模式识别课程设计：人脸识别 系统设计与实验结果之实验结果

第三章 系统设计与实验结果

3.2实验结果

在进行PCA特征提取之前，我首先计算了训练数据集的平均脸。平均脸是通过对所有训练样本图像取均值得到的，它代表了数据集中的全局人脸特征，去除了不同个体之间的差异性。计算出的平均脸可以作为人脸识别中的基准图像，后续的特征提取和识别过程均是基于该平均脸进行的。

图1展示了计算得到的平均脸图像。可以看出，该图像反映了训练集中所有人脸的共同特征，如眼睛、鼻子、嘴巴等面部基本结构。

图1 平均脸

在完成了平均脸的计算之后，我采用PCA方法从训练数据中提取了若干个特征脸。特征脸是数据集中特征向量的可视化表达，它们代表了数据集中主要的面部变异模式。通过PCA算法，我将高维的人脸图像数据降维到一个较低维度的特征空间，并通过特征脸的形式展示出来。

图2展示了前32个提取的特征脸。每个特征脸都是训练数据集中的一组重要面部特征，它们能够有效地捕捉到人脸图像的主要信息。在实际应用中，我可以根据需要选择前几个最具有代表性的特征脸用于识别任务，这里只是输出显示了32个，完整的特征脸图像已存储在image文件夹中，供后续分析和查看。

图2 32个特征脸图像

为了验证PCA特征提取的效果，我选择了来自ORL数据集的两张测试图像进行识别实验。首先，我使用了s1类中的第六张图像进行测试。该图像经过去除平均脸后的处理，并映射到特征脸空间中，再通过最小距离分类法与训练集中的样本进行匹配。图3为该测试图像的重建结果。

图3 使用s1第六张图像的输出图像

接着，我选择了s2类中的第六张图像进行同样的操作。该图像经过相同的处理流程后，得到了相应的重建图像。通过与训练集中的样本进行匹配，系统成功地识别出了这张图像。

图4 使用s2第六张图像的输出图像

从上述两个测试结果中可以看出，系统对两张测试图像的识别表现良好，识别结果与预期相符。通过比较测试图像与训练集图像的重建效果，我能够确认PCA方法在降维后的特征空间中能够有效地保存人脸的关键信息，确保了在测试时能够从特征脸空间中正确地识别出目标人脸。