人脸识别实验报告解读
人脸识别实习报告
人脸识别实习报告一、实习背景及目的随着科技的不断发展，人工智能技术逐渐应用于各个领域，其中人脸识别技术在安防、金融、交通等领域发挥着重要作用。
本次实习，我选择了人脸识别作为研究方向，旨在了解人脸识别技术的原理，掌握人脸识别系统的开发与运用，提高自己在人工智能领域的实践能力。
二、实习内容与过程1. 学习人脸识别技术原理在实习初期，我通过阅读相关文献和资料，对人脸识别技术有了基本的了解。
人脸识别技术主要包括人脸检测、特征提取和相似度匹配三个环节。
人脸检测是指从图像中定位出人脸区域，特征提取是从人脸图像中提取出具有区分度的特征向量，相似度匹配则是根据特征向量计算人脸之间的相似度，从而实现人脸识别。
2. 学习人脸识别算法在人脸识别技术中，算法是核心部分。
目前主流的人脸识别算法有深度学习算法和传统算法。
深度学习算法在人脸识别中取得了显著的成果，如卷积神经网络（CNN）等。
传统算法主要包括特征脸（Eigenface）和局部二值模式（LBP）等。
我通过对比分析，选择了基于深度学习的人脸识别算法进行实践。
3. 开发人脸识别系统为了更好地实践人脸识别技术，我利用开源框架搭建了一个人脸识别系统。
系统主要包括图像预处理、特征提取、相似度匹配和识别输出四个部分。
在图像预处理环节，我对输入的图像进行灰度化、归一化和去噪处理。
特征提取环节采用卷积神经网络模型提取人脸特征。
相似度匹配环节使用欧氏距离计算特征向量之间的相似度。
最后，根据相似度阈值判断是否为人脸识别成功。
4. 测试与优化人脸识别系统在系统开发完成后，我对人脸识别系统进行了测试。
测试数据包括正常光线条件下的人脸图像和不同光照、表情、姿态条件下的人脸图像。
通过测试，我发现系统在光线充足、人脸图像质量较高的情况下识别效果较好。
然而，在光照不足、人脸图像质量较低的情况下，识别效果仍有待提高。
针对这一问题，我对人脸识别系统进行了优化，包括调整相似度阈值、改进特征提取模型等。
人脸识别实验报告
人脸识别实验报告摘要：本实验通过使用人脸识别技术，对一组测试样本进行分类和识别。
首先，通过使用PCA降维算法对输入的人脸图像进行特征提取，然后使用支持向量机（SVM）分类算法进行分类。
实验结果表明，人脸识别技术在分类和识别方面取得了较好的效果。
一、引言人脸识别技术是一种将图像处理、模式识别和机器学习等方法相结合的多学科交叉技术。
它广泛应用于安全监控、人机交互、社交网络等领域，拥有广阔的应用前景。
本实验旨在研究人脸识别技术，并通过实验验证其分类和识别效果。
二、实验方法1.数据集准备：从公开数据集中选择合适的人脸图像作为训练集和测试集。
要求数据集包含不同人物的正面人脸图像，并且以文件夹形式存储。
2.数据预处理：读取训练集的人脸图像，将其转换为灰度图像，并进行直方图均衡化处理，增强图像质量。
3.特征提取：使用主成分分析（PCA）算法对图像进行特征提取。
首先，将每个图像的像素矩阵转换为一维向量，然后计算协方差矩阵。
接下来，通过对协方差矩阵进行特征值分解，得到特征值和特征向量。
最后，根据特征向量的重要程度，选择前n个主成分作为图像的特征。
4.分类算法：使用支持向量机（SVM）算法进行分类。
将提取的人脸特征向量作为输入样本，通过训练SVM模型，实现对人脸图像的分类和识别。
5.实验评价：使用测试集对分类和识别效果进行评价。
计算分类精度、召回率和F1值等指标，并绘制ROC曲线，分析模型的性能。
三、实验结果与分析实验结果显示，经过训练和测试，人脸识别模型的分类精度达到了90%以上，召回率和F1值也较高。
同时，根据绘制的ROC曲线可知，模型的性能相对稳定，具有较好的鲁棒性。
四、实验总结通过本实验，我们深入了解了人脸识别技术，并验证了其在分类和识别方面的效果。
实验结果表明，人脸识别技术具有较好的应用潜力，可以在实际场景中得到广泛应用。
然而，本实验还存在一些不足之处。
首先，使用的数据集规模较小，可能会对模型的训练和泛化能力产生影响。
人脸识别实训报告
一、实训背景随着计算机视觉和人工智能技术的飞速发展，人脸识别技术已经广泛应用于安防、支付、门禁等领域。
为了提高学生对人脸识别技术的理解与应用能力，我们开展了为期一个月的人脸识别实训课程。
本次实训旨在让学生了解人脸识别的基本原理、常用算法，并能够将人脸识别技术应用于实际项目中。
二、实训内容1. 人脸识别技术概述首先，我们对人脸识别技术进行了简要的介绍，包括人脸识别的发展历程、基本分类以及应用领域。
人脸识别技术主要包括人脸检测、人脸特征提取和人脸比对三个环节。
2. 人脸检测人脸检测是人脸识别的基础，其目的是从图像中定位人脸的位置。
在实训中，我们学习了基于Haar特征的Adaboost算法和基于深度学习的卷积神经网络（CNN）进行人脸检测。
通过实验，掌握了使用OpenCV库进行人脸检测的方法。
3. 人脸特征提取人脸特征提取是将人脸图像转化为可以用于识别的特征向量。
在实训中，我们学习了基于局部二值模式（LBP）特征、局部二值模式直方图（LBPH）特征以及深度学习（如VGGFace）提取人脸特征的方法。
通过实验，掌握了不同特征提取方法的应用。
4. 人脸比对人脸比对是将待识别的人脸与数据库中的人脸进行相似度比较，从而实现人脸识别。
在实训中，我们学习了基于距离度量（如欧氏距离、余弦相似度）的人脸比对方法。
通过实验，掌握了OpenCV库中的人脸比对函数的使用。
5. 人脸识别项目实战为了让学生更好地将所学知识应用于实际项目，我们选择了一个人脸识别门禁系统项目进行实战。
在项目中，我们需要完成以下任务：（1）采集人脸图像数据：从网上下载公开的人脸数据集，并进行预处理，如归一化、裁剪等。
（2）训练人脸识别模型：使用训练集数据训练人脸识别模型，包括人脸检测、特征提取和人脸比对。
（3）测试模型性能：使用测试集数据评估人脸识别模型的准确率、召回率等指标。
（4）构建门禁系统：使用训练好的模型构建门禁系统，实现人脸识别、权限控制等功能。
人脸识别研究报告
人脸识别研究报告人脸识别技术是一种通过分析人脸图像或视频来识别、验证或追踪个人身份的技术。
由于其高效、准确和便捷的特点，人脸识别技术在安全监控、金融支付、个人身份验证等多个领域得到广泛应用。
本报告将介绍人脸识别技术的原理与分类、应用领域以及存在的问题与挑战。
一、人脸识别技术的原理与分类1.1 人脸图像获取人脸图像的获取是人脸识别技术的前提。
目前常用的获取手段主要包括摄像头、红外线摄像头、多光谱成像摄像头等。
这些设备能够采集人脸的形态、纹理、热量等信息。
1.2 人脸检测与定位在获取到人脸图像后，需要进行人脸检测和定位操作，以确定人脸在图像中的位置。
主要的人脸检测算法包括Viola-Jones算法和卷积神经网络（CNN）等。
1.3 人脸特征提取人脸特征提取是指从人脸图像中提取出具有代表性的特征信息。
常用的特征提取算法有主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。
这些算法能够从图像中提取出与个体身份密切相关的特征。
1.4 人脸特征匹配在提取到人脸特征后，需要将其与数据库中储存的特征进行匹配。
目前常用的人脸匹配算法有欧氏距离、余弦相似度和支持向量机（SVM）等。
1.5 人脸识别技术分类根据人脸识别系统的工作原理和特点，人脸识别技术可以分为基于2D图像的人脸识别、基于3D模型的人脸识别和基于红外热图的人脸识别等。
二、人脸识别技术的应用领域2.1 安全监控随着社会的发展，对于公共安全的需求也越来越高。
人脸识别技术在安全监控领域发挥着重要的作用，可以用于实时监控视频中的人脸，以快速发现异常情况或可疑人员。
2.2 金融支付随着移动支付的普及，人脸识别技术可以作为一种便捷的身份验证方式。
用户只需通过摄像头进行人脸扫描，即可完成支付过程，提高了支付的安全性和便利性。
2.3 个人身份验证人脸识别技术可以用于个人身份验证，代替传统的密码、卡片等验证方式。
这种方式不仅提高了验证的准确性，还避免了密码泄露和卡片丢失的风险。
面部表情识别实验报告
面部表情识别实验报告一、实验背景面部表情是人类情感和心理状态的重要外在表现形式。
准确识别面部表情对于理解他人的情绪、改善人际交往、以及在医疗、教育、娱乐等多个领域都具有重要的意义。
在本次实验中，我们旨在探索有效的面部表情识别方法和技术。
二、实验目的本次实验的主要目的是：1、研究不同面部表情的特征和模式。
2、比较和评估现有的面部表情识别算法和模型。
3、提高面部表情识别的准确率和可靠性。
三、实验设备与材料1、高性能计算机：用于运行面部表情识别算法和处理大量的数据。
2、摄像头：用于采集实验参与者的面部图像。
3、面部表情数据库：包含了各种不同表情的图片和视频，如开心、悲伤、愤怒、惊讶、恐惧等。
四、实验方法1、数据采集招募了_____名志愿者作为实验参与者，年龄范围在_____岁至_____岁之间，涵盖了不同的性别和种族。
要求参与者在摄像头前做出一系列指定的面部表情，每个表情持续_____秒，并采集了大量的面部图像。
2、数据预处理对采集到的面部图像进行了裁剪、旋转、缩放等操作，以确保图像的一致性和规范性。
对面部图像进行了灰度化和归一化处理，以便于后续的特征提取和分析。
3、特征提取采用了多种特征提取方法，包括基于几何形状的特征（如眼睛、嘴巴的形状和位置）、基于纹理的特征（如局部二值模式 LBP）以及基于深度学习的特征（如卷积神经网络 CNN 提取的特征）。
4、模型训练使用了常见的机器学习算法，如支持向量机 SVM、决策树 DT 以及深度学习中的卷积神经网络 CNN 等。
将预处理后的数据集分为训练集、验证集和测试集，比例分别为_____、＿____和_____。
5、模型评估使用准确率、召回率、F1 值等指标来评估不同模型的性能。
五、实验结果与分析1、不同特征提取方法的比较基于几何形状的特征提取方法在简单表情（如开心、悲伤）的识别上表现较好，但对于复杂表情（如惊讶、恐惧）的识别准确率较低。
基于纹理的特征提取方法在不同表情的识别上表现较为均衡，但整体准确率不如基于深度学习的特征提取方法。
人脸识别需求分析实验报告
人脸识别需求分析实验报告人脸识别需求分析实验报告引言人脸识别技术作为一种生物特征识别技术，具有广泛的应用前景。
本报告旨在对人脸识别技术进行需求分析，以期为人脸识别系统的开发和应用提供参考。
一、需求分析1.1用户需求用户需要一个准确和高效的人脸识别系统，能够满足以下需求：(1)快速的识别速度：用户需要在短时间内完成大量的人脸识别任务，因此识别速度是系统的重要指标。
(2)高准确率的人脸识别：用户对人脸识别的准确性有很高的要求，系统需要能够正确地识别出不同人脸的特征。
(3)灵活的应用场景：用户需要一个能够适应不同应用场景的人脸识别系统，如门禁系统、考勤系统等。
1.2系统需求系统需要满足以下需求：(1)准确率要求：系统需要能够在复杂的环境下准确地识别人脸信息，如光线变化、角度变化等。
(2)处理速度要求：系统需要能够在短时间内完成识别任务，以提高用户的使用体验。
(3)安全性要求：系统需要保证用户的个人信息安全，不被非法获取和使用。
(4)稳定性要求：系统需要具备较高的稳定性，能够在长时间运行过程中不出现崩溃和错误。
二、需求分析方法本次实验的需求分析方法为问卷调查和系统测试。
通过问卷调查，了解用户对人脸识别系统的需求和期望，并根据用户反馈进行分析。
通过系统测试，对现有的人脸识别算法进行性能测试，以确定系统是否满足用户需求。
三、需求分析结果根据问卷调查的结果和系统测试的数据分析结果，得出以下需求分析结果：3.1用户需求分析结果(1)用户对人脸识别系统的识别速度要求较高，希望系统能够在较短的时间内完成识别任务。
(2)用户对人脸识别系统的准确率要求较高，希望系统能够正确地识别出不同人脸的特征。
(3)用户需要一个灵活的人脸识别系统，能够适应不同的应用场景。
3.2系统需求分析结果(1)系统需要具备较高的准确率，能够在复杂的环境下正确地识别人脸信息。
(2)系统需要具备较高的识别速度，能够在短时间内完成识别任务。
(3)系统需要保证用户的个人信息安全。
人脸识别实验报告模板(3篇)
第1篇一、实验目的1. 了解人脸识别的基本原理和流程。
2. 掌握人脸识别算法的实现和应用。
3. 分析不同人脸识别算法的性能和优缺点。
4. 评估人脸识别技术在实际应用中的可行性和效果。
二、实验环境1. 操作系统：Windows 10/Ubuntu 18.042. 编程语言：Python3. 开发工具：PyCharm/VS Code4. 库：OpenCV、dlib、TensorFlow、Keras等5. 硬件要求：CPU：Intel Core i5以上；内存：8GB以上三、实验内容1. 人脸检测2. 特征提取3. 人脸识别4. 性能评估四、实验步骤1. 人脸检测- 使用OpenCV或dlib库实现人脸检测功能。
- 预处理输入图像，如灰度化、缩放、裁剪等。
- 运用人脸检测算法（如Haar cascades、SSD、MTCNN等）进行人脸定位。
- 输出检测到的人脸位置信息。
2. 特征提取- 使用深度学习或传统方法提取人脸特征。
- 深度学习方法：使用卷积神经网络（CNN）提取人脸特征，如VGG、ResNet 等。
- 传统方法：使用LBP、HOG、PCA等算法提取人脸特征。
- 将提取到的特征进行归一化处理。
3. 人脸识别- 使用训练好的模型进行人脸识别。
- 将提取到的人脸特征与数据库中的特征进行比对。
- 根据比对结果判断是否为同一个人。
4. 性能评估- 使用测试集评估人脸识别算法的性能。
- 计算识别准确率、召回率、F1值等指标。
- 分析不同算法的性能和优缺点。
五、实验结果与分析1. 人脸检测- 比较不同人脸检测算法的检测速度和准确率。
- 分析算法在不同光照、姿态、表情等条件下的表现。
2. 特征提取- 比较不同特征提取方法的提取效果。
- 分析特征提取对识别性能的影响。
3. 人脸识别- 计算识别准确率、召回率、F1值等指标。
- 分析不同算法的识别性能。
1. 总结实验过程中遇到的问题和解决方法。
2. 分析实验结果，得出实验结论。
人脸识别技术实验报告
人脸识别技术实验报告引言：“人脸识别技术是一种通过对人脸图像进行训练和识别的方法，能够对个体进行辨识和认证。
”这是人脸识别技术的定义，是目前广泛应用于安全领域的一项重要技术。
本文通过实验探讨了人脸识别技术的原理、实现和效果，并提出了对该技术的展望。
1. 实验目的本实验的目的是评估人脸识别技术在身份认证领域的可行性和准确性。
通过实验，我们希望探索人脸识别技术在不同条件下的应用情况，以及其在安全系统中的潜力。
2. 实验过程2.1 数据收集与准备我们使用了一个开源的人脸识别数据集作为实验数据。
该数据集包括不同角度、不同表情和不同光照条件下的1000张人脸图像。
在实验之前，我们对这些图像进行了预处理，包括去除噪声、调整大小和裁剪等操作，以确保数据的准确性和一致性。
2.2 特征提取和模型训练接下来，我们使用了一种基于深度学习的人脸识别模型，即卷积神经网络（CNN）来提取人脸图像的特征。
通过对输入图像进行卷积、池化和全连接操作，我们得到了一个具有较低维度的特征向量。
然后，我们使用提取的特征向量训练了一个支持向量机（SVM）分类器。
通过对训练集中的特征向量进行训练和优化，我们得到了一个能够准确分类不同个体的模型。
2.3 实验结果与分析在实验中，我们将训练好的模型应用于测试集的人脸图像上，并评估了模型的识别准确率。
实验结果显示，人脸识别技术在不同条件下取得了令人满意的效果，准确率可达90%以上。
同时，我们对实验数据中的异常情况进行了评估，例如光照不足、面部遮挡和表情变化等。
结果表明，人脸识别技术在应对这些异常情况时仍能保持相对较高的准确性。
3. 实验结论与展望通过本次实验，我们得出了以下结论：首先，人脸识别技术在身份认证领域具有广阔的应用前景。
凭借其快速、准确和非接触的特点，该技术可应用于各种场景，如企业门禁、手机解锁和自助服务等。
在这些领域，人脸识别技术可以提供更为便捷和安全的身份验证方式。
其次，人脸识别技术在不同条件下均表现出较好的稳定性和准确性。
人脸识别探究实验报告
一、实验背景随着科技的飞速发展，人工智能技术在各个领域得到了广泛应用。
人脸识别作为生物识别技术的重要组成部分，因其非接触性、便捷性、安全性高等特点，在安防、金融、医疗等多个领域具有广阔的应用前景。
为了深入了解人脸识别技术，本实验对多种人脸识别方法进行了探究和实验分析。
二、实验目的1. 了解人脸识别技术的基本原理和发展历程。
2. 掌握常见的人脸识别方法及其优缺点。
3. 通过实验验证不同人脸识别方法的识别效果。
4. 分析人脸识别技术所面临的挑战和未来发展趋势。
三、实验内容本实验主要探究以下几种人脸识别方法：1. 局部二值模式（LBP）2. 线性判别分析（LDA）3. 主成分分析（PCA）4. 支持向量机（SVM）四、实验方法1. 数据准备：收集一组人脸图像，包括正面、侧面、不同光照条件等，用于训练和测试。
2. 特征提取：采用LBP、LDA、PCA等方法对人脸图像进行特征提取。
3. 模型训练：使用SVM等分类算法对提取的特征进行训练，建立人脸识别模型。
4. 模型测试：将测试集图像输入训练好的模型，进行人脸识别，并计算识别准确率。
五、实验结果与分析1. LBP方法：LBP方法具有计算简单、特征提取速度快等优点，但识别准确率相对较低。
2. LDA方法：LDA方法能够有效降低特征维度，提高识别准确率，但计算复杂度较高。
3. PCA方法：PCA方法能够提取人脸图像的主要特征，提高识别准确率，但对光照变化敏感。
4. SVM方法：SVM方法在人脸识别领域具有较好的性能，但需要选择合适的核函数和参数。
六、实验结论1. LBP、LDA、PCA等方法在人脸识别领域具有一定的应用价值，但各有优缺点。
2. SVM方法在人脸识别领域具有较好的性能，但需要根据具体问题选择合适的核函数和参数。
3. 人脸识别技术仍面临诸多挑战，如光照变化、姿态变化、遮挡等问题。
七、实验展望1. 探索更高效、准确的人脸识别方法，如深度学习方法。
2. 研究人脸识别技术在更多领域的应用，如安防、金融、医疗等。
人脸识别系统实习报告
一、实习背景随着人工智能技术的飞速发展，人脸识别技术作为一种新兴的生物识别技术，在各个领域都得到了广泛的应用。
为了深入了解人脸识别技术的原理和应用，提高自己的实践能力，我在某科技公司进行了为期一个月的人脸识别系统实习。
二、实习目的1. 熟悉人脸识别技术的原理和流程。
2. 掌握人脸识别系统的开发过程，包括数据采集、预处理、特征提取、模型训练和识别等环节。
3. 提高自己的编程能力和团队协作能力。
三、实习内容1. 人脸识别技术原理实习期间，我首先学习了人脸识别技术的原理。
人脸识别技术主要包括以下几个步骤：（1）人脸检测：通过图像处理技术，从视频流或静态图像中检测出人脸的位置和大小。
（2）人脸预处理：对检测到的人脸进行预处理，包括灰度化、归一化、人脸对齐等。
（3）特征提取：提取人脸图像的特征，如人脸轮廓、纹理、关键点等。
（4）模型训练：利用已标注的人脸数据集，训练人脸识别模型。
（5）人脸识别：将待识别的人脸与训练好的模型进行比对，识别出对应的人脸。
2. 人脸识别系统开发在了解了人脸识别技术的原理后，我开始参与人脸识别系统的开发。
以下是开发过程中的一些关键步骤：（1）数据采集：收集大量的人脸数据，包括不同角度、光照条件、表情等。
（2）数据预处理：对采集到的人脸数据进行预处理，包括人脸检测、人脸对齐、人脸归一化等。
（3）特征提取：采用深度学习算法，如卷积神经网络（CNN），提取人脸图像的特征。
（4）模型训练：利用预处理后的数据，训练人脸识别模型。
（5）系统集成：将人脸识别模型集成到系统中，实现人脸识别功能。
3. 实习成果在实习期间，我参与了以下项目：（1）基于Android的人脸识别门禁系统（2）基于Web的人脸识别考勤系统（3）基于Python的人脸识别视频监控系统以上项目均成功实现了人脸识别功能，并具有一定的实用价值。
四、实习体会1. 理论与实践相结合：通过实习，我深刻体会到理论与实践相结合的重要性。
在理论学习的基础上，通过实际操作，我更好地理解了人脸识别技术的原理和应用。
人脸识别实验报告
人脸识别实验报告人脸识别实验报告引言：人脸识别技术是一种通过计算机对人脸特征进行识别和验证的技术，近年来得到了广泛的应用。
本实验旨在探索人脸识别技术的原理、应用和潜在问题，并通过实验验证其准确性和可靠性。
一、人脸识别技术的原理人脸识别技术基于计算机视觉和模式识别的原理，通过对人脸图像的特征提取和匹配来实现。
首先，通过摄像头或图像采集设备获取人脸图像，然后对图像进行预处理，包括灰度化、归一化和增强等步骤。
接下来，使用特征提取算法，如主成分分析（PCA）或线性判别分析（LDA），从图像中提取出关键的人脸特征。
最后，将提取到的特征与数据库中的已知人脸特征进行比对和匹配，从而确定身份或验证是否为同一人。
二、人脸识别技术的应用1. 安全领域：人脸识别技术可以应用于门禁系统、监控系统和边境安全等领域，提高安全性和便利性。
例如，在机场安检中，人脸识别技术可以快速准确地识别旅客身份，加快通关速度，同时防止恶意伪装和非法入境。
2. 金融领域：人脸识别技术可以应用于银行、支付和ATM等领域，提高身份验证的准确性和安全性。
通过与用户事先录入的人脸特征进行比对，可以防止盗用身份和欺诈行为，保护用户的财产安全。
3. 教育领域：人脸识别技术可以应用于学生考勤、校园门禁和图书馆管理等方面，提高管理效率和准确性。
学校可以通过人脸识别系统自动记录学生的考勤情况，实现无纸化管理，同时确保学生的个人信息安全。
三、人脸识别技术的实验验证为了验证人脸识别技术的准确性和可靠性，我们进行了一系列实验。
首先，我们收集了一组包含不同人脸特征的图像数据集，并进行了预处理。
然后，使用PCA算法对图像数据进行特征提取，并建立了一个人脸特征数据库。
接下来，我们使用不同的测试图像进行实验，通过与数据库中的人脸特征进行比对，判断是否识别正确。
实验结果显示，人脸识别技术在正常情况下具有较高的准确性。
对于清晰、光照均匀的人脸图像，识别率可以达到90%以上。
然而，当面部表情、光照条件和角度发生变化时，识别率会有所下降。
人脸识别训练实验报告
一、实验背景随着人工智能技术的飞速发展，人脸识别技术作为生物识别领域的重要分支，已广泛应用于安防监控、智能门禁、手机解锁等领域。
本实验旨在通过人脸识别技术，实现对人脸图像的自动识别与分类，并验证所采用算法的有效性。
二、实验目的1. 熟悉人脸识别技术的基本原理和流程。
2. 掌握人脸图像预处理、特征提取和分类的方法。
3. 评估不同人脸识别算法的性能，并选择最优算法。
4. 实现人脸识别系统的搭建和测试。
三、实验环境1. 操作系统：Windows 102. 编程语言：Python3. 依赖库：OpenCV、dlib、scikit-learn4. 数据集：LFW（Labeled Faces in the Wild）人脸数据集四、实验步骤1. 数据集准备从LFW数据集中选取一定数量的人脸图像，并将其分为训练集和测试集。
其中，训练集用于训练人脸识别模型，测试集用于评估模型性能。
2. 人脸图像预处理对人脸图像进行预处理，包括人脸检测、图像归一化、特征点定位等步骤。
具体操作如下：- 使用OpenCV库中的Haar特征分类器进行人脸检测，提取人脸图像。
- 将检测到的人脸图像进行归一化处理，使图像尺寸统一。
- 使用dlib库进行特征点定位，提取人脸关键点信息。
3. 特征提取采用多种特征提取方法，包括HOG（Histogram of Oriented Gradients）、LBP（Local Binary Patterns）、Eigenfaces等。
将提取到的特征向量存储到训练集中。
4. 分类器选择与训练选择支持向量机（SVM）作为分类器，利用训练集对SVM进行训练。
通过调整参数，优化模型性能。
5. 模型评估使用测试集对训练好的模型进行评估，计算识别准确率、召回率、F1值等指标。
6. 实验结果分析分析不同特征提取方法和分类器的性能，找出最优方案。
五、实验结果1. 特征提取方法比较通过对比HOG、LBP和Eigenfaces三种特征提取方法的性能，发现HOG和LBP在人脸识别任务中表现较好。
人脸识别实习报告
一、实习背景随着人工智能技术的不断发展，人脸识别技术在我国得到了广泛的应用。
为了更好地了解人脸识别技术在实际工作中的应用，我选择了在XX公司进行为期一个月的人脸识别实习。
通过这次实习，我深入了解了人脸识别技术的原理、应用和发展趋势。
二、实习内容1. 人脸识别技术原理学习实习期间，我首先学习了人脸识别技术的原理。
人脸识别技术主要包括人脸检测、人脸特征提取和人脸匹配三个步骤。
人脸检测是利用图像处理技术从视频中提取人脸区域；人脸特征提取是提取人脸图像的特征点，如人脸的五官、轮廓等；人脸匹配是将待识别的人脸与数据库中的人脸进行比对，判断是否为同一人。
2. 人脸识别系统搭建在实习过程中，我参与了人脸识别系统的搭建。
首先，我学习了Python编程语言和OpenCV库，掌握了人脸检测、人脸特征提取和人脸匹配的实现方法。
接着，我使用Python编写了人脸识别程序，实现了人脸检测、人脸特征提取和人脸匹配的功能。
3. 人脸识别系统测试与优化在完成人脸识别系统搭建后，我对系统进行了测试。
测试过程中，我遇到了一些问题，如人脸识别准确率不高、系统运行速度较慢等。
针对这些问题，我通过查阅资料、请教同事等方式进行了优化。
最终，人脸识别系统的准确率和运行速度得到了显著提高。
4. 人脸识别应用案例分析在实习期间，我还学习了人脸识别在各个领域的应用案例。
例如，人脸识别在安防领域的应用，如监控、门禁等；在金融领域的应用，如身份验证、支付等；在智能交通领域的应用，如车辆识别、行人检测等。
三、实习收获1. 技术能力提升通过这次实习，我掌握了人脸识别技术的原理和实现方法，提高了自己的编程能力。
同时，我还学会了如何解决实际问题，如优化系统性能、提高识别准确率等。
2. 团队协作能力在实习过程中，我与其他同事共同完成了人脸识别系统的搭建和测试。
这使我学会了如何与他人沟通、协作，提高了自己的团队协作能力。
3. 行业认知通过实习，我对人脸识别行业有了更深入的了解。
人脸情感识别实验报告
一、引言随着人工智能技术的飞速发展，人脸识别技术逐渐成为生物识别领域的研究热点。
在众多人脸识别技术中，人脸情感识别因其独特的应用价值而备受关注。
本文旨在通过实验验证人脸情感识别技术的可行性，并对不同算法的性能进行比较分析。
二、实验背景与目标1. 实验背景人脸情感识别技术是指通过计算机视觉和机器学习技术，对人的面部表情进行识别和分析，从而判断出人的情感状态。
该技术在公共安全、人机交互、虚拟现实等领域具有广泛的应用前景。
2. 实验目标（1）验证人脸情感识别技术的可行性；（2）比较不同算法在人脸情感识别任务中的性能；（3）分析影响人脸情感识别性能的因素。
三、实验方法与数据1. 实验方法本实验采用基于深度学习的人脸情感识别方法，主要包括以下步骤：（1）数据预处理：对采集到的原始图像进行灰度化、缩放、裁剪等操作；（2）特征提取：使用卷积神经网络（CNN）提取人脸图像的特征；（3）情感分类：将提取到的特征输入到情感分类器中进行情感识别。
2. 数据集本实验采用具有代表性的公共数据集，包括：（1）FER2013：包含7种情感类别，共28,709张人脸图像；（2）CK+：包含7种情感类别，共48,042张人脸图像；（3）AFEW：包含7种情感类别，共4,735张人脸图像。
四、实验结果与分析1. 实验结果通过在上述数据集上对多种算法进行实验，得到以下结果：（1）基于CNN的人脸情感识别方法在三个数据集上均取得了较好的性能；（2）不同算法在三个数据集上的性能有所差异，其中基于ResNet的模型在CK+数据集上取得了最佳性能；（3）随着数据集规模的增大，模型的性能逐渐提高。
2. 分析（1）数据集的影响：数据集规模越大，模型的性能越好，说明人脸情感识别技术对数据量的依赖性较高；（2）算法的影响：不同算法在人脸情感识别任务中的性能存在差异，其中基于深度学习的算法表现较好；（3）预处理的影响：对图像进行预处理可以降低计算复杂度，提高模型的识别精度。
人脸识别系统性能评估实验报告
人脸识别系统性能评估实验报告摘要：本实验旨在评估人脸识别系统的性能。
通过设计实验并收集相关数据，我们对人脸识别系统的准确性、速度和鲁棒性进行了综合评估。
实验结果表明，在特定环境和参数设置下，人脸识别系统表现出良好的性能，并具备较高的应用前景。
1. 研究目的人脸识别系统是一种基于生物特征的身份认证技术，具有广泛的应用前景。
本研究旨在评估人脸识别系统的性能，为进一步优化系统和提升应用效果提供参考。
2. 实验设计与方法2.1 实验设备本实验使用的人脸识别系统由XX公司提供，包括高清摄像头、图像采集设备、人脸识别算法和相关软件。
2.2 实验过程2.2.1 数据采集为了构建评估模型，我们从不同人群中采集了一定数量的人脸图像，包括不同年龄、性别和肤色等特征的样本。
在数据采集过程中，我们尽可能模拟实际应用场景，包括不同光照条件、姿态和表情等。
2.2.2 数据预处理为了提高人脸识别系统的性能，我们对采集到的图像进行了预处理。
首先，使用图像处理算法进行人脸定位和关键点标定，确保后续算法的准确性。
其次，对图像进行灰度化、归一化和直方图均衡化等处理，提取有效特征并降低噪声影响。
2.2.3 性能评估在人脸识别系统中，通常使用准确率、识别速度和鲁棒性等指标来评估其性能。
我们针对这些指标设计了相应的实验，并在不同参数设置下进行了测试。
3. 实验结果与分析3.1 准确率评估为了评估人脸识别系统的准确率，我们将测试集分为两部分：正样本和负样本。
正样本包括已知的待匹配人脸图像，负样本包括与待匹配人脸不同的其他人脸图像。
实验结果显示，系统在准确率方面表现出较高的优势，正确识别率达到XX%。
3.2 识别速度评估针对人脸识别系统的识别速度进行评估，我们测试了不同样本数量和系统参数对识别速度的影响。
实验结果显示，系统在样本数量较大、参数优化的情况下能够实现快速且准确的识别，平均识别时间为XX秒。
3.3 鲁棒性评估为了评估人脸识别系统的鲁棒性，我们模拟了不同环境下的测试场景，包括光线变化、姿态变化和表情变化等。
人脸识别系统的实习报告
一、实习背景随着科技的不断发展，人工智能技术在我国得到了广泛应用。
人脸识别技术作为人工智能领域的一个重要分支，因其具有非接触、实时性强、准确性高等特点，在安防、支付、门禁等领域具有广泛的应用前景。
为了更好地了解人脸识别技术在实际应用中的发展，提高自身的实践能力，我于近期参加了为期一个月的人脸识别系统实习。
二、实习目的1. 了解人脸识别技术的基本原理和实现方法；2. 掌握人脸识别系统的设计与开发流程；3. 学会使用常用的人脸识别开发工具和库；4. 提高自身的实践能力和团队协作能力。
三、实习内容1. 人脸识别技术原理（1）人脸检测：通过图像处理技术，从待检测图像中定位出人脸区域。
（2）人脸特征提取：对人脸区域进行特征提取，包括人脸轮廓、纹理、颜色等。
（3）人脸比对：将待识别的人脸与数据库中的人脸进行比对，判断是否为同一人。
（4）人脸库管理：对已识别的人脸信息进行存储、查询和管理。
2. 人脸识别系统设计与开发（1）需求分析：根据实际应用场景，分析人脸识别系统的功能需求和性能指标。
（2）系统架构设计：设计系统架构，包括硬件、软件和算法模块。
（3）算法实现：选择合适的人脸识别算法，进行代码编写和调试。
（4）系统集成：将各个模块集成到系统中，进行联调测试。
（5）系统优化：根据测试结果，对系统进行优化，提高识别准确率和效率。
3. 实习工具和库（1）OpenCV：一款开源的计算机视觉库，支持人脸检测、特征提取等操作。
（2）Dlib：一个机器学习库，包含人脸检测、人脸识别等算法。
（3）TensorFlow：一款深度学习框架，用于构建和训练神经网络模型。
4. 团队协作在实习过程中，我与其他实习生共同完成了人脸识别系统的设计与开发。
我们分工明确，互相协作，共同解决了项目中的问题。
四、实习成果1. 完成人脸识别系统设计与开发，实现了人脸检测、特征提取、人脸比对和人脸库管理等功能。
2. 通过实验验证，系统具有较高的识别准确率和效率。
人脸识别系统实验报告
人脸识别系统实验报告人脸识别系统实验报告引言人脸识别系统作为一种先进的生物识别技术，近年来在各个领域得到了广泛的应用。
本实验旨在探究人脸识别系统的原理、应用以及其在现实生活中的潜在问题。
一、人脸识别系统的原理人脸识别系统是通过对人脸图像进行特征提取和匹配，来实现对个体身份的识别。
其基本原理是通过摄像头捕捉人脸图像，然后利用图像处理技术提取人脸的特征信息，例如人脸的轮廓、眼睛、鼻子等特征点。
接下来，系统会将提取到的特征与已有的人脸数据库进行比对，从而判断出人脸的身份。
二、人脸识别系统的应用1. 安全领域：人脸识别系统广泛应用于安全领域，如门禁系统、边境检查等。
通过将人脸识别系统与数据库相连，可以实现对特定人员的识别和监控，提高安全性和便利性。
2. 金融领域：人脸识别系统在金融领域的应用也日益增多。
例如，银行可以利用人脸识别系统来验证客户的身份，提高交易的安全性。
此外，也可以用于防止欺诈行为，如通过识别人脸来判断是否存在盗刷信用卡等行为。
3. 教育领域：人脸识别系统还可以应用于教育领域。
例如，学校可以利用人脸识别系统对学生进行考勤，提高考勤的准确性和效率。
同时，也可以用于图书馆的借阅管理，通过人脸识别系统可以方便地识别借阅者的身份。
三、人脸识别系统的潜在问题虽然人脸识别系统在各个领域有着广泛的应用，但也存在一些潜在的问题需要我们关注。
1. 隐私问题：人脸识别系统需要收集和存储大量的人脸图像数据，这可能涉及到个人隐私的泄露问题。
因此，在使用人脸识别系统时，必须要严格遵守相关的隐私保护法律和规定，确保个人隐私的安全。
2. 误识别问题：人脸识别系统在面对一些特殊情况时可能会出现误识别问题。
例如，当人脸图像质量较差、光线不足或者戴着口罩时，系统可能无法准确地识别人脸，从而导致误识别的情况发生。
3. 种族和性别偏差：由于人脸识别系统的训练数据集可能存在种族和性别偏差，导致系统在不同种族和性别的人脸识别上存在一定的误差。
人脸识别项目实习报告
一、实习背景随着人工智能技术的飞速发展，人脸识别技术作为计算机视觉领域的一个重要分支，已经在安防监控、身份验证、智能门禁等多个领域得到了广泛应用。
为了深入了解人脸识别技术的实际应用，提升自身的技术能力和实践经验，我于近期参加了为期一个月的人脸识别项目实习。
二、实习内容本次实习项目主要围绕人脸识别技术的核心环节展开，包括人脸图片采集、图像处理、人脸特征提取以及人脸识别模型构建等。
1. 人脸图片采集实习初期，我学习了利用摄像头实时捕捉人脸图像的方法。
通过Python编程，我实现了对人脸图片的采集，并成功获取了大量的样本数据。
2. 图像处理技术为了提高人脸识别的准确率，需要对采集到的人脸图像进行预处理。
在实习过程中，我掌握了图像压缩、灰度处理、边缘检测等图像处理技术，并成功将原始图像转换为适合人脸识别的格式。
3. 人脸特征提取人脸特征提取是人脸识别的关键步骤。
在实习过程中，我学习了基于深度学习的人脸特征提取方法，并利用TensorFlow框架实现了人脸特征提取模型。
通过对比不同特征提取方法的效果，我掌握了如何选择最优的特征提取策略。
4. 人脸识别模型构建在人脸特征提取的基础上，我进一步学习了基于卷积神经网络（CNN）的人脸识别模型构建方法。
通过查阅相关文献，我了解了CNN在人脸识别领域的应用，并成功实现了人脸识别模型。
三、实习成果通过本次实习，我取得了以下成果：1. 掌握了人脸识别技术的基本原理和流程；2. 熟练掌握了Python编程、TensorFlow框架等工具；3. 具备了人脸图像采集、图像处理、人脸特征提取以及人脸识别模型构建等技能；4. 完成了一个基于卷积神经网络的人脸识别项目，并成功应用于实际场景。
四、实习心得1. 人工智能技术发展迅速，人脸识别技术作为其中的一员，具有广泛的应用前景。
通过本次实习，我对人脸识别技术有了更深入的了解，为今后的学习和工作打下了坚实基础。
2. 实践是检验真理的唯一标准。
人脸识别研究报告
人脸识别研究报告一、引言人脸识别技术作为当前热门的研究领域之一，正以惊人的速度改变着我们的生活和社会。
从手机解锁到支付认证，从门禁系统到安防监控，人脸识别技术的应用场景日益广泛。
然而，要深入理解人脸识别技术，我们需要从多个方面进行探讨。
二、人脸识别技术的原理人脸识别技术的核心在于对人脸特征的提取和识别。
首先，通过摄像头获取人脸图像，然后运用图像处理技术对图像进行预处理，包括去噪、增强对比度等操作，以提高图像质量。
接下来，使用特征提取算法从人脸图像中提取出具有代表性的特征，如眼睛、鼻子、嘴巴的形状和位置等。
这些特征被转化为数字向量，以便计算机进行处理和比较。
在识别过程中，将待识别的人脸特征向量与数据库中已存储的人脸特征向量进行比对，通过计算相似度来判断是否为同一人。
常用的识别算法包括基于几何特征的方法、基于模板匹配的方法、基于特征脸的方法以及基于深度学习的方法等。
三、人脸识别技术的优势1、便捷性用户无需携带额外的身份凭证，只需面对摄像头即可完成身份验证，大大提高了使用的便捷性。
2、准确性随着技术的不断发展，人脸识别的准确率越来越高，能够有效区分不同的个体。
3、非接触性无需与设备直接接触，减少了因接触而传播疾病的风险。
4、实时性能够在短时间内完成识别过程，实现实时响应。
四、人脸识别技术面临的挑战1、光照和姿态变化不同的光照条件和人脸姿态会对识别效果产生较大影响，导致识别准确率下降。
2、面部遮挡佩戴口罩、眼镜、帽子等物品可能会遮挡部分面部特征，增加识别难度。
3、年龄变化随着时间的推移，人的面部特征会发生一定的变化，这可能会影响长期的识别效果。
4、数据安全和隐私问题大量的人脸数据被采集和存储，如何保障这些数据的安全和用户的隐私成为重要问题。
五、人脸识别技术的应用领域1、安防领域在机场、车站、商场等公共场所，人脸识别技术可以用于监控和追踪可疑人员，提高公共安全水平。
2、金融领域银行、证券等金融机构可以利用人脸识别技术进行客户身份验证，提高业务办理的安全性和效率。
人脸识别系统报告解析
摘要文章具体讨论了主成分分析( PCA)人脸识别算法的原理及实现。
它具有简单、快速和易行等特点,能从整体上反映人脸图像的灰度相关性具有一定的实用价值。
人脸识别是目前较活跃的研究领域, 本文详细给出了基于主成分分析的人脸特征提取的原理与方法。
并使用matlab 作为工具平台, 实现了一个人脸自动识别的系统原型。
实验结果表明, 该系统识别率为100%, 达到预期的效果。
如果想进一步提高人脸识别率, 可以考虑与其他方法结合。
仅单独使用任何一种现有的方法一般都不会取得很好的识别效果, 将其他人脸识别方法组合是今后研究的一种趋势。
也可以考虑改进分类决策的方法。
本系统采用的最小距离分类法属于线性的分类器, 而利用神经网络这类学习能力更强的非线性分类器对高维人脸识别问题可能会有更好的解决。
1目录1.引言................................................................... (1)2．需求分析....................................................................12.1 课题的来源 (1)2.2人脸识别技术的研究意义 (2)2.2.1 面部关键特征定位及人脸2D形状检测技术 (2)2.2.2面部感知系统的重要内容 (2)2.3人脸识别的国内外发展概况 (3)2.3.1国外的发展概况 (3)2.3.2国内的发展概况 (4)3．概要设计....................................................................53.1问题描述 (5)3.2模块设计 (5)3.3主成分的一般定义 (6)3.4主成分的性质 (7)3.5主成分的数目的选取 (7)4. 详细设计--PCA算法的功能实现 (8)4.1引言................................................................... .. 84.2 K-L变换 (8)4.3 PCA方法 (9)4.4利用PCA进行人脸识别 (10)5.实验及结果分析 (11)6. 总结................................................................... . (14)7. matlab 源码 (15)参考文献................................................................... (19)21.引言人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一，同时也具有较为广泛的应用意义。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人脸识别——特征脸方法
贾东亚12346046
一、实验目的
1、学会使用PCA主成分分析法。
2、初步了解人脸识别的特征法。
3、更熟练地掌握matlab的使用。
二、原理介绍
1、PCA（主成分分析法介绍）
引用一个网上的例子。
假设有一份对遥控直升机操作员的调查，用表示飞行员i的
飞行技能，表示飞行员i喜欢飞行的程度。
通常遥控直升飞机是很难操作的，只有那些
非常坚持而且真正喜欢驾驶的人才能熟练操作。
所以这两个属性和相关性是非常强的。
我们可以假设两者的关系是按正比关系变化的。
如下图里的任意找的向量u1所示，数据散布在u1两侧，有少许噪声。
现在我们有两项数据，是二维的。
那么如何将这两项变量转变为一个来描述飞行员呢？由图中的点的分布可知，如果我们找到一个方向的U，所有的数据点在U的方向上的投影之和最大，那么该U就能表示数据的大致走向。
而在垂直于U的方向，各个数据点在该方向
的投影相对于在U上的投影如果足够小，那么我们可以忽略掉各数据在该方向的投影，这
样我们就把二维的数据转化成了在U方向上的一维数据。
为了将u选出来，我们先对数据进行预处理。
先求出所有数据的平均值，然后用数据与平均值的偏差代替数据本身。
然后对数据归一化以后，再代替数据本身。
而我们求最大的投影和，其实就是求各个数据点在U上的投影距离的方差最大。
而X T u 就是投影的距离。
故我们要求下式的最大值：
按照u是单位向量来最大化上式，就是求的特征向量。
而此式是数据集的协方差矩阵。
在实际应用中，我们不止面临二维的数据。
因此不能使用几何的形式呈现，但原理也是一样。
就是找到一组相互正交的单位向量，然后根据贡献率考虑选择其中的部分作为考量的维数，这也就实现了数据的降维。
三、实验步骤
1、将库里的400张照片分成两组。
一组作为训练，一组作为库。
每个人的前五张照片作为
训练，后五张作为库。
训练的照片按照顺序的数字重命名。
库的照片名字不变。
2、库照片处理。
①将每一张库的照片转化成N维的向量。
（库里的照片是112*92，故将转化成的矩阵按列或行展开，就是个10304维的向量）我们稍后要对如此多维的向量用PCA进行降维。
然后把这些向量存入一个矩阵里。
而我是将这200个向量以列的形式存在了矩阵里。
即
，，，
②将这200个向量的每个元素相加起来求出平均值。
再用Z里的每一个向量减去这个平均值得到每个的偏差。
平均值，每个向量的偏差
即最后
，，，
③接下来我们就要针对这些预处理后的数据进行降维。
我们要求的N个相互正交的向量就是协方差矩阵的特征向量，而对应的特征值就是各个向量所占的比重。
但是Z是个10304*200的矩阵，那么就是个10304*10304的矩阵。
使用matlab直接求其特征值与特征向量不太实际。
所以我们考虑一个简单的运算方法：
协方差矩阵的秩受到训练图像的限制：如果有N个训练样本，则最多有N− 1 个对应非零特征值的特征向量，其他的特征向量对应的特征值都是0。
如果训练样本的数目比图像的维数低，则可以通过如下方法简化主成份的计算。
设 Z是预处理图像的矩阵，每一列对应一个减去均值图像之后的图像。
则，协方差矩阵为，并且对S的特征值分解为
然而，是一个非常大的矩阵。
因此，如果转而使用如下的特征值分解。
此时，我们发现如果在等式两边乘以T，可得到
这就意味着，如果u i是T T T的一个特征向量，则是S 的一个特征向量。
我们的库
里有200张112 * 92像素的图像，则 T T T是一个200*200的矩阵，这就比原先的10304 * 10304 的协方差矩阵要容易处理许多。
需要注意的是，上面的特征向量没有进行归一化，如果需要，应该在后面在进行处理。
④降维处理。
上面的步骤已经求到了所有的特征向量与特征值。
而特征值就是各数据点在该特
征向量上的方差。
跟据PCA，我们要选出占主要比重的特征向量即可，而判定标准就是特征值。
先把方差（特征值）降序排列，并把对应的特征向量也排列好。
依次选择方差，使选出的方差和占所有方差和大约95%左右。
然后选择对应的特征向量。
其余的特征向量与特征值可以抛
弃不用了。
这就完成了降维。
（③中一共有200个不为零的方差（特征值））
⑤归一化处理。
数据归一化处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量
纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。
原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
我使用的是Z-score法。
经过处理得数据符合标准正态分布，即均值为0，标准差为1，转化函数为
其中为所有数据的均值，为所有样本数据的标准差。
在③里求得的特征值就是方差。
所以我们要用乘上每一个对应的特征向量。
本来这个归一化处理应该放在第一步的数据预处理那里。
但由于那里的计算还没有涉及到协方差矩阵，而我们需要的方差在后面才出现，故把归一化处理放在这里。
即③中，
这些特征向量都是10304*1的大小，跟我们一开始处理后的照片向量的大小一样。
这些就
是特征脸。
特征脸可以线性组合成所有库里的脸。
⑥用特征脸对库里的脸进行标示，也就是将库里的每张脸图数据转化成各个特征脸所占的比重。
即
，n是最后选出的方差数量
⑦人脸识别。
先对训练的脸图进行预处理。
预处理即①②中所说的求偏差。
求到训练图的偏差向量后，如⑥那样用特征脸对训练图进行标示。
即求得
然后求与的欧式距离，此距离表明两图的接近度。
即
该距离越小，则这两张图越接近，则越有可能是同一个人。
四、编程实现
代码:
函数：[zz，y，tzl]=circ(),对库图像的处理，并求出处理训练图像需要的特征脸和数据平均值。
函数：[ws]=ld(zz,y,tzl) 这三个自变量都是上面的函数的输出变量。
Ws是200张训练人脸识别的正确性。
200张训练图片的识别率为91.5%
加了显示代码后显示的图片结果：
五、实验总结
收获：
这次实验让我更加熟练地应用了matlab。
对矩阵的运算也理解地更加的透彻。
学习了PCA主成分分析法，这个方法在分析较多的数据时是非常有用的。
在如今的大数据时代，PCA 是个非常实用的分析手段。
这次在做实验的过程中，上网查阅了许多关于人脸识别的资料，发觉虽然自己完成了初步的人脸识别的功能，但远远没有达到现实生活的需求。
我们做实验的orl库的像素不仅非常低，而且每张人脸的位置与大小也非常接近，这都大大降低了难度。
这个方向还有着许多可学习的东西。
实验中遇到的难题：
一开始最难理解的莫过于特征脸法的原理。
原理中涉及到许多的线性代数知识，需要花时间去回忆，并用已经掌握的初步的知识去理解更深刻的知识。
在咨询过程与上网查阅资料的过程中才慢慢解决了问题。
后来代码完成后，识别率一直非常低。
与完成了的同学对照时，发现代码的原理几乎一样，当时一直不知道怎么办。
后来经过旁人的提醒，发现协方差矩阵的特征向量没有按照特征值排序后的顺序重新排列。
这个小问题困扰了我很久。
细节很重要。
读书的好处
1、行万里路，读万卷书。
2、书山有路勤为径，学海无涯苦作舟。
3、读书破万卷，下笔如有神。
4、我所学到的任何有价值的知识都是由自学中得来的。
——达尔文
5、少壮不努力，老大徒悲伤。
6、黑发不知勤学早，白首方悔读书迟。
——颜真卿
7、宝剑锋从磨砺出，梅花香自苦寒来。
8、读书要三到：心到、眼到、口到
9、玉不琢、不成器，人不学、不知义。
10、一日无书，百事荒废。
——陈寿
11、书是人类进步的阶梯。
12、一日不读口生，一日不写手生。
13、我扑在书上，就像饥饿的人扑在面包上。
——高尔基
14、书到用时方恨少、事非经过不知难。
——陆游
15、读一本好书，就如同和一个高尚的人在交谈——歌德
16、读一切好书，就是和许多高尚的人谈话。
——笛卡儿
17、学习永远不晚。
——高尔基
18、少而好学，如日出之阳；壮而好学，如日中之光；志而好学，如炳烛之光。
——刘向
19、学而不思则惘，思而不学则殆。
——孔子。