摘 要

人脸识别技术是目前人工智能领域的一个关键性技术，其在许多智能领域都有重要应用。本文基于MATLAB开发平台，使用Haar-like特征与人工神经网络的方法，搭建了一套可实际应用的人脸识别系统。

系统使用Adaboost算法训练的级联分类器进行人脸检测，用神经网络进行人脸识别。针对人脸识别对光照敏感的问题，使用Gabor滤波器对人脸图像进行光照滤除。对于样本向量维数过多的问题，通过主成分分析（PCA）算法对图像进行降维处理，同时滤除掉部分噪声信息。

为降低神经网络的结构风险，本文构造误差函数正则项对神经网络进行剪枝运算。使用尺度共轭梯度算法作为网络训练函数解决误差反向传播（BP）算法计算复杂度高，收敛速度慢的问题。

本系统在ORL数据集上得到95%的识别率，在CAS-PEAL的部分数据集上得到93.67%的识别率。除此之外，本文同时使用支持向量机算法进行识别，并将两种算法的性能进行比较，得到神经网络适用于大样本识别，支持向量机适用于小样本识别的结论。通过对图像自身的局部模式进行拓展分析，得到图像中不同局部模式对识别重要程度不同的结论。

关键词：人脸识别；Haar-like特征；神经网络；支持向量机；主成分分析

Abstract

Face recognition is a vital technology in the field of artificial intelligence. It can be used in a lot of intelligent applications. This paper used Haar-like feature and artificial neural network (NN) to build a face recognition system based on Matlab. This system works well in practical application.

This paper used Adaboost cascade classifier to detect human face and neural network to identify individual identity. In order to solve the problem that recognition algorithm is sensitive to light, this paper used Gabor filters to filter out luminance information in the face image. In order to solve the problem that the dimension of image vector is too huge, this paper used principal component analysis (PCA) algorithm to reduce dimension of image vector and filter some noise in the image vector.

This paper designed error function regularization parameter to reduce network’s structural risk. This method is equivalent to network pruning algorithm. Because BP algorithm is too low to converge to an ideal state, this paper used scaled conjugate gradient algorithm (SCG) to train the network.

The system in this paper achieved 95% accuracy in the ORL dataset and 93.67% accuracy in a part of CAS-PEAL dataset. Besides, this paper also used support vector machine (SVM) algorithm to identify individual identity and got the conclusion that NN is more suitable to deal large-scale problem and SVM is more suitable to deal small-scale problem by comparing network’s performance with SVM. Through analyzing image’s local patterns, this paper obtained the conclusion: different local patterns hold different positions in face recognition.

Key Words：Face Recognition; Haar-like feature; Neural Network; Support Vector Machine; Principal Component Analysis

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 研究背景及意义 1

1.2 研究历史及现状 1

1.3 论文的章节安排 2

第2章 算法原理 4

2.1 Haar-like特征与积分图 4

2.2 Adaboost算法 6

2.3 Gabor滤波器 8

2.4 主成分分析(PCA) 9

2.5 神经网络（NN） 10

2.6 支持向量机(SVM) 13

2.7 本章小结 16

第3章 人脸识别系统实现 17

3.1 系统功能架构及组成 17

3.2 功能模块及算法 18

3.2.1 检测 18

3.2.2 训练 19

3.2.3 识别 24

3.3 系统GUI界面 27

3.4 本章小结 32

第4章 系统优化及性能分析 33

4.1 性能优化 33

4.1.1 误差函数优化 33

4.1.2 训练算法优化 33

4.1.3 多帧识别方法 36

4.2 结果分析 37

4.3 识别算法比较 39

4.4 鲁棒性分析 40

4.5 拓展分析 41

4.5.1 局部模式分析 42

4.5.2 综合分析 43

4.6 本章小结 44

第5章 系统的优缺点 45

5.1 系统的优点 45

5.2 系统的缺点 45

第6章 总结与展望 46

参考文献 48

附 录 50

致 谢 59

第1章 绪论

1.1 研究背景及意义

模式识别是人工智能领域的一个分支，其采用机器学习的方法来研究如何从大量的信息中提取出人们感兴趣的内容(ROI)，并对提取的内容所属类别进行判断的技术。所谓模式，是对人们感兴趣的内容(ROI)的一个统称，模式可以是字符，语音，图像等等。

人脸识别是模式识别的一个具体分支，其与指纹识别和虹膜识别等识别技术属于同一类技术。但是，由于识别的模式不同，它们之间又有许多的不同点，主要表现在：1.对成像环境要求不同，指纹识别与虹膜识别对成像环境要求较高，大多数的识别系统都要求严格的成像环境，而人脸识别的成像环境不严格，这对人脸识别算法的设计提出了一定要求。2.识别对象变异程度不同，除个别极端现象，指纹与虹膜不会随着时间的变化产生太大的变异，而人脸的变异程度受到姿态，表情，光照，遮挡等影响，故人脸识别技术相对其他识别技术来说，其难度更大。许多相关的研究者都认为，人脸识别技术是人工智能领域最艰难的方向之一。

纵观国内外，目前人工智能都是一个十分有前景的领域，而人脸识别作为人工智能领域的一个实际应用，有着十分重要的研究价值。其在智能门禁系统，无人汽车自动驾驶系统，无人机系统，VR虚拟现实设备，数字银行等系统上都有重要的应用。

1.2 研究历史及现状

人脸识别的研究有很长的历史。按照其发展，大致可以分为四个阶段^[1]：