2022年人脸识别算法.docx

《2022年人脸识别算法.docx》由会员分享，可在线阅读，更多相关《2022年人脸识别算法.docx（26页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精品学习资源设计报告论文诚 信 承 诺本人承诺所呈交的毕业设计报告论文及取得的成果是在导师指导下完成，引用他人成果的部分均已列出参考文献；如论文涉及任何学问产权纠纷，本人将承担一切责任；同学签名： 日期：欢迎下载精品学习资源一种基于图象分析的柜员机 - 人脸识别算法的讨论摘 要随着科技的进展和人类社会的进步，银行柜员机系统的安全性问题被人们越来越重视，一般柜员机无法识别是否其他人盗用银行卡取款；这几年人脸识别技术飞速进展，我们提出了一种基于人脸识别的银行柜员机系统以此来提高系统的安全性；本文讨论一种基于图像分析的模拟柜员机系统，本系统可对人脸进行识别，以此来提升模拟柜员机系统的安全性；本系统在

2、 MatLab 和.NET 平台下实现人脸识别，Matlab 主要实现界面可视化，而.NET 平台就是供应了开发环境；文中我们具体采纳PCA主成分分析算法，通过提取数据的主要特点重量，进行数据降维处理，最终到达人脸识别的成效；关键字：模拟柜员机系统；人脸识别； PCA算法欢迎下载精品学习资源Research on a Case - Based Recognition Algorithm Based on ImageAnalysisAbstractWith the development of science and technology and the progress of human so

3、ciety, the security problem of the bank ATM system has been paid more and more attention. Ordinary teller machine can not recognizewhether or not people are using bank card withdrawals.In recent years, the rapid development of face recognition technology, we proposed a face recognition based on the

4、bank teller system to improve the security of the ATM system. The face recognition operation is quick and easy, recognizing the high accuracy of identity and improving the problem well.This paper studies an image-based simulation of the ATM - face recognition system, the system can be captured on th

5、e face image, create a face map, face training, face positioning, face image gray Processing, and finally determine whether this person is a person in the face database, in order to enhance the security of the ATM system.The system in MatLab and. NET platform to achieve face recognition, Matlab, the

6、 main interface visualization, and. NET platform is to provide a development environment. In this paper, we use PCA principal component analysis algorithm, by extracting the main feature components of the data, the data dimension reduction processing, and finally achieve the effect of face recogniti

7、on.Key words: Analog Teller System； Face Recognition ； PCA AlgorithmI欢迎下载精品学习资源目 录摘 要 .欢迎下载精品学习资源AbstractI第一章 引言01.1 立题背景01.2 国内外讨论现状01.3 选题目的及意义01.4 课题主要讨论内容及关键问题11.5 论文组织架构1其次章 技术简介22.1 人脸检测技术22.2 图像预处理技术22.2.1 灰度化22.2.2 二值化22.2.3 直方图均衡32.2.4 图象锐化32.2.5 图象归一化32.3 人脸特点提取技术32.4 人脸比对技术32.5 人脸识别的难点42.

8、5.1 复杂条件下关键点定位问题42.5.2 姿态问题42.5.3 表情问题42.5.4 遮挡问题42.5.5 光照问题42.6 本章小结4第三章 模拟柜员机系统的概述53.1 柜员机系统产生的背景53.2 模拟柜员机系统开发的意义53.3 模拟柜员机系统的介绍53.3.1 开发语言53.3.2 开发环境53.3.3 模拟柜员机系统界面介绍53.4 模拟柜员机系统与人脸识别的交互7第四章 人脸识别算法设计94.1 人脸检测与定位94.2 基于 PCA的人脸特点提取94.3 人脸识别方法114.3.1 几何特点法114.3.2 特点脸法114.3.3 弹性图匹配法134.3.4 神经网络法13第

9、五章 系统实现145.1 人脸识别流程145.2 算法实现步骤145.3 人脸识别系统的实现155.4 本章小结17第六章 人脸识别算法总结18致 谢19参考文献20欢迎下载精品学习资源第一章 引言1.1 立题背景随着电子电脑技能的进步和社会的高度进展，人们对高效牢靠的身份判别的需求愈来愈高；各种技术在讨论和实践中受到重视；由于生物特性内在的稳固性和特殊性，成为身份鉴别的抱负依据；而人脸作为生物特性的典型特点，也是一个很好的隐匿，简洁被用户所接受，且不需要协作的其他优点；已成 为身份讨论领域的热点；PCA算法减小维数，提取主要元素，削减数据冗余，解决图象过高，缓慢处理或处理的问题； 在脸部识别

10、范畴，在其基础上改进了大批深奥的判别算法；所以， 基于 PCA人脸判别算法的探寻具有重要的参考价值和现实意义；1.2 国内外讨论现状20 世纪 60 岁月末至 70 岁月初，人脸识讨论刚刚起步；最早的讨论者是Bledsoe ，他建立了一个半自动的人脸识别系统，主要是以人脸特点点的间距、比率等参数为特点；20 世纪 90 岁月以来，对着电脑软硬件性能的快速提高，以及对人脸识别才能的高要求，是进展更具鲁棒性 2 的人脸识别方法称为时代的必定；于是基于整体的识别方法营运而生，并且很快成了讨论的重点，如特点脸方法和弹性图匹配方法；90 岁月中期以来，人脸识别方法想着整体识别和部件分析相结合的趋势进展；

11、讨论人员开头逐步熟悉到人脸识别算法必需能充分地利用人脸的各种特点信息，融合人脸的外形拓扑结构特点、局部灰度特点和全局灰度分布特点等多种特点；因此， 显现了很多新的算法， 这些算法是将原先单一的算法结合起来，共同完成人脸的识别；灰度和外形别离的可变形模型方法就是其中之一；1.3 选题目的及意义随着安全入口掌握和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视；目前， 微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度；而人脸识别是全部的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的一种新型的身份识别技术，它是生物识别技

12、术的一种；随着人们应用需求的不断深化，人脸识别技术将出现出主流化、 芯片化、 标准化进展趋势；近年来受到了各国讨论人员的普遍关注，主要用于安全保密等领域； 人们更多的是在电影中看到这种技术的奇妙应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的具体资料和犯罪记录；这并非虚构的情节；在国外， 人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门；在国内， 对于人脸识别技术的讨论始于上世纪90 岁月，目前主要应用在公安、金融、网络安全、物业治理以及考勤等领域；人 脸识别依据信息来源可分为两类：基于静态人脸图像的识别和基于动态信息的识别；由于动态识

13、别讨论处于起步阶段，该技术相对较欠缺，因此本文只讨论基于静态人脸图像的识别方法；欢迎下载精品学习资源1.4 课题主要讨论内容及关键问题1. 系统的主要功能：可以使用笔记本电脑进行图像采集，图像抓取，人脸库训练，人脸定位，灰度化和人脸识别；2. 关键问题：人脸定位问题，光照问题，人的姿态问题以及遮挡问题等；1.5 论文组织架构第一章， 引言介绍了人脸识别在各个领域的讨论背景，课题讨论的主要内容以及课题讨论遇到的关键问题；其次章，介绍了人脸识别主要应用的技术，以及相关技术之间的联系；第三章， 介绍了模拟银行柜员机系统，说明白开发此系统用的开发语言和运用的环境，以及对其进行基本的功能说明；第四章，介

14、绍了人脸识别系统的算法设计；第五章，介绍了人脸识别系统的具体实现，包含人脸识别流程，以及人脸识别的具体步骤，最终胜利的实现对人脸的识别；第六章，对人脸识别PCA算法进行了总结；欢迎下载精品学习资源其次章 技术简介2.1 人脸检测技术人脸检测是指在动态的场景与复杂的背景中判定是否存在面像，并别离出这种面像； 一般有以下几种方法：参考模板法第一设计一个或数个标准人脸的模板，然后运算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判定是否存在人脸；人脸规章法由于人脸具有肯定的结构分布特点，所谓人脸规章的方法即提取这些特点生成相应的规章以判定测试样品是否包含人脸；样品学习法这种方法即采纳模式识别中

15、人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器；肤色模型法这种方法是依据面貌肤色在颜色空间中分布相对集中的规律来进行检测；特点子脸法这种方法是将全部面像集合视为一个面像子空间，并基于检测样品与其在子空间的投影之间的距离判定是否存在面像；2.2 图像预处理技术2.2.1 灰度化人脸识别的对通常是灰色图象；灰度图只含有亮度消息， 灰度图的亮度是连续转变的，是以灰度图象量化亮度值分为： 0-255 ，共 256 个品级；全部黑色为0，其它全 255 表现为全亮；常用的体会公式为灰色 = 0.39 * R + 0.5 * G + 0.11 * B；2.2.2 二值化二值化是通过选

16、择适当的阈值将灰度图象的灰度值从0 变换为 255，将其转换为只有 0 和 255 的黑白图象；在面部识别中，两个值用于将头发，眼睛，脸部和脸部从光明区域分开；在图二值化过程当中实行恰当的阈值是特别重要的；而我们常常使用的图二值选择要领有如下的方式：全局阈值法：两个值在t的两个，只有一个全局阈值的范畴内，不会有两个假设图像是gn,m ，欢迎下载精品学习资源灰度范畴是 k1, km ，T 在 k1 和 km 之间选择一个合适的灰度值，转换后的图像gk n, m ，然后转换关系：欢迎下载精品学习资源欢迎下载精品学习资源gk n, m0gn, mt255gn, mt欢迎下载精品学习资源局部阈值法：它

17、是依据当前象素的灰度值和部分灰度值邻近的象素来判定具体阈值的大小的；欢迎下载精品学习资源动态阈值法：其阈值不仅与象素和四周象素有关，而且与象素的坐标有关；整体阈值法适合图象质量较好的条件下，此时图象直方图有两个峰值；局部阈值法可以在更为复杂的情形处理下处理图， 但仍是会有少数情形被歪曲；动态阈值法的可兼容性和机能都不错，事实上做人脸识别都会使用动态的方法来进行二值化的过程；2.2.3 直方图均衡直方图均衡化是一种比较匀称分布的灰度重量，通常用于增强人脸图像的比照度；此外， 它可以削减照明对脸部图象的影响，使面部特点提取更简洁， 提高脸部图象的主观质量；它是在图灰度分布的基础上和现实情形下的需要

18、来选择恰当的映射函数；选取功能可分为平滑功能或分段功能；当映射函数是分段函数时， 但凡在面部图中目标的细节，而且不想缺失其余灰度值的细节；这可能需要细节的灰度值间隔能够自由拉伸，并且不会锁死，而且需要不是很重要的细节被压成一团；2.2.4 图象锐化图象锐化用于解决图象提取，图象传输和相关处理的问题；图象模糊是由图象的平均或积分操作引起的，图象可以反转，使图象清晰；但是，图象的锐化仍需要一些必要的条件，我们猎取的图肯定要有较高的信噪比， 不然会产生的结果会致使较低的信噪比；在实践中，图象中的第一个滤波噪声锐化；常用的是拉普拉斯锐化图象锐化方法；2.2.5 图象归一化图象归一化包括灰度归一化和几何

19、归一化；灰度归一化是使匀称灰度的图象的不同灰度值；其目的是削减照明的变化和灰度的变化；2.3 人脸特点提取技术特点提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理；它检查每个像素来确定该像素是否代表一个特点；假设它是一个更大的算法的一部分，那么这个算法一般只检查图像的特点区域； 作为特点提取的一个前提运算， 输入图像一般通过高斯模糊核在尺度空间中被平滑；此后通过局部导数运算来运算图像的一个或多个特点；2.4 人脸比对技术面貌比对是对被检测到的面貌像进行身份确认或在面像库中进行目标搜寻；这实际上就是说， 将采样到的面像与库存的面像依次进行比对，并找出最正确的匹配对象；所

20、以， 面像的描述打算了面像识别的具体方法与性能；主要采纳特点向量与面纹模板两种描述方法：特点向量法该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再运算出它们的几何特点量，而这些特点量形成一描述该面像的特点向量；面纹模板法该方法是在库中存贮假设干标准面像模板或面像器官模板，在进行比对时， 将采样面像全部象素与库中全部模板采纳归一化相关量度量进行匹配；此外， 仍有采纳模式识别的自相关网络或特点与模板相结合的方法；欢迎下载精品学习资源人脸识别技术的核心实际为“局部人体特点分析”和“图形 / 神经识别算法； ”这种算法是利用人风光部各器官及特点部位的方法；如对应几何关系多

21、数据形成识别参数与数据库中全部的原始参数进行比较、判定与确认；一般要求判定时间低于1 秒；2.5 人脸识别的难点人脸区分技术进展前景特别好，但是仍有有一些难点会限制它的进展，从而让它无法像一般锁一样全面应用于整个社会，甚至是应用于整个世界，所以我们仍需要更深一步的加强人脸识别的讨论；2.5.1 复杂条件下关键点定位问题关键点定位在人脸区分系统的前端处理模块，它直接关系到人脸识别系统的识别成效；复杂条件下的关键点位置是要解决的迫切问题之一；目前， 仍没有特别完善的关键点定位方法，仍旧需要我们去进一步的讨论；2.5.2 姿态问题人脸识别算法主要基于正面姿态；当面部姿态不正时，人脸识别度会突然下降；

22、 怎么上升人脸区分系统对人们各种各样的姿态识别的精确度是脸部识别中的一项拥有建设性的挑战；2.5.3 表情问题表情是人类电脑互动的一个重要组成部分，但很难用精确的数学模型表达；由于当下电脑技术的缺陷和不足， 微型电脑没法无误的定位这些脸部特性，也无法区分面部肌肉活动的情形；而且，不同的表达方式没有固定的界限，不同的人会有不同的表情出现出来；2.5.4 遮挡问题由于收集到的脸部图象不肯定完整，因此会影响脸部特点提取和识别，并可能导致脸部检测算法失败；如何有效排除遮挡的影响具有重要意义；2.5.5 光照问题光照问题在脸部识别中特别明显；但是， 以目前的光照处理技术远不及实际的需要应用水平；人们仍要

23、加强讨论；2.6 本章小结本章主要介绍了人脸识别需要的技术，其中人脸检测技术用来判定待处理的图像中是否有人脸，图像预处理技术， 就是为了去除到图像中不需要的模块，以便人脸比对可以削减误差，保证人脸识别的精确率；欢迎下载精品学习资源第三章 模拟柜员机系统的概述3.1 柜员机系统产生的背景随着科学技术的进展， 社会文明的进步， 金融行业的进展， 柜员机系统在金融行业的使用频率愈来愈高； 由于柜员机系统的便利性，便利性以及可以削减用户去柜台办理业务的麻烦，它在银行以及其它行业越来越受欢送；3.2 模拟柜员机系统开发的意义对一般大众来说， 基于图象分析的柜员机系统便利了人们的生活；人们不需要每次办理业

24、务的时候都要去银行的柜台办理，现在可以直接在柜员机上实现基本的存款，取款，转账和查询等功能；当然，对于银行工作人员也是特别便利的；它不仅削减了银行工作人员的工作量，而且也提高了银行工作人员的工作效率；3.3 模拟柜员机系统的介绍3.3.1 开发语言此柜员机系统，我们是使用当下近乎完善的Java 语言开发的；对于开发柜员机系统的人来说，比较简洁上手；3.3.2 开发环境我们使用了 MyEclipse 作为开发工具，并配置 JDK开发环境和 JRE运行环境；数据库使用了 MySql 数据库；由于开发成本问题和为了更便利的保护， 其系统我们采纳 B/S 架构浏览器 / 服务器模式；为了便利治理此系统

25、我们将此系统分为了用户前台和治理员后台；使得人与系统的交互性更强了；3.3.3 模拟柜员机系统界面介绍从图 3.1 ，可以看出这是开发柜员机系统人员设计的登录界面；其中分为用户登录和治理员登录；而分为两种类型的用户登录，就是为了治理此系统，使得此系统的有用性更强；图 3.1柜员机系统的登录界面图 3.2 ，就是一般用户登录进去可以实现的功能；我们可以看到，一般用户具有4 种基本功能查询余额，存款，取款以及转账；当然用户也可以修改密码；欢迎下载精品学习资源图 3.2一般用户界面图 3.2 中显示的信息不多是由于用户的权限不多，设计之初只是为了让其可以进行简洁的存取款，查询账户余额以及转账和修改密

26、码功能；假如用户仍要其它功能， 就必需去柜台办理， 这样也是为了便利治理模拟柜员机系统；图 3.3 ，就是治理界面；治理员具有多种权限，可以治理一般用户，为客户开户以及一般用户的全部功能；图 3.3治理员界面从治理员界面我们可以看出，治理员的权限比一般用户要多上很多；这样的设计也是为了让银行工作人员更便利的工作，从而提高其工作效率，削减其工作量；欢迎下载精品学习资源图 3.4 ，就是模拟柜员机系统调用人脸识别的窗口，主要是用来判定登录这个模拟柜员机卡号的是不是本人；图 3.4模拟柜员机给人脸识别的界面当我们点击开启摄像头时，会在界面的左边弹出一个调用摄像头的界面，用于采集人脸图象， 而右边的窗

27、口就是用于比对人脸和训练人脸库的头像的；抓取图象就是类似于截屏功能，把摄像头采集的人脸用于和训练样本进行比较，最终识别出成效；3.4 模拟柜员机系统与人脸识别的交互在讨论之初，对于此课题我有两种想法；其一是， 当用户输入柜员机系统的密码后，然后弹出人脸识别窗口 判定此人是否是持有此卡号的人；另一种想法是，当用户三次输入密码错误时，我们就弹出人脸识别窗口进行识别其身份；图3.5 ，就介绍了柜员机系统给人脸识别调用的窗口；图 3.5人脸识别窗口欢迎下载精品学习资源在图 3.5 中我们设计了人脸识别算法的GUI 界面，便利用户使用；从图中可以看出我们可以调用摄像头进行采集人脸，然后可以进行人脸训练；

28、之后就会定位人脸，灰度化之后，将会更清晰的看到人脸的轮廓， 最终点击检测将会返回一个结果，是否是本人；假如是本人，将返回一个结果告知用户这是 “本人”；假如不是本人，也会返回一个结果告知用户“不是本人”；由上结果可知, 假如返回结果是本人，就拥有此模拟柜员机账号的人可以进行后续的查询，存取款， 修改密码以及转账等功能；假如返回结果是不是本人，本模拟柜员机系统将会进行退卡操作；欢迎下载精品学习资源第四章 人脸识别算法设计当人脸图象的来源是一幅静态图象时进行的人脸识别属于静态人脸识别；人脸识别算法包含2 部分：人脸定位和归一化，对于一个全自动的人脸识别系统，整个的识别过程可归纳为人脸检测与定位、特

29、点提取和识别， 这两个环节独立性很强， 而在很多特定情形下， 人脸检测与定位工作比较简洁，而“特点提取与识别”环节得到了更为广泛和深化讨论；4.1 人脸检测与定位目前人脸检测仍是一个相当困难的工作，其中所面临的问题可以归结如下：图像中是否存在人脸： 这是人脸检测不同于其它有关人脸讨论工作的地方，即如何判定图像中是否存在人脸，如何区分人脸和类似人脸的非人脸图像；检测不同表现形式的人脸：人脸可能以不同视角显现在图像中，也可能被某些物体遮挡，造成某些用于检测而需提取的人脸特点不行见；图像中存在着噪声：由于成像时亮度、 比照度等因素的影响使图像不清晰，人脸与背景区分不大， 给检测带来肯定的难度；人脸自

30、身的因素：由于人脸结构复杂，某些局部特点具有随机性如眼镜、胡须、发型等，而且仍存在着不同表情的人脸，这些都给人脸检测带来难度；由此可见， 人脸检测是一个复杂而具有挑战性的问题；任意给定一个图像或者一组图像序列，人脸检测的目的就在于判定该图像或图像序列中是否存在人 脸；假如存在，就返回其位置和空间分布，将全部人脸从背景图象中分割出来，并确定每个人脸在图象中的大小和位置， 人脸检测系统的输入是可能包含人脸的图象，输出是关于图象中是否存在人脸以及人脸的数目，位置，尺度等信息的参数化描述；依据这个定义可知，人脸检测可分为两类：第一类是在静止图像中判定是否存在人脸，假设存在， 就定位人脸的位置; 其次类

31、 是在视频图像序列中判定是否存在人脸，假设存在，就动态地跟踪人脸；明显，后一种所采纳的人脸检测方法要比前一种困难；人脸检测的基本思想是用学问或统计的方法对人脸建模，比较全部可能的待检测区域与人脸模型的匹配度，从而得到可能存在人脸的区域；4.2 基于 PCA的人脸特点提取通常得到的数据量直接由图像很大，为了有效地分类识别， 是转换原始数据， 最能反映分类性质的特点，这是特点提取和选择的过程；我们称之为由原始数据测量空间组成的空间，称为特点空间分类的空间取决于； 通过转换， 我们可以将所述模型的高维空间的测量值放在下模型的特点空间的维度上；特点空间模型中的表示也称为样本，它通常表示为向量，即特点空

32、间中的单个点；人脸图像可以看作是一个矢量 如图 4.1 所示 ，假如图像的高度和宽度分别为h 和 w, 就对应的矢量维数为 w*h，人脸矢量属于一个空间，称为是图像空间；欢迎下载精品学习资源图 4.1人脸矢量示意图由于每个人脸都特别类似，在相同的位置都有两只眼睛，一个嘴巴，一个鼻子等等，所以在图像空间里全部的人脸矢量都集合在一个狭窄的区域内 如图 4.2 所示 ，所以整个图像空间不是人脸描述的一个优化空间， PCA主元分析法的任务就是构造一个能更好描述人脸的人脸空间，降低空间维数，使新的人脸空间的基向量 又叫主元 能更好地描述典型的人脸模式；图 4.2人脸空间示意图PCA主元分析法又称 Kar

33、hunen-LoeceKL变换， 它的目的是降维， 人脸空间是典型的高维空间，一个 128*128 像素的人脸假设视为向量，就有 16384 维，运算极不便利； 假设将人脸看作是平稳的高斯过程，就可以利用 KL 变换提取主元，到达降维的目的；KL 变换是图像压缩的一种最优化变换，高维的图像空间经过KL变换后得到一组新的正交基 主元 ， 保留其中最重要的正交基，由这些正交基可以组成低维线性空间；假如假设人脸在这些低维线性空间的投影具有可分性，那么就可以把这些投影用作识别的特点向量；这就是PCA的主要思想；PCA最早是由统计学进展过来的，然后就被用在人工神经网络理论中，所以对 PCA的理论描述可以

34、从两方面进行， 一种是从人工神经网络理论这个角度来懂得， 这样相对来讲比较直观； 另一种就是从统计学角度来懂得，这就比较严格，比较难懂，由于这是严格的依据数学的理论来推导出来的；欢迎下载精品学习资源4.3 人脸识别方法高水平的识别工作一般需要复杂的处理过程，如将图象映射到外表， 复原为三维模型， 进行模型匹配等，但基于二维的图象处理也可进行人脸识别，下面介绍常用的几种方法；4.3.1 几何特点法很多人也将使用面部识别中的几何特点方法；例如，常用的几何特点具有面部特点如眼睛，鼻子，嘴巴，脸部特点的局部外形特点和面部特点分布在脸部上的几何特点；通过拓扑先验学问的面部几何关系来提取特点； 在这种基于

35、几何特点的识别中，将其识别为特点向量的匹配，基于欧几里德距离的决策是最常用的识别方法；面对眼睛，鼻子，嘴巴，下巴等部位，由于这些部件的外形，尺寸和结构各不相同，使得世界各个面孔在千差万别， 所以对于这些部分的外形和结构几何描述之间的关系，可以作为面部识别中最重要的特点； 使用几何特点进行正面识别通常通过提取人眼，嘴，鼻等重要特点点位置和重要器官如眼几何作为分类特点；基于几何特点识别方法具有较少的记忆，对光不敏锐，其优点简洁易懂；这种方法也有一些问题： 1提取图像的稳固性特点很困难； 2剧烈的表情变化和姿态变化不好的鲁棒性； 3由于某些信息丢失，适用于粗略分类；可变形模板法可以被认为是改进的几何

36、特点，它是一种经典的模式识别方法，这种方法主要是使用归一化相互关，直接运算两个图像之间的匹配度；最简洁的面部模板将面对椭圆形，椭圆形在检测面是图像；另一种方式是面对一组独立的小模板，例如眼睛，鼻子，嘴巴模板模板模板，眉模板和下巴模板等；这些模板必需利用每个功能的轮廓，而传统的方法边缘检测特别难以获得高连续边缘；即使具有高牢靠性的边缘，也难以自动提取所需的特性；因此， 使用弹性模板法提取特点表现出其特殊优势；具有一套弹性模板依据外形的特点，先验学问设计的可调参数被定义； 为了找出这组参数， 有必要使用图像的边缘， 峰谷值和强度信息以及先验学问的外形特点来设计适当的能量函数；参数调整时， 能量方向

37、能量在能量到达最大时间时，相应模板的这组参数最符合外形特点；其基本思想是：设计模型参数可调剂器官可变形模板，如图4.3 所示，并定义能量函数，并通过调整模型参数来最小化能量函数，将模型参数作为几何特点器官；axcRbb欢迎下载精品学习资源4.3.2 特点脸法图 4.3可变形模板方法的眼模型欢迎下载精品学习资源这种方法的原理是PCAPrincipalComponent Analysis主重量分析法 PCA用于特点选择和降低图象维数的一种通用方法，因此可以用 K-L 变换猎取其正交 K-L 基底，对应其中较大特点值的基底具有与人脸相像的外形，因此，又称之为特点脸，得到人脸重要特点之后，要对其进行主

38、成份分析PCA，欢迎下载精品学习资源其具体的算法思想如下：假设抽样参与训练的人脸图像有x3、 x M , 那么平均脸可以表示为：M张，每张图像的维数是N*N, 就可以分别表示为： x1、x2、F1/ Mxi i1、2M 每张人脸和平均人脸的距离可以表示为：dixiF假设矩阵 A=d1 ，d2， d2， d M,较大特点值的特点向量， 但 AAT是一个特点脸需要做的就是找出矩阵AAT 的前 Z 个N2*N2 维的大矩阵， 求这样一个矩阵的特点值运算量是特别大的；为此我们可以先求出AAT 的特点值与特点向量，然后求出uiUiAu n j1/2jj0,1,2, z1uj 表示 AAT的特点向量， u

39、j 表示 ATA的特点向量， ni 是 ATA的特点值， uj 就是所指的特点脸；求出特点脸以后，所剩下的工作就是要对库中的人脸进行降维，由uj可以组成一个投影矩阵，表示为W=u1u2， ,u Z-1,并进行降维：qTiW d ii0,1,2, N1由上式得出全部人脸向量的降维向量；基于特点脸的识别方法优点：它大大降低了原始空间的维数，在这个低维空间中可进行人脸检测和识别； Pentland等人在人脸检测中使用了特点脸方法，得到的特点脸如图4.4 所示：图 4.4特点脸缺点： 这种方法对比明条件的变化更为敏锐；假如您在光线条件下供应面部图像更换，就投影矩阵保留主要元素，并由于光线而发生变化；因

40、此，点投影矩阵不是很好的分类，甚至变得模糊的轮廓；作为面部技术改进， Fisher线性判定标准可以应用于面部识别Fisher Linear Discriminant， 简写为 FLD；并比较 PCA和 FLD，结论是面对不在区域分类和类别之间不同角色之间的变化，但它们是公平的 ; FLD 的一个缺点是克服了PCA;它可以在类之间的区域分类和散射矩阵内；线性判定标准分析并不总是比PCA好；当每种样本较小时，PCA的成效优于 FLD；在很多领域，特殊是在面部识别领域，人们不明白不同分类的基本分布；因此，实际上很难找显现有的培训数据如适用；他们的讨论结果说明， 这一考虑是正确的， 在一些试验中， P

41、CA的成效优于 FLD，而在其他试验中， FLD的作用优于 PCA；欢迎下载精品学习资源4.3.3 弹性图匹配法弹性图匹配法 ElasticGraph Matching 是一种基于动态链接结构Dynamic LinkArchitecture，DLA的方法；该方法在二维空间中为人脸建立属性拓扑图，把拓扑图放置在人脸上，每一节点包含一特点向量， 它记录了人脸在该顶点邻近的分布信息，节点间的拓扑连接关系用几何距离来标记，从而构成基于二维拓扑图的人脸描述；利用该方法进行人脸识别时，可同时考虑节点特点向量匹配和相对几何位置匹配；在待识别人脸图像上扫描拓扑图结构并提取相应节点特点向量，把不同位置的拓扑图和

42、库中人脸模式的拓扑图之间的距离作为相像性度量； 此外， 可用一个能量函数来评判待识别人脸图像向量场和库中已知人脸向量场间的匹配度，即最小能量函数时的匹配；该方法使得几何特点描述越来越充分，保留了人脸的拓扑结构和局部特点，通过局部节点调剂和弹性图变形，以及局部特点的多级Gabor 变换描述，使得该方法对光照，姿态变化等具有较好的适应性；该方法的主要缺点是运算量较大，必需对每个储备的人脸运算其模型图，占用很大储备空间；4.3.4 神经网络法基于神经网络的人脸识别方法是近几年比较活跃的一个讨论方向，已被应用于人脸检测、 人脸识别、表情分析等问题，并取得了较好的成效；该类方法将人脸用灰度图表征，利用神

43、经网络的学习和分类才能进行识别；通常需考虑两方面的因素：选择图像哪些参数作为输入；选择何种神经网络；目前主要有两种输入策略，第一种是将提取的特点向量作为输入向量；其次种是将图像像素直接输入神经网络；第一种输入策略可有效掌握神经网络规 模，但对提取特点的要求较高；其次种对于提取要求降低，并可依据样本集自身的方差特点来进行特点 选择，但网络规模扩大而造成收敛缓慢；用于人脸识别的神经网络有很多，如基于反向传播Back Propogation，BP算法的 BP神经网络， 该方法基本理论简洁且有很强的学习才能，运算量较小；Cottrell等人提出访用级联BP神经网络进行识别，对受损人脸的识别才能较好；L

44、inSH等人提出基于概率决策的神经网络Probabilistic Decision-BasedNeuralNetwork ， PDBNN方法，采纳虚拟样本进行强化和反强化学习，从而得到较理想的概率估量结果，并采纳模块化网络结构加快学习；径向基函数神经网络Radial Basis Function Network ， RBFN因具有靠近性好、空间描述紧凑、训练速度快等特点也被用于人脸识别；神经网络用以解决复杂模式识别与行为掌握问题，其特色在于信息分布式储备， 具有良好的容错性、联想记忆功能以及通过学习猎取学问并解决问题的才能；但该类方法要求训练集中包含较多的人脸图像，只能适合于小型人脸库；由于原始灰度图像数据量巨大，神经元数目多，该方法运算量较大；欢迎下载精品学习资源第五章 系统实现5.1人脸识别流程人脸图像猎取人脸图像猎取预处理预处理特点提取特点提取特点匹配系统数据库输出结果图 5.1人脸识别系统处