基于matlab的人脸识别技术及实现.doc

《基于matlab的人脸识别技术及实现.doc》由会员分享，可在线阅读，更多相关《基于matlab的人脸识别技术及实现.doc（40页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、Four short words sum up what has lifted most successful individuals above the crowd: a little bit more.-author-date基于matlab的人脸识别技术及实现基于matlab的人脸识别技术及实现 本科毕业设计(论文) 人脸识别技术及实现学 院 信息工程学院 专 业 信息工程 (电子信息工程方向) 年级班别 2010级（1）班 学 号 3111002754 学生姓名 XXX 指导教师 XXX 2014年 5 月-摘要随着经济的快速发展以及生活方式的改变，社会各方面对于身份识别技术的需求快速

2、增长。使得生物统计识别技术得到了新的重视。目前得到主要应用的是指纹识别和人脸识别。研究人脸识别在理论和技术上都有重要的意义：一是可以推进对人类视觉系统本身的认识；二是可以满足人工智能应用的需要。而人脸识别相比较其他生物识别技术而言具有：1、非接触的，用户不需要和设备直接接触；2、非强制性，被识别的人脸图像信息可以主动获取；3、并发性，即实际应用场景下可以进行多个人脸的分拣、判断及识别这几大优点而取得了快速的发展。采用人脸识别技术，建立自动人脸识别系统，用计算机实现对人脸图像的自动识别有着广阔的应用领域和诱人的应用前景。本文在总结分析人脸识别系统中几种常用的图像预处理方法基础上，利用MATLAB

3、实现了一个集多种预处理方法于一体的通用的人脸图像预处理仿真系统。通过实现图像的选取，脸部定位，特征提取，图像处理和识别这几个过程，利用灰度图像的直方图比对最终实现人脸图像的识别。关键词：人脸识别， MATLAB，灰度图像直方图，特征提取 AbstactWith the fast development of economy and the change of life style, the demand for the identity recognition technology is increasing rapidly. Meanwhile, The technology of biom

4、etric identification is emphasized. The main application is fingerprint recognition and face recognition nowdays. The research of face recognition has important meaning both in theory and technology.Firstly, it can advance the recognition of human vision system.Secondly, it is the need of artificial

5、 intelligence application. And face recognition compared to other biometrics has much advantages.Firstly, users do not need to equipment and direct contact.Secondly,it is recognition of the face image information can take the initiative to obtain.Thirdly, the actual application scenarios can be of m

6、ulti face sorting, judgment, and recognition. Using computer to achieve automatic recognition of the face image has a broad application areas and attractive prospects for application by face recognition technology, automatic face recognition system.Based on the summary analysis of face recognition s

7、ystem and several common image pre processing method , author finally used MATLAB realize a set a variety of pre processing method in one of the generic face image pre processing simulation system. With the image selection, facial localization, feature extraction, image processing and recognition th

8、ese processes, the author successfully use the histogram ratio of gray image to realize the recognition of face image.Key words：Face recognition;MATLAB; Gray image histogram; Feature extraction目录1 绪论11.1引言11.2人脸识别技术的背景11.3 人脸识别技术国内外发展21.4人脸识别技术的应用前景41.5 论文研究的问题51.6本文人脸识别系统主要结构61.7论文的内容及组织72 应用Matlab

9、处理图像82.1 Matlab介绍82.2 数字图像处理82.2.1图像处理的基本操作82.2.2图像类型的转换92.2.3图像增强92.3图像处理功能的Matlab实现实例102.4 本章小结123 人脸检测的实现133.1 引言133.2系统基本机构133.3 人脸检测定位算法143.4 人脸图像的预处理193.4.1 仿真系统中实现的人脸图像预处理方法194 基于直方图的人脸识别实现224.1识别理论224.2 人脸识别的matlab实现22结论24参考文献25致谢271 绪论1.1引言本章提出了人脸识别的研究背景及应用前景。（1）首先为我们阐述人脸图像识别的现实意义；（2）然后说明当前

10、人脸图像识别存在的问题；（3）接着介绍主流人脸识别系统的一般框架组成；（4）最后再简要地介绍了论文的主要章节和人脸识别系统主要设计思想和实现技术。1.2人脸识别技术的背景人脸识别，是一种基于人的脸部特征信息进行身份识别的生物识别技术。通过摄像机或摄像头采集含有人脸的图图片，采取适当的图像技术处理后，自动检测出和跟踪图片当中的人脸，然后对系统检测到的人脸进行脸部的一系列相关技术处理，从而识别人脸图像的身份。通常又叫做人像识别、面部识别。人脸识别系统的研究最早开始于20世纪60年代，但是受限制于计算机技术和光学成像技术发展水平，研究进程比较缓慢。然而，伴随着80年代后计算机技术和光学成像技术的快速

11、发展，但真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于两个方面。（1）是否拥有尖端的核心算法，（2）识别结果是否具有实用化的识别率和识别速度；“人脸识别系统”是集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术的一种系统，同时需结合中间值处理的理论与实现，属于生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。随着经济的快速发展以及生活方式的改变，社会各方面对于身份识别技术的需求快速增长。使得生物统计识别技术得到了新的重视。目前得到主要应用的是指纹识别和人脸识别。但是指纹识别要求被

12、检测的人高度配合，采集比较困难。相对来讲，用户不需要跟设备或者仪器直接结束就能获得人脸图像，只需要一些简单的配合，几乎可以在非强制性的情况下完成。人脸图像的机器识别研究就是在这种背景下兴起的，是所有的生物识别方法中应用最广泛的技术之一。同时，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，因为人脸图像受很多因素的干扰:人脸表情的多样性，以及外在的成像过程中的光照，图像尺寸，旋转，姿势变化等。使得同一个人，在不同的环境下拍摄所得到的人脸图像不同，有时更会有很大的差别，这些影响都会给人脸图像的识别带来很大难度。因此在各种干扰条件下实现人脸图像的识别，也就更具有挑战性。而且它覆盖了数字图像处

13、理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。目前人脸识别技术已经相对成熟,其应用也随之日益广泛。人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高，更多成本低廉，结构简单，操作性强的，更加实用的人脸识别技术将应用在更多的领域。1.3 人脸识别技术国内外发展回顾人脸识别技术的发展历程，可以将其划分为4个发展阶段。20世纪60年代是生物识别技术的萌芽阶段，以1965年研究人员设计的人脸识别系统为代表，开启了生物识别技术的新时代；1991年，美国麻省理工学院的研究人员提出

14、了特征脸人脸识别的理论和方法，标志着人脸识别技术作为一个新兴学科正式起步；2001年，美国“911”事件发生后，世界各国意识到人脸识别技术的重要价值，投入大量资金进行研发；2008年，人脸识别技术应用于北京奥运会，标志着人脸识进入大规模应用阶段。在国内，中科院计算所跟哈工大的一个联合面像实验室是最早研究人脸检测识别的。该实验室的高文教授，陈熙林教授，山世光教授，直到今天，都一直活跃在人脸识别领域并且发表了很多学术论文。其次，是现为模式识别国家重点实验室研究员和生物识别与安全技术研究中心主任，智能视觉物联网研发中心主任的李子青教授。李子青和他所领衔研发的“中科奥森”人脸识别系统和智能视频监控系统

15、已在包括北京奥运会、上海世博会边检通关等多个国家重大安全项目中实施并发挥作用。李子青为SAC/TC100/SC2副主任委员，代表中国国家体撰写了中国第一个ISO/IEC JTC1/SC37生物识别国际标准工作草案获采纳，并在2006年会全体会议上作了“生物特征识别在中国”的主题演讲。他的著作图像分析中的马尔可夫随机场模型 (Springer 1995, 2nd edition 2001, 3rd edition 2009) 被誉为图像分析领域里程碑意义的工作。接着，是清华大学的丁晓青和艾海洲教授。艾海洲教授目前主要从事与人脸人体相关的计算机视觉方面的研究，在人脸及人体图像理解领域提出了一系列性

16、能优越的算法，具有重要的学术价值和明显的应用价值。丁晓青教授在OCR(字符识别)领域，可谓国内第一人。不过，最近几年转行做人脸识别，也是非常有成就的。不说别的，就只从FRVT2006（美国国家标准研究所2006年全球人脸识别供应商系统性能测试）的测试结果来看，丁晓青教授的研究团队是唯一一个完成大规模3D人脸识别性能测试的参赛团队。由此可见，在国内人脸识别领域来说，她们的算法，在3D领域，绝对排名第一。此外，在汉字识别领域，取得了一系列国际领先的研究成果，先后荣获国家科技进步二等奖三次。有11项发明专利被授权。在国外，当前很多国家展开了有关人脸识别的研究，主要有美国、欧洲国家、日本等著名的研究机

17、构20世纪90年代以来，随着高速高性能计算机的出现，人脸识别方法有了重 大突破，进入了真正的机器自动识别阶段。国外有许多大学在此方面取得了很大进展，他们研究涉及的领域很广，其中有从感知和心理学角度探索人类识别人脸机理的，如美国Texas at Dallas大学的Abdi和Toole小组，主要研究人类感知人脸的规律；由Stirling大学的Bruce教授和Glasgow大学的Burton教授合作领导的小组，主要是研究人类大脑在人脸认知中的作用，并在此基础上建立了人脸认知的两大功能模型，他们对熟悉和陌生人脸的识别规律以及图像序列的人脸识别规律也进行了研究；也有从视觉机理角度进行研究的，英国Aber

18、deen大学的Craw小组，主要研究人脸视觉表征方法，他们对空间频率在人脸识别中的作用也进行了分析；荷兰Groningen大学的Petkov小组，主要研究人类视觉系统的神经生理学机理并在此基础上发展了并行模式识别方法。更多的学者则从事利用输入图像进行计算机人脸识别的研究工作。在人脸识别的领域中，国际上逐步形成了以下几个研究方向：基于几何特征的人脸识别方法，主要代表是MIT的Brunelli和Poggio 小组，他们采用改进的积分投影法提取出用欧氏距离表征的35维人脸特征矢量用于模式分类；基于模板匹配的人脸识别方法，主要代表是Harvard大学Smith-Kettlewell眼睛研究中心的Yui

19、lle，他采用弹性模板来提取眼睛和嘴巴的轮廓，Chen和Huang则进一步提出用活动轮廓模板提取眉毛、下巴和鼻孔等不确定形状； 基于K-L变换的特征脸的方法，主要研究者是MIT媒体实验室的Pentland 基于隐马尔可夫模型的方法，主要代表有Cambridge大学的Samaria小组和Georgia技术研究所的Nefian小组；神经网络识别的方法，如Poggio小组提出的HyperBF神经网络识别方法，英国Sussex大学的Buxton和Howell小组提出的RBF网络识别方法等；基于动态链接结构的弹性图匹配方法，主要研究者是由C.Von derMalsburg领导的德国Bochum大学和美国

20、Southern California大学的联合小组； 利用运动和颜色信息对动态图像序列进行人脸识别的方法，主要代表是Queen Mary和Westfield大学的Shaogang Gong小组。1.4人脸识别技术的应用前景人脸识别技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。相对而言其它的生物身份验证手段，如指纹、眼睛虹膜等必须通过与目标接触或相当接近来取得样木，在某些场合，这些识别手段有很大的不便之处。而人脸识别可以不与目标相接触就取得样本图像，进而进行身份的识别。目前，应用最广泛的方面有（1）企业、住宅的安全和管理。如人脸识别门禁考勤系统，人脸识别防盗门等。（2

21、）电子护照及身份证。中国的电子护照计划公安部一所正在加紧规划和实施。（3）公安、司法和刑侦。如利用人脸识别系统和网络，在全国范围内搜捕逃犯。（4）银行自助服务。（5）信息安全。如计算机登录、电子政务和电子商务。在电子商务中交易全部在网上完成，电子政务中的很多审批流程也都搬到了网上。以下是目前国内外人脸识别技术的主要应用情况：表1.1国内外人脸识别技术的主要应用应用领域技术优势存在问题个人身份验证，身份证，信用卡，护照，驾照图像质量好图像摄取可控图像可操作性强必须建立功能强大的数据库用于存储照片计算机登陆、电子商务，电子政务应用范围广大大增加网络安全性图片真实性待考究银行/储蓄/金融安全图像摄取

22、方便监控性很强图像真实度高图像质量不高图片可处理性差图片需要有强大的数据库支撑人群监测可利用摄像图像图像方便易得图像质量不好对系统精确要求高图像分割自由嫌疑犯/犯罪分子照片匹配应用范围广图片获得容易图片质量不好需强大的数据库支撑1.5 论文研究的问题本文介绍了人脸图像识别中所应用MATLAB对图像进行预处理，应用该工具箱对图像进行经典图像处理,通过实例来应用matlab图像处理功能，对某一特定的人脸图像处理，进而应用到人脸识别系统。本文在总结分析人脸识别系统中几种常用的图像预处理方法基础上，利用MATLAB实现了一个集多种预处理方法于一体的通用的人脸图像预处理仿真系统，将该系统作为图像预处理模

23、块可嵌入在人脸识别系统中，并利用灰度图像的直方图比对来实现人脸图像识别判定。其中涉及到图像的选取，脸部定位，特征提取，图像处理和识别几个过程。1.6本文人脸识别系统主要结构一、人脸识别流程人脸检测主要是检测获取到的图片是否有人脸的图像，然后根据检测到的人脸结果进一步处理，提取特征，接着进行身份确认，进而得出结论。这个系统的实现要求各个环节互相配合，紧密联系，才能得到最终理想的结果。本文人脸识别仿真系统流程图如下所示：图像获取图片灰度图像处理处理得出识别结果根据算法找到最接近的两幅图与图片库中图片比较统计原图灰度值二值化处理根据算法找出合适人脸部位检测到人脸图像人人脸检测人人脸识别 图1.1 人

24、脸识别流程图 二、人脸识别的主要步骤： (1 )人脸图像的获取通常，图片都是通过摄像机来完成。可以得到各种图片，作为本文识别的系统来说，为了增加可操作性，所选取的图片都是比较清晰的人脸图像。(2)人脸的检测人脸检测是为了检测获取的图片是否存在人脸。处理过程中，先对图片进行灰度图片处理，然后二值化。得到的图片将呈现出黑白效果。这时只要用适当的算法，检测出最像人脸的区域即可。然后根据判断出的人脸区域画适当的矩形。 (3)人脸识别在本文中人脸识别的主要方式是，在人脸识别的基础上。通过统计图片各像素点的灰度值，对灰度值进行均衡化，将统计结果与图片库中的图片进行对比，返回对比差距最小的图片，判断相似度。

25、根据相似度伐值的比较，得到识别的结果。(4)基于人脸图像比对的身份识别即人脸识别(Face Identification)问题。通过将输入人脸图像与人脸数据库中的所有已知原型人脸图像计算相似度并对其排序来给出输入人脸的身份信息。这包括两类识别问题：一类是闭集(Close Set)人脸识别问题，即假定输入的人脸一定是人脸库中的某个个体；另一类是开集(Open Set)识别，即首先要对输入人脸是否在已知人脸库中做出判断，如果是，则给出其身份。本文采用的是开集识别，没有假定输入的人脸一定是人脸数据库中的个体。1.7论文的内容及组织由于本文的人脸识别系统是基于Matlab的，所以在第二章，首先介绍主要

26、在人脸识别系统中用到的仿真软件Matlab。以及在人脸识别过程中所要用到图像处理的基本操作。主要包括：GUI界面的设计，图像操作的基本处理（图片读取，图像输出，图像裁剪，灰度变换，二值化等），并且展示一部分具体操作的结果实例。论文第三章主要包括三个方面：（1）对人脸识别系统构成的进一步详细分析；（2）详细介绍获得图片的预处理方法；（3）分析该系统中人脸检测和人脸定位这两个主要步骤实现方法；第四章是对人脸图像识别体系构架的设计，并给出了人脸识别用到的理论知识即直方图差异对比，并编写matlab代码实现人脸图像识别。第五章对整篇论文做一个总结，并且对人脸识别的研究和实现系统中存在的问题做一个探讨。

27、2 应用Matlab处理图像2.1 Matlab介绍MATLAB是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。Matlab的主要优势有：(1)高效的数值计算及符号计算功能，能使用户从繁杂的数学运算分析中解脱出来；（2） 具有完备的图形处理功能，实现计算结果和编程的可视化；（2）友好的用户界面及接近数学表达式的自然化语言，使学者易于学习和掌握；（4）功能丰富的应用工具箱(如信号处理工具箱、通信工具箱等) ，为用户提供了大量方便实用的处理工具。Matlab还推出了功能强大

28、的适应于图像分析和处理的工具箱,常用的有图像处理工具箱。一般来说，它们都是由特定领域的专家开发的，用户可以直接使用工具箱学习、应用和评估不同的方法而不需要自己编写代码。在人脸识别的研究和实现中，就应用了Mtalab强大的图形处理功能进行图片处理。如：图像打开、图像二值化、灰度图像处理、图片裁剪等。2.2 数字图像处理数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）;三是广泛的农牧业、林业

29、、环境、军事、工业和医学等方面的应用需求的增长。数字图像处理常用的方法有以下几个方面：图像变换、图像增强和复原、图像编码压缩、图像描述、图像分割和图像识别（分类）等内容。2.2.1图像处理的基本操作首先，读取用imread()函数来完成。输出图片用imshow()函数来实现;用save（）函数可以将工作空间的变量保存，然后用load函数可以将变量读入到Matlab的工作空间中。在本文中还使用到了imrisize（）函数对图像进行裁剪，使其以合适的大小的输出。2.2.2图像类型的转换Matlab支持多种图像类型,但在某些图像操作中,对图像的类型有要求,所以要涉及到对图像类型进行转换。Matlab

30、7.0图像处理工具箱为我们提供了不同图像类型相互转换的大量函数,如Matlab函数rgb2gray（），将真彩色图像转换为灰度图像。matlab中DIP工具箱函数im2bw使用阈值（threshold）变换法把灰度图像（grayscale image）转换成二值图像。所谓二值图像， 一般意义上是指只有纯黑（0）、纯白（255）两种颜色的图像。2.2.3图像增强图像增强的意义：增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制

31、不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。在本文系统中，图像增强可以使图片质量不高的图像得到一个补偿和修复作用，增加图像识别的成功率。图像增强的分类：图像增强可分成两大类：频率域法和空间域法。前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。后者空间域法中具有代表性的算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。 (1).灰度变换增强有多种方法可以实现图像的灰度变换,

32、其中最常用的就是直方图变换的方法,即直方图的均衡化。这种方法是一种使输出图像直方图近似服从均匀分布的变换算法。Matlab7.0图像处理工具箱中提供了图像直方图均衡化的具体函数histeq(),同时我们可以用函数imhist()函数来计算和显示图像的直方图。(2).空域滤波增强空域滤波按照空域滤波器的功能又可分为平滑滤波器和锐化滤波器。平滑滤波器可以用低通滤波实现,目的在于模糊图像或消除噪声;锐化滤波器是用高通滤波来实现,目的在于强调图像被模糊的细节。在Matlab中,各种滤波方法都是在空间域中通过不同的滤波算子实现,可用fspecial()函数来创建预定义的滤波算子,然后可以使用imfilt

33、er()或filter2()函数调用创建好的滤波器对图像进行滤波。2.3图像处理功能的Matlab实现实例下面列出本系统功能实现过程中主要使用的相关函数：（1）改变图像类型因为后续人脸检测定位过程，以及识别过程中都是处理的灰度图片和二值图像，但是原本的图像是RGB格式的，因此要对获得的图片进行灰度图像转换。我们可以用Matlab工具箱提供的rgb2gray将其转化成灰度图像，然后再转化成二值图像。实现过程代码如下: if ndims(B)= 2 %如果不是二值图像 IM=rgb2gray(B);else IM = B;End图2.1 原始图像图2.2 灰度处理图像处理成二值图像：bw = im

34、2bw(IM, graythresh(IM); % 二值化图2.3 二值化处理图像2.4 本章小结以上实例只是对Matlab图像处理工具箱函数的一小部分运用,从这些功能的运用可以看出,Matlab语言简洁,可读性强。作为人脸识别系统中图像预处理工具，有非常好的处理功能。3 人脸检测的实现3.1 引言计算机人脸识别是一个非常活跃的研究领域，因其在公安刑侦破案、银行密码系统、计算机安全系统以及动态监视系统等方面都有广泛应用，已成为当前模式识别、计算机视觉领域的研究热点。人脸识别系统一般包括人脸检测与定位、人脸图像预处理、特征提取和匹配识别四个组成部分。其中，人脸图像预处理，作为特征提取和识别的前提

35、步骤，是计算机人脸识别系统中的必要环节。其目的是在去除噪声，加强有用信息，对输入设备或其他因素造成的退化现像进行复原，为后续的特征提取和识别作准备。不同的人脸识别系统根据其采用的图像来源和识别算法需要不同，采用的预处理方法也不同。常用的人脸图像预处理方法有：滤波去噪、灰度变换、图像二值化、边缘检测、尺寸归一化、灰度归一化等。用在同一系统中的可能只有其中一种或几种预处理方法，但一旦库中采集到的原始图像质量发生较大变化（如人脸大小、光照强度、拍摄条件、成像系统等方面变化），原有的预处理模块便不能满足特征提取的需要，还要更新，这是极不方便的。3.2系统基本机构人脸识别是一个复杂的过程，一个计算机人脸

36、识别的流程如图3-1所示。它包括几个步骤：对采集到的图像，首先进行人脸检测（在输入图像中寻找人脸），给出人脸有无的结果；然后进行人脸定位，确定人脸的位置并提取出来。对人脸的定位在输入是图像序列时一般也称之为人脸跟踪。通常检测和定位结合进行。对提取出来的人脸借助人脸描述就可以进行（狭义的）人脸识别，即通过提取特征来确定其身份。图3.1 基本框架图3.3 人脸检测定位算法人脸检测定位算法大致可分为两大类：基于显式特征的方法和基于隐式特征的方法。所谓显式特征是指对人类肉眼来说直观可见的特征，如肤色、脸部轮廓、脸部结构等。基于显式特征的方法是指由人通过肉眼观察，总结出人脸区别于“非人脸”区域的特征，然

37、后根据被检测区域是否满足这些“人脸特征”，来判定该区域是否包含人脸。根据所选择的“人脸特征”，基于显式特征的方法分以下三类：基于肤色模型的方法、模板匹配的方法、基于先验知识的方法。在彩色图像中，颜色是人脸表面最为显著的特征之一，利用颜色检测人脸是很自然的想法。Yang等在考察了不同种族、不同个体的肤色后，认为人类的肤色能在颜色空间中聚成单独的一类，而影响肤色值变化的最主要因素是亮度变化。因此他们采用广泛使用的RGB颜色空间，在滤去亮度值的图像中通过比较像素点的、值与肤色范围来推断该像素点及其邻域是否属于人脸区域。除了RGB颜色空间，还有诸如HIS，LUV，GLHS等其它颜色空间被使用。寻找到肤

38、色区域后，必须进行验证，排除类肤色区域。Yoo等利用肤色像素的连通性分割出区域，使用椭圆拟合各个区域，根据椭圆长短轴的比率判断是否为人脸。模板匹配的方法一般是人为地先定义一个标准人脸模板，计算输入图像与模板的似然度；然后，确定一个似然度阈值，用以判断该输入图像中是否包含人脸。标准人脸模板可以是固定的样板，也可以是带参变量的曲线函数。基于先验知识的方法则采用符合人脸生理结构特征的人脸镶嵌图（mosaic image）模型，并在分析了足够多的人脸图像样本的基础上，针对人脸的灰度、边缘、纹理等信息，建立一种关于人脸的知识库。在检测中，首先抽取这些灰度、边缘等信息，然后检验它是否符合知识库中关于人脸的

39、先验知识。以上三种方法的优缺点比较见表3-1。表3.1 基于显示特征方法的特点检测方法优点与适用场合缺点与需要改进的地方肤色模型检测速度快高光和阴影会造成人脸区域被分割而被漏检；肤色区域的存在提高了预警率模板匹配直观性好，具有较好的适应性对表情、尺度变换敏感；可变模板的选择和参数的确定非常困难基于知识的方法适用复杂图像中的人脸检测依赖先验知识；多尺度空间遍历工作量大，运算时间长基于隐式特征的方法将人脸区域看成一类模式，使用大量“人脸”、“非人脸”样本训练、构造分类器，通过判别图像中所有可能区域是否属于“人脸模式”的方法来实现人脸检测。这类方法有：特征脸法、人工神经网络法、支持向量机法；积分图像

40、法。特征脸法（eigenface）把单个图像看成一维向量，众多的一维向量形成了人脸图像特征空间，再将其变换到一个新的相对简单的特征空间，通过计算矩阵的特征值和特征向量，利用图像的代数特征信息，寻找“人脸”、“非人脸”两种模式在该特征空间中的分布规律。人工神经网络（Artificial Neural Network，ANN）的方法是通过训练一个网络结构，把模式的统计特性隐含在神经网络的结构和参数之中。基于人工神经网络的方法对于复杂的、难以显式描述的模式，具有独特的优势。支撑向量机（Support Vector Machine，SVM）法是在统计学习理论基础上发展出的一种新的模式识别方法，它基于结

41、构风险最小化的原理，较之于基于经验风险最小化的人工神经网络，一些难以逾越的问题，如：模型选择和过学习问题、非线性和维数灾难问题、局部极小点问题等都得到了很大程度上的解决。但是直接使用SVM方法进行人脸识别有两方面的困难：第一，训练时需要求解二次规划问题计算复杂度高，内存需求量巨大；第二，在非人脸样本不受限制时，需要极大规模的训练集合，得到的支持向量会很多，使得分类器的计算量过高。基于积分图像（Integral Image）特征的人脸检测方法是Viola等新近提出的一种算法，它综合使用了积分图像描述方法、Adaboost学习算法及训练方法、级联弱分类器。以上四种方法的优缺点比较见表3.2表3.2

42、 基于隐式特征方法的特征检测方法优点缺点与需要改进的地方本征脸法标准人脸模板能抽象人脸全部信息，运算不涉及迭代耗费时间短但模板检测效率低，多模板提高了效率也增加了检测时间神经网络法检测效率高，错误报警数目不多，训练成熟的网络监测速度快多样本训练耗费时间多，但网络监测错误报警数目多支撑向量机机法比神经网络方法具有更好的泛化能力，能对为观测到的例子进行有效分类“非人脸”样本复杂多样，造成支持向量数目多，运算复杂度大基于积分图像分析法检测速度快，基本满足实时检测要求，检测效率可以与神经网络法比较错误报警数目少时，检测率不高 运用matlab仿真进行人脸检测定位实例：人脸检测定位结果：图3.2 人脸识

43、别的结果 人脸定位代码： if ndims(B)= 2 % 如果不是二值图像 IM=rgb2gray(B);else IM = B;endbw = im2bw(IM, graythresh(IM); % 二值化m, n = size(bw);row = floor(m/10); % 分成10大块，行wide = floor(n/10); % 分成10大块，列a1 = 1; a2 = row; % 对应行初始化s = row*wide; % 块面积for i = 1:10 %整个循环表示把图像四周全部变成白色 b1 = 1; b2 = wide; % 对应列初始化 for j = 1:10 if

44、 (b2=9*wide) | (a1=1 | a2=row*10) loc = find(bw(a1:a2, b1:b2)=0); p, q = size(loc); pr = p/s*100; % if pr fa & 1.5(Ar(z, 3)/Ar(z, 4)1.9 fa = area; h = z; endendh2=axes(Position,0.7 0.50 0.19 0.45);%subplot(2,3,3);imshow(B);rectangle(Position, Ar(h,1),Ar(h,2),Ar(h,3),Ar(h,4), . EdgeColor, y, LineWidth, 1);3.4 人脸图像的预处理不同的人脸识别系统根据其采用的图像来源和识别算法需要不同，采用的预处理方法也不同。常用的人脸图像预处理方法有：滤波去噪、灰度变换、图像二值化、边缘检测、尺寸归一