人脸识别算法的实现与对比分析+源代码(2)
4.4.2 数据分析 14
4.5 PCA 和KNN算法在ORL人脸库之间的对比 14
4.5.1 实验数据 14
4.5.2 数据分析 14
5. 总结与展望 14
5.1 总结 14
5.2 展望 15
致谢 15
参考文献 16
人脸识别算法的实现与对比分析
引言：进入当代信息社会以后，数据的类型越来越复杂，我们面临的图像数据越来越繁琐，数据的变化使我们处理数据的准确性和效率有所下降。PCA与KNN这两种算法是处理图像的经典算法，可以帮助我们对数据量较大的图像进行分析。
1．选题背景
1.1 问题的提出
运用计算机的人脸识别实际上就是通过计算机分析人脸的图像，从图像中取得有效信息进行识别的技术。人脸识别技术[1]的前景十分可观，可用于身份识别、公共安全、电子护照及监控系统等。虽然人脑的记忆功能很强大，能够记住成百上千张不同的人脸，但是计算机却不具备人脑的思文。其表现在：人的面部会随着外部环境的变化而变化，例如光照、拍摄角度以及遮挡物。另外，人脸识别还与许多其他的学科密切相关，如图像处理、计算机图像和神经网络等，除此之外也与人的大脑的思文密切相关。以上与多因素的影响使得人脸识别成为一项十分困难并且具有挑战性的课题。
1.1.1 人脸识别的概念
人脸识别可以这样说明：选择一张图像或者一段视频，利用其系统所提取的特征进行识别。在计算机系统中的人脸识别技术主要分成三个步骤：人脸检测，特征提取，人脸识别。
1.1.2 人脸识别的发展历程
上个世纪60年代末到70年代初期，对于人脸识别的研究刚刚起步。最先进性研究的是B ledsoe[2]，他在最初建立了一个人脸识别系统，以人脸的鼻子眼睛之间的距离作为特征。早期研究阶段的人脸识别具有两个明显的特点：（1）人脸识别的常用方法是基于部件的，它提取的特征是人脸主要器官之间的几何距离。此类方法实现起来十分简单，但是会丢失有效信息，当人脸图像在光照遮挡的情况下，识别的成功率大大下降。对于这种方法，后期进行了改进，出现了模板匹配[3]的方法，运用模板与进行识别的人脸进行对比，分析它们之间的相似度，来确定是否为同一张人脸。（2）对于人脸识别的研究总是有极其严格的限制条件，例如人脸的位置、角度、光照以及背景板，对于现实情况下的应用，人脸识别还有很多改进的空间。
进入20 世纪90年代，计算机在硬件与软件方面的性能明显提升，研究出更加具有普适性的人脸识别方法就成为了必要的课题。所以基于整体的方法便诞生了，由于其性能的优化与增强，迅速成为了研究的热点。这种方法有效地利用了人脸图像中的特征点以及它们之间与自身的拓扑关系，使得普适性得到了大幅度的提高。于是，在人脸识别的科研领域，形成了基于整体与基于部件相互竞争，相互发展的现象。此外，科研人员渐渐意识到，人脸识别的算法要能够充分地提取与利用人脸图像的信息，诞生了许多新的算法，这些新出现的算法往往是两种算法或几种算法结合起来，共同完成人脸图像的辨别。20世纪90年代初期，人脸识别的方法开始向着整体与局部相结合的方向发展，同时，人脸识别的技术开始走向市场，成为社会上安全防范的重要手段。但是这个时期的人脸识别技术还有许多不够完善的方面，识别的正确率与识别时间还没有达到预期效果，与我们预期的性能还有许多的差距，它受表情、光照、年龄以及距离的影响较大，当某个变量发生变化时，识别的效果就会发生很大变化。当前，对于人脸识别技术而言，只能适用于对于识别准确率和识别时间要求不是特别严格以及外部环境变化不大的场合。