1. 研究目的与意义

人脸的自动识别是生物测定学研究的内容之一，是模式识别领域中的一个前沿课题。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。该课题的研究已有 30多年的历史。人脸识别正越来越成为当前模式识别和人工智能领域的一个研究热点。目前，人脸识别现已成功应用到机场口岸检查、刑侦办案系统、门禁系统等许多领域。本课题要求使用matlab编程语言利用基于MDA和k近邻的算法编写一个人脸识别的程序，并测试这个程序的识别率。

2. 课题关键问题和重难点

1. 本次课题需要使用软件matlab，我们这个专业对于matlab软件还算比较熟悉，但目前所学的知识想要完成这个课题还较为困难，需要看视频教程学习，多总结，更好掌握软件的功能。

2. 本次课题是基于mda和k近邻算法的人脸识别技术，k近邻算法是比较简单的机器学习算法。它采用测量不同特征值之间的距离方法进行分类。它的思想很简单：如果一个样本在特征空间中的多个最近邻的样本中的大多数都属于某一个类别，则该样本也属于这个类别。但是我并没有学习过这个算法对这个非常不熟悉，因此需要查阅文献了解。

3. 本次课题设计需要用到数字信号处理，高等数学，matlab等学科的知识，较为综合。设计时需要多方考量。对没有学过的知识需要自己重新看书学习或者去网上查阅相关资料。课题的设计过程需要大量的理论知识支撑。在设计时掌握相关理论知识才能更好完成模型的仿真。

3. 国内外研究现状（文献综述）

人脸识别技术就是通过计算机提取人脸的特征，并根据这些特征进行身份验证的一种技术。人脸与人体的其他生物特征（指纹、虹膜等）一样与生俱来，它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。因此，人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。

人脸识别技术从最初对背景单一的正面灰度图像的识别，经过对多姿态（正面、侧面等）人脸的识别研究，发展到能够动态实现人脸识别，目前正向三维人脸识别的方向发展。在此过程中，人脸识别技术涉及的图像逐渐复杂，识别效果不断地得到提高。同时，与其他学科不同的是：人脸识别技术融合了数字图像处理、计算机图像学、模式识别、计算机视觉、人工神经网络和生物特征技术等多个学科的理论和方法，需要研究人员具有完善的知识体系和丰富的经验。另外，人脸自身及所处环境的复杂性，如表情、姿态、图像的环境光照强度等条件的变化以及人脸上的遮挡物（眼镜、胡须）等，都会使人脸识别方法的鲁棒性受到很大的影响。因此，人脸识别技术仍然是21世纪富有挑战性的课题。

人脸识别是模式识别的重要应用，近年来有关人脸识别的研究提出了许多方法和算法。在这些方法中，特征脸法（eigenface）是一种比较经典的方法。eigenface方法采用主成分分析（pca）法把人脸图像从高维的人脸空间映射到低维的特征空间中，其所选取的变换矩阵是使训练样本的协方差矩阵（总体散射矩阵）达到最大。这种方法的一个不足之处在于：所求得的变换矩阵在使类间散射矩阵变大的同时也可能使得类内散射矩阵变大。虽然类间散射矩阵最大对于人脸的分类有利，但类内散射矩阵变大却不利于人脸的识别。比较合理的做法就是使得类间散射矩阵变大的同时也使得类内散射矩阵变小。mda方法可以看成是基于这种思想而提出的一种分离方法。求解mda的问题可以转化为一个求解广义特征值特征向量问题。当类内散射矩阵为非奇异时，求解方法很简单。但是，当类内散射矩阵为奇异时，则求解问题变得比较困难。

4. 研究方案

整个设计采用matlab实现，总体分为两个部分，第一个部分是依靠matlab实现图像处理的功能，第二个部分是人脸识别计算机系统。第一部分图像处理的matlab实现又包括了识别系统的构成，人脸图像的读数与显示，图像类型的转换，图像增强，灰度图像平滑与锐化处理，边缘检测。

识别系统主要可分为四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。人脸识别是一个非常复杂的过程，一般人脸识别的计算机系统流程包括几个步骤：进行图像采集，一般来说，图像的获取都是通过摄像头摄取，但摄取的图像可以是真人也可以是人脸的图片或者为了相对简单，可以不考虑通过摄像头来摄取头像，而是直接给定要识别的图像。对于采集到的图像，首先进行人脸检测，得出有无人脸的结果。人脸的检测任务是判断静态图像中是否存在人脸。若存在人脸，给出其在图像中的坐标位置、人脸区域大小等信息。而人脸跟踪则需要进一步输出所检测到的人脸位置、大小等状态随时间的连续变化；然后进行人脸定位，找出人脸的位置并提取出来。特征提取是通过人脸特征点的检测与标定可以确定人脸图像中显著特征点的位置（如眼睛、眉毛、鼻子、嘴巴等器官），同时还可以得到这些器官以及面部轮廓的形状信息的描述。根据人脸特征点检测与标定的结果，通过某些运算得到人脸特征的描述。对于人脸定位，在输入的是图像序列时，一般也被称为人脸跟踪。通常检测和定位同步进行。借助人脸描述对提取出来的人脸就可以进行人脸识别，即通过提取人脸特征来确定其身份。通过将输入人脸图像与人脸数据库中的所有已知原型人脸图像计算相似度并对其排序来给出输入人脸的身份信息。这包括两类识别问题：一类是闭集人脸识别问题，即假定输入的人脸一定是人脸库中的某个个体；另一类是开集识别，即首先要对输入人脸是否在已知人脸库中做出判断，如果是，则给出身份。

具体来说我将使用matlab语言编写一个多维主成分分析的变换程序，并使用训练集求出降维矩阵。使用降维矩阵对训练集和测试集降维。使用k近邻法测试对测试集的分类精度。改变降维后的维数，再次使用训练集求降维矩阵。然后使用降维矩阵对训练集和测试集进行降维。再次使用k近邻法求出对测试集的测试精度。反复改变降维后的维数，确定最优降维维数和最优识别精度。

5. 工作计划

2022-2023-1学期第15-16周，准备开题报告，阅读并摘要与课题有关的中文资料，收集相关设计资料。

第17-18周，完成开题报告，完成与课题相关的中文资料摘要。第19周，完成英文翻译一份（3000汉字以上）,进行方案论证,确定初步设计方案。2022-2023-2学期第1-2周，进一步搜集和阅读与课题相关的中文资料,确定并设计出总体设计方案,并优化设计方案。第3-4周，使用matlab语言编写一个多维主成分分析的变换程序，并使用训练集求出降维矩阵。使用降维矩阵对训练集和测试集降维。第5-6周，使用k近邻法测试对测试集的分类精度。第7-8周，改变降维后的维数，再次使用训练集求降维矩阵。然后使用降维矩阵对训练集和测试集进行降维。第9-10周，再次使用k近邻法求出对测试集的测试精度。第11周，反复改变降维后的维数，确定最优降维维数和最优识别精度。第12周，整理前期资料及程序结论，撰写论文。第13-14周，筹备毕业答辩相关事宜，制作参加毕业答辩的演示课件。参加毕业答辩，并提交全部文档和成果材料。