

1.2 国内外研究进程与现状1

1.3 课题研究内容及目标2

1.3.1 课题研究内容2

1.3.2 课题预期目标3

1.4 论文组织结构3

第2章 方案论证5

2.1 总体方案介绍5

2.2 方案对比论证5

2.2.1 特征提取方法对比5

2.2.2 最终方案流程图6

第3章 图像预处理及人脸定位检测7

3.1 图像预处理7

3.1.1 灰度转换7

3.1.2 图像二值化处理7

3.1.3 图像边缘背景减小处理8

3.2 目标区域标记与裁剪9

3.2.1 目标连通区域标记9

3.2.2 标记区域裁剪及保存10

3.3 本章小结11

第4章 人脸特征提取及识别12

4.1 整体方案介绍12

4.2 PCA生物特征提取12

4.3 分类器14

4.3.1 BP神经网络14

4.3.2 三阶近邻分类器17

4.4 本章小结18

第5章 GUI界面设计19

5.1 GUI简介19

5.2 GUI界面设计及人脸识别系统的实现19

第6章 程序测试与分析23

6.1 测试人脸库介绍23

6.2 PCA BP神经网络23

6.2.1 PCA性能测试23

6.2.2 BP性能测试24

6.2.3 PCA BP参数选择29

6.3 PCA 三阶近邻分类器30

6.4 Yale人脸库容错性测试31

6.5 本章小结32

第7章 结论33

参考文献34

致谢35

第1章 绪论

1.1 研究背景及意义

人类生活在信息世界里，无时无刻不在接触着各种不同类别的信息，例如声音、图像、气味等，而其中与我们最紧密相连的信息就是图像信息。

随着科技的进步和发展，智能手机和快速移动网络在全球都有着越来越广泛的使用，数以万计的照片被上传到云存储服务器或各种社交网络平台如Facebook、Instagram、微信等，而从这些照片中组织和检索相关人脸信息已经被视为最重要的课题之一。我们能通过人脸的某一或某些特征更直观地辨别一个人的身份，这为现代人机交互提供了最基本的技术保障。目前，人脸识别技术已经被广泛应用于边境安检、司法检查、电子政务、商务金融等各大领域中^[1]。相比于其他生物特征的辨别方法（如指纹、掌纹、虹膜等），人脸识别以其更明显、便捷、不易伪造的特点最容易被用户所接受，从而凸现了它的商业价值。

人脸识别技术，是指利用计算机技术对图像中的人脸部位进行检测、研究及分析后，提取图像中的特征信息用以鉴别身份的一门技术。在现实使用中，人脸识别技术不需要接触式采集人体的生物特征信息，这也就意味着其对应用环境及对象的友好性远远高于指纹等常用的识别方式^[2] 。同时，现代人脸识别技术能充分保证识别精度，在这种情况下，仅需要摄像设备的单一硬件识别系统更是为用户节约了不少成本。在互联网高度发展的今天，通过软件处理人脸图像的优势并不局限于硬件成本的降低，人们通常能将其与数字监控系统、大数据存储系统无缝连接，从而形成一整套安防系统，在门禁管理、刑侦破案、视频监控等方面为用户提供更好的体验，并大大提高了系统的实用性、安全性及可靠性。

总而言之，伴随着信息技术的繁荣发展，人脸识别技术已逐渐成为了一种越来越安全、智能、直观的技术手段，同时加快了各行各业的信息安全、网络智能化的进程^[3]。除其在商业应用上的广阔前景之外，对人脸识别技术的研究也能促进当下一些热点领域及关联学科的发展，例如模式识别、人工智能、计算机视觉等。