人脸的样本分辨率为24×24，作为576维的一维向量输入至PCA。图8(a)为计算PCA投影矩阵的流程图，图8(b)为KNN分类器的工作流程图，其中训练样本经过PCA投影后的数值，不需要在每次识别中重新计算，可以作为初始化时的计算，也可存储于掉电非易失介质中，如Flash存储器中，可以提高设备的运行效率，降低运算量。

　　如图8所示，KNN分类器可以判断最接近的分类，但是并不能拒绝分类，于是产生了任何人的脸都将被分到内置样本集的一类中。这样的分类方式是不可取的，所以必须加入是否拒绝的判定，流程图如图9所示。

　　如流程图中显示，当样本点经过PCA降维后，输送至KNN分类器进行分类，所得到的结果一定可以判定为第K类，此时不能急于定论，先求出待测点与K类标号的样本点的欧氏距离之和sum。定义两个阈值a和b，如果sum<a值则判定为第一类；如果sum>b值则判定为拒绝类；如果sum介于a和b值之间，则引入精度控制量accuracy，计算出sum与a的差值，如若小于精度控制量accuracy，则判定为第K类，否则拒绝分类。由这样的过程，间接解决了样本错分和无法判否的问题。
　　4 试验结果
　　该实验中，选定a的值为12 400，b的值为16 200，这两个值的确定需要进行大量的实验，从中找出规律。x的值的大小直接影响识别的效果，文中分别选取x=4和x=5进行了测试。
　　(1)x=4时：程序在测试可识别库中的分属12个人的36幅人脸图像时，正确识别出其中的33幅，其余3幅图像均被判否，0个判错。程序在测试不可识别库中的分属3个人的33幅人脸图像时，22幅图像被成功判否，11幅被误判；
　　(2)x=5时：程序在测试可识别库中的分属12个人的36幅人脸图像时，正确识别出其中的25幅，其余ll幅图像均被判否，O幅判错。程序在测试不可识别库中的分属3个人的33幅人脸图像时，28幅图像被成功判否，5幅被误判。
　　分析上面的实验数据可知，x=4时，可识别库的识别率为91．6％，不可识别库的判否率为66．7％。x=5时，可识别库的识别率为69．4-％，不可识别库的判否率为84．8％。因此，应用于不同的场合时，应选择不同的x值，当要求尽可能拒绝外来人脸时，可选x值为5，当要求尽量识别已知人脸时，可选x值为4。
　　5 结束语
　　此人脸识别系统的构建，充分考虑了其推广性，未采用USB摄像头作为图像采集设备，而以通用视频标准的模拟摄像头取而代之，因此用户在摄像头选择的时候，可以更加自由。同时该设备支持多种接口输入，除了普通的R-jack口之外，还提供了Svideo，YPbPr和RGB等输入方式。该设备的识别精度可达90％以上，基本满足了识别要求。系统实时性好、携带方便，可以通过程序的修改推广到动态图像跟踪、运动检测等领域。

上一页  [1] [2] [3] [4]  下一页