數(shù)字圖像處理--人臉識(shí)別

1、數(shù)字圖像處理信息科學(xué)與技術(shù)學(xué)院 劉世偉2022年7月6日人臉識(shí)別目錄1.0 關(guān)于人臉識(shí)別n人臉識(shí)別人臉識(shí)別是是人類視覺人類視覺最杰出的能力之一，是一個(gè)活最杰出的能力之一，是一個(gè)活躍的研究領(lǐng)域。躍的研究領(lǐng)域。n最容易被接受的最容易被接受的生物特征識(shí)別方式生物特征識(shí)別方式。n人臉識(shí)別用途細(xì)分為兩類：人臉識(shí)別用途細(xì)分為兩類：一 一類是回答“ 我是誰？”的問題，即身份識(shí)別。 另一類是回答“ 這個(gè)人是我嗎？”，即身份驗(yàn)證。目錄2.0 人臉識(shí)別過程一個(gè)完整的人臉識(shí)別系統(tǒng)包括一個(gè)完整的人臉識(shí)別系統(tǒng)包括人臉檢測(cè)與定位人臉檢測(cè)與定位、人臉圖像人臉圖像預(yù)處理預(yù)處理、人臉特征提取人臉特征提取、分類識(shí)別分類識(shí)別等等人

2、臉識(shí)別實(shí)現(xiàn)過程基本框圖人臉識(shí)別實(shí)現(xiàn)過程基本框圖2.0 人臉識(shí)別過程 人臉識(shí)別過程需要完成以下幾方面的工作：v人臉檢測(cè)：從各種場(chǎng)景中檢測(cè)出人臉的存在，并從場(chǎng)景中準(zhǔn)確分離出人臉區(qū)域；v預(yù)處理：校正人臉尺度、光照以及旋轉(zhuǎn)等方面的變化，得到規(guī)范化的人臉圖像；v特征提取：從人臉圖像中提取出人臉具有代表性的特征信息，并用一定的方式加以描述；v人臉識(shí)別：根據(jù)所提取的特征信息，將待識(shí)別的人臉與數(shù)據(jù)庫中的人臉進(jìn)行比較，找到數(shù)據(jù)庫中最相似的人臉 由于各方面對(duì)人臉識(shí)別系統(tǒng)的迫切需求，人臉特征提取與識(shí)別是人臉識(shí)別系統(tǒng)的重點(diǎn)。目錄3.0 人臉識(shí)別技術(shù)難點(diǎn) 當(dāng)前人們的研究主要集中在尋找識(shí)別率更高、穩(wěn)定性更好、計(jì)算代價(jià)更低

3、、實(shí)用性更強(qiáng)的人臉識(shí)別系統(tǒng)。但是由于各種客觀條件的限制，目前尚沒有一種方法可以兼有上述所有性能。 影響人臉識(shí)別系統(tǒng)性能的客觀因素有很多，也很復(fù)雜，主要是以下這些：光照條件：光照條件的影響主要體現(xiàn)在實(shí)際條件下光照強(qiáng)度的未知變化以及光照不均勻?qū)Τ上駧淼挠绊懀@可以直接體現(xiàn)在圖像的灰度值上。人們解決光照影響的方法主要有獲取實(shí)時(shí)光照參數(shù)、對(duì)圖像做光照補(bǔ)償和灰度預(yù)處理等。獲取實(shí)時(shí)光照參數(shù)以及進(jìn)行光照補(bǔ)償這兩種方法都比較復(fù)雜，因此大量應(yīng)用并不現(xiàn)實(shí)。3.0 人臉識(shí)別技術(shù)難點(diǎn)人臉姿態(tài)和表情：因?yàn)閷?shí)時(shí)人臉識(shí)別需要在非接觸非告知的條件下獲取被測(cè)人臉圖像，因此，被測(cè)人臉姿態(tài)和表情都是無法控制的因素，這給人臉識(shí)別帶

4、來了極大的挑戰(zhàn)。人臉姿態(tài)反映的是頭部姿勢(shì)，包括頭的俯仰、搖擺以及旋轉(zhuǎn)等動(dòng)作引起的變化，因此，頭部姿態(tài)勢(shì)必引起許多關(guān)鍵信息被遮擋。人臉表情則比姿態(tài)更難以控制，人的面部表情千變?nèi)f化，并且不同器官表情的變化相對(duì)獨(dú)立，很難用準(zhǔn)確的模型去描述其變化規(guī)律。通常解決這類問題的方法有姿態(tài)補(bǔ)償、姿態(tài)和表情估計(jì)等。數(shù)據(jù)庫人臉圖像的缺少：這是限制人臉識(shí)別技術(shù)的一個(gè)客觀因素，因?yàn)橐胱R(shí)別出實(shí)時(shí)人臉，則必須在數(shù)據(jù)庫中有此人的人臉信息，而現(xiàn)實(shí)中我們又不可能把每個(gè)人臉信息都存入數(shù)據(jù)庫，就算是目前科研界最通用的人臉庫如ORL、Yale等也只有數(shù)十到數(shù)百個(gè)人臉的信息，要想達(dá)到實(shí)用也是遠(yuǎn)遠(yuǎn)不夠的。目錄4.0 基于PCA算法的人臉

5、識(shí)別主成分分析簡(jiǎn)介 Principal Component Analysis（PCA） 主成分分析(Principal Component Analysis, 簡(jiǎn)稱PCA)是一種常用的基于變量協(xié)方差矩陣對(duì)信息進(jìn)行處理、壓縮和抽提的有效方法。 PCA方法由于其在降維和特征提取方面的有效性，在人臉識(shí)別領(lǐng)域得到了廣泛 的應(yīng)用。 PCA方法的基本原理是:利用K-L變換抽取人臉的主要成分，構(gòu)成特征臉空間，識(shí)別時(shí)將測(cè)試圖像投影到此空間，得到一組投影系數(shù)，通過與各個(gè)人臉圖像比較進(jìn)行識(shí)別。4.0 基于PCA算法的人臉識(shí)別計(jì)算特征臉：設(shè)人臉圖像I（x,y）為二維N*N灰度圖像，用N維向量R表示。人臉圖像訓(xùn)練集為

6、Ri|i=1,，M,其中M為訓(xùn)練集中圖像總數(shù)，這M幅圖像的平均人臉為： 每個(gè)人臉Ri與平均人臉的差值向量是： 4.0 基于PCA算法的人臉識(shí)別M1RM1iii 利用特征臉進(jìn)行人臉識(shí)別的過程由訓(xùn)練階段和識(shí)別階段兩個(gè)階段組成 ： 4.0 基于PCA算法的人臉識(shí)別在訓(xùn)練階段，每個(gè)已知人臉映射到特征臉子空間，得到維向量：在識(shí)別階段，首先把待識(shí)別圖像映射到特征臉子空間，得到向量：4.0 基于PCA算法的人臉識(shí)別 采用最小距離法（歐式距離）對(duì)人臉進(jìn)行分類，分類規(guī)則如下： （1）若c, 則輸入圖像不是人臉圖像； （2）若 則輸入圖像包含未知人臉； （3）若 則輸入圖像為庫中第k個(gè)人的人臉。 c,4.0 基于PCA算法的人臉識(shí)別目錄5.0 總結(jié) 在Opencv中使用PCA算法非常簡(jiǎn)單，只要幾條語句就可以了，這是我利用VS2010+Opencv做的人臉檢測(cè)程序。存在的問題：1.抗干擾能力較差。2.訓(xùn)練的時(shí)間較長，執(zhí)行效率不夠高。具有的優(yōu)點(diǎn)：1.不需要對(duì)圖像進(jìn)行過多的預(yù)處理，PCA本身就能實(shí)現(xiàn)降噪的功能；2. 能有效地識(shí)別人臉，且過程相對(duì)簡(jiǎn)單，主要是圖像數(shù)據(jù)的處理和矩陣的運(yùn)算；3.由于是通過低維子空間表示的，可以對(duì)圖像的數(shù)據(jù)進(jìn)行一定地壓縮，從而減少了計(jì)算量，提高運(yùn)行速度