畢業(yè)設(shè)計(jì)（論文）-基于matlab的人臉識別

1、 存檔編號 華北水利水電大學(xué)North China University of Water Resources and Electric Power 畢 業(yè) 設(shè) 計(jì)題目 基于Matlab的人臉識別學(xué) 院 信息工程學(xué)院 專 業(yè) 電子信息工程 姓 名 學(xué) 號 指導(dǎo)教師 完成時間 教務(wù)處制獨(dú)立完成與誠信聲明本人鄭重聲明：所提交的畢業(yè)設(shè)計(jì)是本人在指導(dǎo)教師的指導(dǎo)下，獨(dú)立工作所取得的成果并撰寫完成的，鄭重確認(rèn)沒有剽竊、抄襲等違反學(xué)術(shù)道德、學(xué)術(shù)標(biāo)準(zhǔn)的侵權(quán)行為。文中除已經(jīng)標(biāo)注引用的內(nèi)容外，不包含其他人或集體已經(jīng)發(fā)表或撰寫過的研究成果。對本文的研究做出重要奉獻(xiàn)的個人和集體，均已在文中作了明確的說明并表示了謝意。

2、本人完全意識到本聲明的法律后果由本人承當(dāng)。畢業(yè)設(shè)計(jì)作者簽名： 指導(dǎo)導(dǎo)師簽名： 簽字日期： 簽字日期：畢業(yè)設(shè)計(jì)版權(quán)使用授權(quán)書本人完全了解華北水利水電學(xué)院有關(guān)保管、使用畢業(yè)設(shè)計(jì)的規(guī)定。特授權(quán)華北水利水電學(xué)院可以將畢業(yè)設(shè)計(jì)的全部或局部內(nèi)容公開和編入有關(guān)數(shù)據(jù)庫提供檢索，并采用影印、縮印或掃描等復(fù)制手段復(fù)制、保存、匯編以供查閱和借閱。同意學(xué)校向國家有關(guān)部門或機(jī)構(gòu)送交畢業(yè)設(shè)計(jì)原件或復(fù)印件和電子文檔涉密的成果在解密后應(yīng)遵守此規(guī)定。畢業(yè)設(shè)計(jì)作者簽名： 導(dǎo)師簽名：簽字日期： 簽字日期：目錄中文TOC o 1-3 h u HYPERLINK l _Toc3371 摘要 = 1 * ROMAN * MERGEFOR

3、MAT I HYPERLINK l _Toc18016 英文摘要 PAGEREF _Toc18016 V HYPERLINK l _Toc487 第1章 緒論1 HYPERLINK l _Toc1421 1.1 人臉識別技術(shù)的研究背景7 HYPERLINK l _Toc21724 1.2 人臉識別技術(shù)的簡單介紹 PAGEREF _Toc21724 2 HYPERLINK l _Toc8540 1.3 人臉識別技術(shù)的廣泛應(yīng)用 PAGEREF _Toc8540 3 HYPERLINK l _Toc28931 1.4 人臉識別技術(shù)的難點(diǎn) PAGEREF _Toc28931 4 HYPERLINK l

4、 _Toc30031 第2章 人臉識別系統(tǒng)的組成及MATLAB數(shù)字圖像處理9 HYPERLINK l _Toc5783 2.1 人臉識別系統(tǒng)的組成 PAGEREF _Toc5783 6 HYPERLINK l _Toc20586 2.2 MATLAB數(shù)字圖像處理及過程10 HYPERLINK l _Toc4446 2.2.1 Matlab數(shù)字圖像處理工具箱10 HYPERLINK l _Toc27878 2.2.2 數(shù)字圖像的灰度轉(zhuǎn)換10 HYPERLINK l _Toc530 2.2.3 圖像增強(qiáng) PAGEREF _Toc530 8 HYPERLINK l _Toc627 2.2.4 數(shù)字圖

5、像的邊緣檢測 PAGEREF _Toc627 9 HYPERLINK l _Toc23572 2.2.5 數(shù)字圖像的噪聲處理 PAGEREF _Toc23572 10 HYPERLINK l _Toc12180 第3章 人臉識別的過程和方法 PAGEREF _Toc12180 11 HYPERLINK l _Toc476 3.1 人臉識別的過程 PAGEREF _Toc476 12 HYPERLINK l _Toc6878 3.2 人臉識別的方法 PAGEREF _Toc6878 12 HYPERLINK l _Toc32190 3.2.1 基于特征臉的方法 PAGEREF _Toc32190

6、 12 HYPERLINK l _Toc29467 3.2.2 基于神經(jīng)網(wǎng)絡(luò)的方法 PAGEREF _Toc29467 13 HYPERLINK l _Toc506 3.2.3 基于積分圖像分析法 PAGEREF _Toc29467 13 HYPERLINK l _Toc7285 第4章 PCA人臉識別方法 PAGEREF _Toc7285 155 HYPERLINK l _Toc2515 4.1 主成分分析法的定義16 HYPERLINK l _Toc3496 4.1.1 主成分的定義16 HYPERLINK l _Toc13508 4.1.2 主成分的性質(zhì)164.1.3 主成分?jǐn)?shù)目的選取

7、HYPERLINK l _Toc13508 16 HYPERLINK l _Toc19802 4.2 PCA算法的功能實(shí)現(xiàn)17 HYPERLINK l _Toc5819 4.2.1 人臉空間的建立174.2.2 特征向量的選取 HYPERLINK l _Toc10892 17 HYPERLINK l _Toc10892 4.2.3 人臉識別17 HYPERLINK l _Toc6441 4.3 主成分分析法的計(jì)算18 HYPERLINK l _Toc8535 4.4 特征臉?biāo)惴?0 HYPERLINK l _Toc22066 第5章 圖像的特征提取與分析22 HYPERLINK l _Toc1

8、3088 5.1 概述22 HYPERLINK l _Toc16069 5.1.1 特征提取22 HYPERLINK l _Toc13754 5.1.2 特征選擇22 HYPERLINK l _Toc16286 5.2 顏色視覺和色度圖22 HYPERLINK l _Toc25311 5.3 顏色模型23 HYPERLINK l _Toc3409 5.3.1 RGB模型 PAGEREF _Toc3409 23 HYPERLINK l _Toc5991 5.3.2 CMY模型 PAGEREF _Toc5991 24 5.3.3 HSI模型 HYPERLINK l _Toc10892 25 HYP

9、ERLINK l _Toc5065 5.4 形狀特征描述25 HYPERLINK l _Toc9013 5.4.1 像素的鄰域25 HYPERLINK l _Toc14867 5.4.2 像素的連接25 HYPERLINK l _Toc3778 5.4.3 區(qū)域內(nèi)部的空間域分析26 HYPERLINK l _Toc5792 5.5 圖形的預(yù)處理27 HYPERLINK l _Toc26821 5.5.1 膨脹與腐蝕27 HYPERLINK l _Toc28952 5.5.2 骨架化和邊緣檢測27 HYPERLINK l _Toc15557 第6章 人臉識別30 HYPERLINK l _Toc

10、18686 6.1 人臉庫的建立29 HYPERLINK l _Toc7701 6.2 采集人臉特征的多元信息30 HYPERLINK l _Toc13758 6.3 人臉的識別316.4 人臉識別的總結(jié) HYPERLINK l _Toc8535 33 HYPERLINK l _Toc14564 總 結(jié)34 HYPERLINK l _Toc8535 參考文獻(xiàn) HYPERLINK l _Toc14867 35 HYPERLINK l _Toc7099 致 謝36附錄 HYPERLINK l _Toc8535 37 TOC o 1-3 u 基于Matlab的人臉識別摘要 計(jì)算機(jī)時代的到來，給各個領(lǐng)

11、域帶來了巨大的變革，人們的生活也日益進(jìn)入到了數(shù)字編碼時代。人工智能學(xué)的開展及其廣泛的使用令圖片處理和模式識別技術(shù)已顯得尤為重要。人臉識別技術(shù)就是基于生物識別理論而開展而來的。人臉識別技術(shù)是生物識別中的典型，有著遠(yuǎn)大的開展前景，人臉識別技術(shù)已經(jīng)廣泛應(yīng)用到了涉密部門的門禁系統(tǒng)，車站、機(jī)場的安檢系統(tǒng)，智能家居防盜系統(tǒng)，國防與軍事平安部門等眾多領(lǐng)域。人臉識別技術(shù)是模式識別領(lǐng)域的一個較為先前的課題，如今已日益成熟。人臉識別技術(shù)是根據(jù)已經(jīng)建數(shù)據(jù)庫中的人臉圖像，以計(jì)算機(jī)技術(shù)為根底，從待識別的圖像中分析、提取出圖像特征并與圖像庫進(jìn)行比擬，從而到達(dá)辨識的目的。人臉識別的主要流程為：人臉圖像的獲取、人臉特征的檢測

12、、人臉特征的提取、圖形的預(yù)處理、人臉的識別及身份驗(yàn)證。本文主要使用MATLAB上數(shù)字圖像處理功能，對待識別的圖像進(jìn)行讀圖、存儲和識別。MATLAB中帶有有關(guān)數(shù)字圖像處理的應(yīng)用工具箱，可以實(shí)現(xiàn)人臉的簡單特征識別與辨識，進(jìn)而應(yīng)用到人臉識別系統(tǒng)。本文主要采用基于主元分析PCA也稱為主成分分析的人臉識別算法，抓住事物的主要方面分析，利用降維原理，進(jìn)行人臉特征的提取、辨識。最后通過真人的人臉檢測與辨識，取到一定的成果。關(guān)鍵詞： MATLAB，人臉辨識，人臉特征，主成分分析法Matlab-Based Face IdentificationAbstract The advent of the compute

13、r era has brought about great changes in all fields. Peoples lives have entered into the era of digital coding. With the development and wide application of artificial intelligence, pattern recognition technology and image processing technology are becoming more and more important.Face recognition t

14、echnology is a more previous topic in the field of pattern recognition, and it has become more and more mature. Face recognition technology is according to the established database of face images, taking technology of the computer based, in recognition of image analysis, extract image features and c

15、ompared to identify with the known image library.This paper mainly uses the MATLAB digital image processing, image recognition, image to storage, identification. MATLAB with the application of digital image processing toolbox, you can achieve a simple face recognition and identification of human fac

16、e. In this paper, based on the principal component analysis of face recognition algorithm, face feature extraction, identification. Finally, the human face detection and recognition, and achieved certain results.Key words: MATLAB, face recognition, face feature, principal component analysis 第1章 緒論 人

17、臉識別是一種基于人臉特征進(jìn)行識別的技術(shù)，在生物識別技術(shù)中已較為成熟。在眾多的領(lǐng)域中，人臉識別技術(shù)已經(jīng)得到了充分的利用，比方涉密部門的門禁系統(tǒng)，火車站、機(jī)場、地鐵等的安檢系統(tǒng)，智能家居的防盜系統(tǒng)，以及國防與軍事平安部門等等。人臉檢測人臉表征和人臉識別的根底和前提。人臉識別技術(shù)是人工智能識別領(lǐng)域中的一個重要課題，如今已經(jīng)逐漸成熟。人臉識別也是眾多研究領(lǐng)域中必不缺少的一局部，有著它舉足輕重、不可取代的地位。人臉識別是從人臉特征集合中查找并匹配出相似的臉型特征，對一張靜態(tài)圖像實(shí)現(xiàn)人臉輪廓的特征掃描以及辨識，從而獲取該圖像中的人臉特征信息。如今，人臉識別技術(shù)已經(jīng)大量應(yīng)用于視頻監(jiān)控、車站安檢、辦公門禁等系

18、統(tǒng)，它的出現(xiàn)給身份鑒別體系提供了諸多的方便。然而，人臉識別是基于生物特征來識別的，相對來說，它是一個非常復(fù)雜的過程，因?yàn)榧词故峭粋€人，在表現(xiàn)喜、怒、哀、樂等不同的面部表情時，都有著不同的臉型特征，況且當(dāng)這些特征以不同的姿態(tài)表現(xiàn)時又有所不同，這些都給人臉識別帶來了困難和麻煩。同時，拍攝角度、傾斜角度、拍攝背景、光線強(qiáng)度、圖像的尺寸大小以及是否旋轉(zhuǎn)、面部是否有遮擋物等等，也都成為了人臉識別中不可無視的干擾因素，導(dǎo)致錯誤判別。 要想更準(zhǔn)確的實(shí)現(xiàn)人臉識別，我們必須要先解決上述問題，克服種種干擾，以作出正確精準(zhǔn)的判斷。在最近十多年的研究中，研究者們對此問題，也提出了不少的解決方法，比方外表幾何特征算法

19、、內(nèi)部積分特征算法、主成分分析法等等。主成分分析法(PCA)方法是一種有效的特征提取方法,它主要基于降維原理，將含有圖像特征信息的高維矩陣通過正交變換，變換成低維的特征矩陣。這樣的正交變換，具有很高的相似度與關(guān)聯(lián)性。變換后的特征矩陣仍然具備原特征矩陣的性質(zhì)與特征，即遺傳和保存了其原有的特征信息，并且能夠克服人的姿態(tài)、面部表情和光照等因素所帶來的干擾。降維后的特征矩陣，復(fù)雜度降低，可以很方便地應(yīng)用于人工智能識別系統(tǒng)。以矩陣的形式將圖像特征點(diǎn)表示出來，這樣就把一幅圖像的模擬信息轉(zhuǎn)換成了數(shù)字信息。這個矩陣構(gòu)成了一個含有圖像信息的集合，圖像中的每個局部特征都可以通過子集表示出來。在進(jìn)行人臉識別時，也是

20、基于這樣的思想。從待檢測的人臉圖像中提取出信息構(gòu)建特征子集，然后把這些特征子集與的人臉集合進(jìn)行投影比照，以及經(jīng)過各特征點(diǎn)距離、弧度、灰暗程度等計(jì)算，這樣就可以確定出兩張圖像的相似度與相關(guān)性。人臉像我們的指紋一樣，具有著唯一性，能夠?qū)θ说纳矸葸M(jìn)行鑒定。相比指紋識別系統(tǒng)、DNA鑒定，人臉圖像的自動識別系統(tǒng)以其特有的方便性，具有更加潛在的開展空間和研究價值。對于人臉圖像識別的研究最早出現(xiàn)在國外，如今，國內(nèi)也有很多科研機(jī)構(gòu)涉足這個領(lǐng)域，并已經(jīng)取得許多較好的成果。1.1 人臉識別技術(shù)的研究背景如今的社會，逐步實(shí)現(xiàn)自動化，各個領(lǐng)域的根底技術(shù)也已經(jīng)很成熟。在新的環(huán)境、新的要求下，我們需要一個更便捷的方式來翻

21、開世界、面向世界。在各種生物識別中，人臉識別技術(shù)就是一個最正確典范。在人工智能的研究中，我們一直希望機(jī)器可以進(jìn)行識別、思考和處理事物，如同人類一樣。人類的思維機(jī)制和感知以及處理事物的機(jī)制可以從心理學(xué)、解剖學(xué)、行為感知學(xué)等等多種學(xué)科范疇來研究，還可應(yīng)用于開發(fā)創(chuàng)造，例如研制智能機(jī)器人。在這樣的背景下，人臉圖像的機(jī)器識別的研究迅速興起并開展，我們希望可以逐步地開發(fā)出一種能夠像人類一樣存儲信息、處理信息的機(jī)器識別機(jī)制，最終實(shí)現(xiàn)讓機(jī)器具有人類思維機(jī)制的目的。1.2 人臉識別技術(shù)的簡單介紹 總體來看，圖像的獲取、人臉的檢測和定位、人臉的特征提取、圖形的預(yù)處理、和人臉的識別身份查找或者身份確認(rèn)構(gòu)成了人臉識別

22、系統(tǒng)的大體流程。人臉識別系統(tǒng)集圖像采集、處理和分析等為一體?？梢钥焖俚夭杉瘓D像，并判定該圖像中是否含有人臉，以及系統(tǒng)中是否有此人臉特征的存檔。我們用含有待檢測身份的人臉圖像作為系統(tǒng)的輸入，或者用人臉數(shù)據(jù)庫中一定數(shù)量的已確定身份的人臉圖像或是他們的編碼作為系統(tǒng)的輸入，而把相似度得分作為系統(tǒng)的輸出，說明待識別的人臉的身份。1.3 人臉識別技術(shù)的廣泛應(yīng)用人臉圖像識別不僅充滿著巨大的挑戰(zhàn)性、有著其重要的的理論意義，還有許多潛在的開展空間。相比諸如眼睛虹膜、掌紋、指紋等其他驗(yàn)證身份的方法，人臉圖像識別在獲取樣本圖像時，可以不與目標(biāo)相接觸，帶來了極大的方便。而其他驗(yàn)證身份的手段，例如眼睛虹膜、掌紋、指紋等

23、，只能通過實(shí)體接觸目標(biāo)或近距離接近目標(biāo)，才能使識別條件成立，顯而易見，在很多情況下，這些檢驗(yàn)方法帶來了諸多的麻煩。 人臉識別技術(shù)可以與其他領(lǐng)域的技術(shù)相結(jié)合，以將它的功能最大化。早在20世紀(jì)，生物識別技術(shù)的研究就已經(jīng)取得了一定的開展成果，尤其是指紋識別技術(shù)，已經(jīng)占據(jù)著安檢部門的大半市場，被大家所熟知并應(yīng)用，但人臉識別技術(shù)的研究還并不成熟。只有在待檢測人的配合下，掌紋、眼睛虹膜、指紋等生物識別技術(shù)才能得到使用。另外，局部生物識別技術(shù)還需要購置昂貴設(shè)備的經(jīng)濟(jì)支持，難以廣泛的得到應(yīng)用。而人臉識別那么可以使用較為簡單、價格低廉的設(shè)備，使用 拍攝或者照相機(jī)拍攝，不需要有特殊的圖像采集設(shè)備，有著本錢低、區(qū)分

24、率高、實(shí)現(xiàn)快速、能夠普及的特點(diǎn)。此外，人臉識別還可以與紅外探測、光學(xué)探測、聲學(xué)循跡等技術(shù)相結(jié)合，讓人在毫無發(fā)覺的情況下，完成多種檢測任務(wù)。這對于公安罪犯識別、反恐活動以及人群安檢等都有著非常重要的意義?；谌四樧R別的多技術(shù)混合模式有著諸多的優(yōu)勢與廣闊的市場前景，它正一步一步面向未來，走近我們的生活。表1-1中列舉了其中局部已經(jīng)實(shí)現(xiàn)或正在完善的應(yīng)用。表1-1 人臉識別的應(yīng)用應(yīng)用優(yōu)點(diǎn)存在問題信信用卡、汽車駕照、護(hù)照以及個人身份驗(yàn)證等圖像的質(zhì)量高圖像攝取可控圖像分割可控要創(chuàng)立龐大的人臉數(shù)據(jù)庫匹配犯罪嫌疑人的照片圖像的質(zhì)量相差大多幅圖像可用潛在的巨大圖像庫 互聯(lián)網(wǎng)信息量巨大不完全真實(shí)儲蓄/銀行平安可以

25、很好地進(jìn)行監(jiān)控不能自由的分割圖像圖像的質(zhì)量較差人群監(jiān)測圖像質(zhì)量高可利用攝像圖像圖像分割自由圖像質(zhì)量低1.4 人臉識別技術(shù)的難點(diǎn)在日常生活中，我們可以輕松快速地根據(jù)人臉來分辨一個人，但是用機(jī)器進(jìn)行全自動的人臉識別依然存在諸多的難題。主要表現(xiàn)在如下幾個方面:1、人臉的表情極為豐富和復(fù)雜，人臉上布滿了五十多塊面部肌肉，肌肉的運(yùn)動可以使得人臉出現(xiàn)各種各樣的面部表情，導(dǎo)致其多樣變化。當(dāng)人的面部出現(xiàn)了多樣的表情時，人臉的特征也會發(fā)生改變。同時，這些變化還具有不穩(wěn)定性、無規(guī)律性和多樣性。2、隨著我們年齡的增長，皺紋慢慢的出現(xiàn)，五官難免也有些微的變化，面部肌肉也會變的松弛，這些都改變了人臉的結(jié)構(gòu)和紋理，間接增

26、加了人臉識別的難度。3、眼鏡、帽子、頭飾、胡須、頭發(fā)等附加物或飾物，會導(dǎo)致人臉特征遮掩，人臉全部或局部的遮掩都可能造成錯誤的識別。4、人臉圖像的畸變，比方光線的強(qiáng)弱、人臉攝取角度的不同、傾斜程度的不同、曝光程度的不同等等，都可能導(dǎo)致圖像的灰度，進(jìn)而造成人臉特征的不同。5、圖像拍攝誤差的引入，拍攝時因光照、背景、圖像的尺寸、圖像是否旋轉(zhuǎn)、周邊環(huán)境等因素的影響都會得到不同的圖像，造成干擾。6、一些女性酷愛化裝，妝容會改變?nèi)四樀奈骞?、皮膚和發(fā)式，一些女性素顏和濃妝比照時，容貌相差巨大，甚至即便是身邊熟悉的人，也難以看出是同一個人。第2章 人臉識別系統(tǒng)的組成及MATLAB數(shù)字圖像處理2.1 人臉識別系

27、統(tǒng)的組成人臉識別技術(shù)是眾多生物識別技術(shù)中的典范。如同人體的DNA、指紋等生物特征，這些特征都有著自己的特點(diǎn)，可以作為“身份證來標(biāo)記或辨識某個個體。一般來講，人臉識別系統(tǒng)主要由以下幾個局部組成，如圖2-1所示。 預(yù)處理特征提取分類識別人臉檢測人臉庫圖2-1 人臉識別系統(tǒng)框架1、人臉圖像的獲取本文主要使用兩種方法來獲取人臉圖像。第一種方法使用數(shù)碼照相機(jī)來采集圖像信息，并使用MATLAB圖像處理工具箱來獲取數(shù)字圖像，此種方法簡單、便捷，是最為常用的一種獲取人臉的方法。第二種方法那么直接調(diào)用MATLAB視頻工具箱函數(shù)，通過調(diào)用與控制安裝在電腦上的攝像頭或者安裝在監(jiān)控區(qū)域的攝像頭，來實(shí)現(xiàn)人臉圖像的獲取。

28、2、人臉特征的檢測 人臉特征的檢測是從的靜態(tài)圖像中，或者從計(jì)算機(jī)讀取的視頻中所截取的靜態(tài)圖像中，基于人臉特征算法，判斷該靜態(tài)圖像中是否存在具有人臉特征的圖像。假設(shè)在待檢測的靜態(tài)圖像中已經(jīng)檢測出具有人臉特征的圖像，再調(diào)用邊緣算法，將所識別出的具有人臉特征的圖像或部位圈出，即把人臉從它的背景中別離出來，并進(jìn)行定位。3、人臉特征的提取通過人臉圖像的獲取與人臉特征的檢測這兩個過程，可以根據(jù)邊緣檢測算法對已獲得的人臉特征數(shù)據(jù)眼睛、鼻子、嘴巴、眉毛等進(jìn)行坐標(biāo)標(biāo)定與數(shù)字編碼，成為具有人臉數(shù)據(jù)特征的總集合。這些特征包含局部特征和整體特征。從總集合中能夠提取人臉特征，并形成獨(dú)立的人臉特征子集。在特征提取前，要先

29、對其進(jìn)行幾何歸一化以及灰度歸一化處理。所謂幾何歸一化是指，以人臉定位的結(jié)果為依據(jù)，對畫面中的人臉進(jìn)行移動和放縮，使待測的人臉圖像和人臉數(shù)據(jù)庫中的人臉圖像有相同的大小和位置，以便于比對。所謂灰度歸一化，是指對圖像補(bǔ)償一定的光照，目的是減小光線強(qiáng)弱的改變所帶來的誤差干擾，使辨識的精準(zhǔn)度提高。4、人臉特征的識別人臉特征的識別與身份標(biāo)識Face Identification,簡稱人臉識別問題。在經(jīng)過人臉圖像的獲取、特征的檢測以及特征的提取等過程后，就可以創(chuàng)立自己獨(dú)有的人臉識別的總集合。包含于總集合中的每個子集都具備獨(dú)立的特征以及相應(yīng)的數(shù)字編碼，提取出待檢測的人臉特征之后，即可進(jìn)行人臉的特征匹配與識別，

30、并計(jì)算相似度得分，并將相似度得分由大到小進(jìn)行排序，確定待測圖像是圖像庫中的“誰，便可以實(shí)現(xiàn)在安防、安檢、公安、國防等部門的“身份標(biāo)識功能。它包含兩種識別：第一種識別是假定系統(tǒng)輸入的人臉在人臉庫中存在，稱為閉集人臉識別。第二種是不確定輸入的人臉在人臉庫中是否存在，要先進(jìn)行判斷，稱為開集人臉識別。5、比照人臉圖像的身份驗(yàn)證比照人臉圖像的身份驗(yàn)證Face Verification，簡稱人臉確認(rèn)問題Face Verification。我們在將待檢測的人臉圖像輸入到系統(tǒng)中時，還要將該用戶自稱的身份信息也輸入到系統(tǒng)中，來判定系統(tǒng)檢驗(yàn)出的身份與該用戶自稱的身份是否一致，身份是否屬實(shí)。在自動人臉識別系統(tǒng)中，最

31、重要的兩個過程就是人臉特征的檢測和人臉特征的識別。隨著當(dāng)今社會科技的不斷進(jìn)步，生物技術(shù)日益成熟，人臉特征的識別與身份標(biāo)識技術(shù)也漸漸走在了生物識別技術(shù)的前列。 MATLAB數(shù)字圖像處理及過程2.2.1 Matlab數(shù)字圖像處理工具箱Matlab數(shù)字圖像處理工具箱中包括顯示圖像、讀取圖像、存儲圖像文件、截取動態(tài)圖像、輸入圖像、輸出圖像、統(tǒng)計(jì)圖像像素值、對圖像進(jìn)行幾何運(yùn)算等多種應(yīng)用函數(shù)。具有高效、強(qiáng)大的矩陣和數(shù)組運(yùn)算功能、程序書寫形式自由、語言緊湊簡潔的優(yōu)點(diǎn)。數(shù)字圖像處理中，讀取和顯示圖像可以通過imread()和imshow()來實(shí)現(xiàn)，圖像的裁剪用imcrop來實(shí)現(xiàn)，圖像的旋轉(zhuǎn)用imrotate來

32、實(shí)現(xiàn)，圖像的縮放用imrisize來實(shí)現(xiàn)。處理過的圖像也可以即時保存到本地文件夾中，以實(shí)現(xiàn)快速的人機(jī)交互。2.2.2 數(shù)字圖像的灰度轉(zhuǎn)換MATLAB在進(jìn)行數(shù)字圖像的讀取時，支持多種圖像格式，如png、mbp、jpg。本文主要應(yīng)用的是MATLAB2021a進(jìn)行數(shù)字圖像采集。因直接采集到的圖像信息是三維RGB的真彩數(shù)字圖像，需要將其裝換成二維的灰度數(shù)字圖像，這樣才能方便后續(xù)數(shù)字圖像中的增強(qiáng)、邊緣檢測與人臉特征提取等處理。轉(zhuǎn)換例如如下：I=imread(path) I1= im2bw(I, graythresh(I)其中，graythresh表示尋找圖片一個恰當(dāng)?shù)拈撝担言撻撝底鳛閷⒄娌蕡D像轉(zhuǎn)換為二

33、維圖像的標(biāo)準(zhǔn)。im2bw表示將三維的真彩圖像轉(zhuǎn)換為二維的數(shù)字圖像。 圖2-2 灰度轉(zhuǎn)換.3 圖像增強(qiáng)從具有真彩特點(diǎn)的RGB原圖到轉(zhuǎn)換到簡單的二維灰度圖像，增加了圖像的模糊性，圖像的清晰度有所降低，大大影響了人眼的視覺效果。而圖像增強(qiáng)的過程就是為了解決這一不良影響，改善數(shù)字圖像的清晰度，降低模糊性，給人眼一個良好的視覺感，以便于實(shí)現(xiàn)數(shù)字圖像的處理與辨識；另外圖像增強(qiáng)對于已經(jīng)破壞圖像像素或失真的圖像可以實(shí)現(xiàn)圖像的簡單修復(fù)并重現(xiàn)圖像。圖像增強(qiáng)的方法有兩種：頻域法和空域法。頻域法的操作對象是圖像的整體，在變換域內(nèi)，對變換后的系數(shù)作出修改，再進(jìn)行反變換。而空域法操作的對象是圖像的像素點(diǎn)，主要有空域?yàn)V波增

34、強(qiáng)和灰度變換增強(qiáng)等等。2.2.4 數(shù)字圖像的邊緣檢測人臉識別是建立在數(shù)字圖像特征根底之上的，人臉圖像特征是進(jìn)行人臉識別的一個重要組成元素。而數(shù)字圖像的邊緣檢測那么是人臉特征獲取中應(yīng)用最廣泛的一種方法，也是進(jìn)行一些圖像分析方法比方區(qū)域形狀提取、目標(biāo)區(qū)域識別以及圖像分割的前提工作。目標(biāo)的邊緣是不同區(qū)域的分界。數(shù)字圖像的邊緣檢測是待檢測圖像局部特征顯著變化的結(jié)果，即待檢測圖像局部的灰度變化、亮度程度、色彩飽和度、特征間隔點(diǎn)突變、圖像紋理結(jié)構(gòu)跳躍等等，可以為每個區(qū)域建立獨(dú)有的特征邊界，具有邊界清晰的特點(diǎn)。這對于數(shù)字圖像的特征提取、特征檢測、特征識別等都具有著重要的作用。邊緣檢測算子的功能是對各個像素的

35、鄰域進(jìn)行檢查，并量化它的灰度變化率，確定它的方向。本文采用常用的Prewitt算子,Sobel算子,Log算子，Roberts算子等。如圖2-2所示。 圖2-2 算子法邊緣檢測 MATLAB2021a數(shù)字圖像處理工具箱中給出的edge()函數(shù)可以對待檢測圖像進(jìn)行邊緣檢測，相應(yīng)的算法有Roberts算子法、Sobel算子法、Log算子、Prewitt算子法等。在進(jìn)行圖像邊緣檢測時，首先要計(jì)算各個像素的梯度變量，再計(jì)算它的絕對值，然后進(jìn)行閾值操作即可。Roberts算子、Prewitt算子、Sobel算子都是利用了此原理。各算子法的檢測結(jié)果如圖2-2所示。2.2.5 數(shù)字圖像的噪聲處理 在數(shù)字圖像

36、處理的過程中，會不可防止的引入我們不想要的信息，這些信息使圖像清晰度降低、使圖像變得模糊，這些不想要的信息就是圖像數(shù)字噪聲，是一種沒有規(guī)律的隨機(jī)信號源。數(shù)字圖像作為一種光電信息，噪聲來源有很多，常見的有數(shù)碼攝像機(jī)的鏡頭污染、拍攝場地的環(huán)境噪聲、照片的顆粒噪聲、光道傳輸噪聲、光電換能器的誤差、天氣的變化、脈沖干擾噪聲、電磁風(fēng)暴等等，這些都會對數(shù)字圖像造成干擾，尤其是脈沖干擾噪聲、光道傳輸噪聲嚴(yán)重影響了數(shù)字圖像的質(zhì)量，對后期的圖像處理與辨識帶來了困難，甚至?xí)蜎]圖像的特征。MATLAB數(shù)字圖像處理中常用的噪聲有顆粒噪聲、泊松噪聲和高斯噪聲等。J=imnoise(I,type)J=imnoise(I

37、,type,parameters) 圖2-3 噪聲引入數(shù)字圖像噪聲的存在對后期的圖像處理與辨識帶來了困難。我們需要將這些無用的噪聲信息濾除。而常見的去噪方法有線性平滑濾波器法和鄰域平均值法，這兩種方法都可以到達(dá)不錯的結(jié)果。線性平滑濾波器法是基于數(shù)字圖像特征卷積的思想，在對有噪聲污染的圖像四周進(jìn)行采點(diǎn)卷積，進(jìn)而平滑的濾掉那些特征變化大的數(shù)字點(diǎn)，到達(dá)去噪的目的。鄰域平均法采用中心點(diǎn)向四周尋特征點(diǎn)的思想，通過四鄰域或八鄰域圖像特征計(jì)算出特征平均值，再以特征平均值為參考特征，對周圍突變特征進(jìn)行過濾。鄰域平均法具有計(jì)算速度快、算法簡單易懂的優(yōu)點(diǎn)，缺點(diǎn)是使邊界變得模糊。圖2-4 噪聲處理第3章 人臉識別的

38、過程和方法3.1 人臉識別的過程人臉識別是一個相對復(fù)雜的過程，概略地分,包括人臉特征提取、人臉邊緣檢測、備用人臉集查找與匹配等過程。第一步，需要建立人臉特征集。我們翻開一張圖像或應(yīng)用數(shù)碼設(shè)備即時采集一張圖像時，要判斷出該圖像中是否具有人臉特征，并進(jìn)一步判斷圖像中是否存在人臉。這就需要我們建立人臉特征集。簡單地講，人臉的面部特征即眼睛、鼻子、嘴巴等器官的形狀大小，以及它們的位置關(guān)系。在MATLAB中，我們可以表示出這些器官的特點(diǎn)，如1代表眼睛大、0代表眼睛小。當(dāng)然，矩陣的維度也決定著人臉特征提取的精度。第二步，識別人臉特征。人臉特征集已經(jīng)建立，就可以進(jìn)行人臉特征的提取與識別。調(diào)用MATLAB圖像

39、處理函數(shù)，根據(jù)的人臉特征集，對待檢測圖像進(jìn)行人臉特征檢測，并用紅色圈或紅色框標(biāo)識出來。第三步，多種姿態(tài)的人臉采集與身份辨識。假設(shè)想實(shí)現(xiàn)最終的人臉識別與身份辨識，我們還需要建立一個自己的人臉特征總集。這個總集中包含同一個人不同姿態(tài)的人臉特征，即集合子集，不同姿態(tài)人臉特征子集越多，后期的人臉識別成功率就會越高。身份辨識也會獲得很大的成功。根本上，人臉識別都具有這些步驟。這些就是人臉識別的根底，只有將這些步驟做的更細(xì)更精密，人臉識別的結(jié)果才會更好。3.2 人臉識別的方法 人臉識別的算法大體分為兩種，第一種是基于人臉圖像的全局特征Holistic Approaches，關(guān)注圖像的整體屬性，對人臉圖像的

40、全局特征信息進(jìn)行編碼與分類，特征統(tǒng)計(jì)法、神經(jīng)網(wǎng)絡(luò)預(yù)測法等方法就是應(yīng)用此算法的典型。第二種是基于人臉圖像的局部特征Feature-Based Approaches，對人臉的鼻子、眉毛、眼睛、嘴巴等器官進(jìn)行特征提取與建模，提取人臉圖像局部點(diǎn)之間的間距、弧度、曲線等特征，并將這些特征存儲到多維矩陣中。3.2.1 基于特征臉的方法特征臉方法eigenface是一種基于主元分析PCA思想的人臉辨識方法，根據(jù)人臉特征矩陣集，建立特征臉模型即主元。人臉識別時，將待檢測圖像數(shù)字化并編碼存儲到新的矩陣中，然后與的人臉特征集進(jìn)行匹配比擬，識別效果較好。特征臉方法過程簡單、便于實(shí)現(xiàn)，將人臉一體化，防止了局部特征處理

41、的復(fù)雜性，但與此同時，特征臉方法忽略了人臉存在的個體差異，理論并沒有很完善，這也帶來了一定的識別困難。3.2.2 基于神經(jīng)網(wǎng)絡(luò)的方法人臉識別的神經(jīng)網(wǎng)絡(luò)歷史很長，最初用于人臉的“回憶，即當(dāng)輸入的人臉圖像局部缺損或受噪聲污染時，可以完整的恢復(fù)出原來的人臉?，F(xiàn)在的人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)應(yīng)用到了很多領(lǐng)域，有智能控制、人工智能、信息預(yù)測、語音識別、種族識別、性別識別等方面。人工神經(jīng)網(wǎng)絡(luò)就如同人工建立的“大腦，具有自主學(xué)習(xí)、未來預(yù)測、錯誤修正、組合優(yōu)化等功能。此外，神經(jīng)網(wǎng)絡(luò)具有處理信息速度快的優(yōu)點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)是有大量的人工神經(jīng)元相互連接組成的特征“神經(jīng)節(jié)，在人臉特征識別應(yīng)用上主要分為兩個階段。第一個階段是

42、學(xué)習(xí)階段，對人臉圖像特征集合進(jìn)行學(xué)習(xí)并“記憶，同時在學(xué)習(xí)階段對于含有噪聲污染的圖像特征點(diǎn)的各個權(quán)值，可以通過學(xué)習(xí)進(jìn)行修改與去噪。第二個階段是工作階段，將記憶“中的特征與待檢測圖像的人臉特征進(jìn)行匹配與識別。3.2.3 基于積分圖像分析法積分圖像是對圖像進(jìn)行微積分處理后所得到的曲線圖形。就是對人臉的特征點(diǎn)進(jìn)行局部微積分，即實(shí)現(xiàn)小范圍區(qū)域的特征點(diǎn)相加，這是人臉圖像特征檢測與識別常用的算法。對于一幅二維的灰度圖像，某特征點(diǎn)的積分圖像是從該圖像的左上角到該特征點(diǎn)的矩形范圍內(nèi)所有的特征點(diǎn)的灰度值之和。檢測效率高、速度快是基于積分圖像分析法的優(yōu)點(diǎn)。表3-1 各方法優(yōu)缺點(diǎn)檢測方法優(yōu)點(diǎn)缺點(diǎn)與需要改良的地方特征臉

43、法標(biāo)準(zhǔn)人臉模板能抽象人臉全部信息，運(yùn)算不涉及迭代，消耗時間短單模板檢測效率低，多模板提高了效率也增加了檢測時間神經(jīng)網(wǎng)絡(luò)法檢測效率高，錯誤報警數(shù)目不多，訓(xùn)練成熟的網(wǎng)絡(luò)監(jiān)測速度快多樣本訓(xùn)練消耗時間多，但網(wǎng)絡(luò)監(jiān)測錯誤報警數(shù)目多基于積分圖像分析法檢測速度快，根本滿足實(shí)時檢測要求，檢測效率可以與神經(jīng)網(wǎng)絡(luò)法比擬錯誤報警數(shù)目少時，檢測率不高第4章 PCA人臉識別方法4.1 主成分分析法在實(shí)際研究問題時，全面、系統(tǒng)的考慮眾多因素，可以幫助我們更好的分析問題。但在多元問題的研究統(tǒng)計(jì)中，過多的變量會增大分析問題的復(fù)雜性，以及繁重的計(jì)算量，并且每個變量都是研究目標(biāo)的某種表征和反映，各個變量彼此之間具有一定的相關(guān)性，

44、因此它們所包含的信息在一定程度上是有重合的，在進(jìn)行.so /doc/1357633-1435269.html t :/baike.so /doc/_blank 定量分析時，我們希望可以用較少的變量，來表示較多的信息，以提高檢測效率。主成分分析法便是基于這種原理的一種數(shù)學(xué)變換方法。主成分分析principal component analysis，簡稱PCA,也被稱作主分量分析或主元分析，主要基于降維原理，將含有圖像特征信息的高維矩陣通過正交變換，變換成低維的特征矩陣。這樣的正交變換，具有很高的相似度與關(guān)聯(lián)性。變換后的特征矩陣仍然具備原特征矩陣的性質(zhì)與特征，即遺傳與保持了原有特征信息。降維后的特

45、征矩陣，復(fù)雜度降低，可以很方便地應(yīng)用于人工智能識別。點(diǎn)構(gòu)成線，線構(gòu)成面。同樣的道理，一幅圖像也是由許多的像素點(diǎn)構(gòu)成的，這些像素點(diǎn)可以根據(jù)計(jì)算機(jī)或數(shù)碼設(shè)備的字長有255種或更多種的色彩值。以矩陣的形式將這些像素點(diǎn)表示出來，這樣一幅圖像的模擬信息就轉(zhuǎn)換成了數(shù)字信息。這個矩陣構(gòu)成了一個含有圖像信息的集合，圖像中的每個局部特征都可以通過子集表示出來。人臉識別時，也是基于這樣的思想。從待檢測的人臉圖像中提取信息構(gòu)建特征子集，再將這些子集與人臉集合進(jìn)行投影比照，以及經(jīng)過各特征點(diǎn)距離、弧度、灰暗程度等的計(jì)算，這樣就可以確定出兩張圖像的相似度與相關(guān)性。人臉識別圖像特征提取時，會出現(xiàn)多個特征點(diǎn)相似程度或關(guān)聯(lián)程度

46、高的特點(diǎn)，這樣就難以分割形成獨(dú)立的特征子集。這樣就需要舍棄一些特征，以主成分為主要特征描述那些分不清、模糊的特征。于是尋找主成分點(diǎn)就成為了我們分析中的重點(diǎn)，一張圖像中要求主成分能夠反響圖像的特征，凸顯圖像的不同之處，并且是各個特征點(diǎn)變化較大的一個。圖像中選擇主成分點(diǎn)的成功與否將極大的影響我們的特征提取與后期的特征辨識。4.1.1 主成分的定義 設(shè)有隨機(jī)圖像特征向量Y1，Y2，Yn， 其對應(yīng)的樣本均值為Q11，Q12，Q1n。尋找主成分，我們應(yīng)用以下式子：(1)假設(shè)P1=Q11*Y1+Q11*Y2+ +Q1n*Yn，并且可令P1的均值值最大，那么稱P1為第一主成分。 (2)假設(shè)P2=Q21*Y1

47、+Q21*Y2+Q2n*Yn，其中(Q21，Q22，Q2n)垂直于(Q11，Q12，Q1n)，并且可令P2的均值值最大，那么稱P2為第二主成分。 (3)以此類推，我們可以得到n個主成分。 4.1.2 主成分的性質(zhì) 主成分P1，P2，Pn的根本性質(zhì)如下： 1主成分間不具有相關(guān)性，即任意兩個主成分之間的相關(guān)系數(shù)為零 Corr(Pi，Pj)=0 i,j任意 (2) 各主成分的方差逐漸減小 Var(P1)Var(P2)Var(Pn) (3) 總方差不增不減， 即 Var(P1)+Var(P2)+ +Var(Pn) =Var(x1)+Var(x2)+ +Var(xp) =p 即主成分只是對原變量進(jìn)行線性

48、組合改組，不改變原來的總信息量。 4.1.3 主成分?jǐn)?shù)目的選取 實(shí)際過程中，主成分的選取也有一定的規(guī)律。從n個圖像特征向量中就可以選取n個主成分。在這個計(jì)算過程中，總的方差并沒有發(fā)生變化，但前面幾個主成分的方差變化較大，在數(shù)據(jù)隊(duì)尾的主成分方差變化那么較小。根據(jù)主成分具有標(biāo)識圖像特征、凸顯特征變化的特點(diǎn)，我們選取數(shù)據(jù)隊(duì)首的幾個特征點(diǎn)為主成分，數(shù)據(jù)隊(duì)尾的假設(shè)干特征點(diǎn)那么為輔助主成分或次主要成分。所以在分析中，我們總是保存前面的主要成分，忽略后面的次要成分。主成分選取的個數(shù)取決于變化方差特征點(diǎn)占總特征點(diǎn)的比例，既不能過多，也不能過少，恰當(dāng)?shù)姆从吵鰣D像的特征就是最正確的主成分?jǐn)?shù)目。4.2 PCA算法的

49、功能實(shí)現(xiàn)4.2.1 人臉空間的建立 構(gòu)成圖像的根本單位是像素，一幅圖像的清晰程度、色彩程度、視覺感程度等完全取決于像素的大小。如果一幅圖像含有n*n個像素點(diǎn)，那么它完全可以通過一個n維列向量表示出來。這幅圖像中的每個特征點(diǎn)就可以以P(i,j)的形式表示出來，i、j是0到n的自然數(shù)。這些隨機(jī)特征點(diǎn)的協(xié)方差正交變換向量就是含有人臉特征的根本特征空間，我們稱之為特征臉。通過特征空間子集映射也可凸顯圖像特征，待檢測圖像子空間的匹配映射，可以描述出不同圖像特征子空間的相似程度與相關(guān)性。4.2.2 特征向量的選取圖像特征協(xié)方差矩陣的非奇異特征解有M個，這個值遠(yuǎn)小于n個，與之對應(yīng)的有M個特征向量。實(shí)際情況下

50、，M會趨向于n，這并不利于特征子空間的投影運(yùn)算。特征向量的解越多，投影運(yùn)算的復(fù)雜程度越大，它們之間具有一定的正相關(guān)性。而且并非所有的特征向量對特征子空間的投影都有價值。所以，我們可以適當(dāng)?shù)娜サ粢恍┨卣髯涌臻g，這樣既不會對后期特征識別的投影運(yùn)算帶來誤差，而且一定程度上還能提高運(yùn)算效率，減少運(yùn)算時間，提高辨識性能。4.2.3 人臉識別通過降維原理，得到了一個含有人臉特征的降維集合，這個集合反映著原圖像的最根底的特征。這些特征被記錄在二維矩陣空間之中，這也成為了后期人臉辨識的一個憑據(jù)。采用投影映射匹配思想，可以將待檢測圖像的特征與人臉的特征集合聯(lián)系起來。人臉特征子集是辨識過程中的基準(zhǔn)，待檢測圖像要與

51、基準(zhǔn)圖像有一定的相關(guān)性或相似度才可以通過識別。對已經(jīng)確認(rèn)為人臉特征的子空間可以作為新的基準(zhǔn)，自主學(xué)習(xí)與辨識下一個特征集。待檢測圖像經(jīng)過投影映射時，對于人臉空間與非人臉空間有著不同的變化，而這些變化在非人臉空間控表達(dá)的較為明顯一些。因此，區(qū)分待檢測圖像中是否含有人臉特征的核心是該圖像任意子空間處的特征點(diǎn)與人臉空間特征點(diǎn)的距離。這也是檢測一張圖像是否含有人臉的判別數(shù)，通常用表示，任意給出圖像上的一點(diǎn)x,y，就可以得到對應(yīng)的x,y。 圖4-1 圖4-24.3 主成分分析法的計(jì)算 主成分分析即主元分析算法是統(tǒng)計(jì)學(xué)理論應(yīng)用于數(shù)據(jù)分析與研究中的一種常用方法。它的根本思想是數(shù)學(xué)上的降維理論，通過中間變換矩陣

52、，將一個含有人臉特征的高維數(shù)據(jù)空間降維成低維的特征矩陣，這樣可以更方便投影映射運(yùn)算與特征辨識。 一幅像素為n*n的圖像，可以通過列向量的形式表示出來。我們假定一個人臉特征集合中有v幅圖像，那么這v個特征列向量就可以構(gòu)成一個n*n*v維矩陣X。那么人臉特征集合散布矩陣為： 4-1為對稱陣，可做如下分解： 4-2經(jīng)過降維處理、協(xié)方差運(yùn)算，降低了特征子集之間的相關(guān)性。圖像特征協(xié)方差矩陣的非奇異特征解有M個，這個值遠(yuǎn)小于n個，與之對應(yīng)的有M個特征向量。選取前邊的M個特征向量即其對應(yīng)特征值是較大的特征向量，我們稱之為主成分。標(biāo)識該主成分矩陣為，那么經(jīng)過投影映射可得： 4-3人臉特征降維空間中前M個特征最

53、能表達(dá)圖像的真實(shí)特征，而排在數(shù)據(jù)隊(duì)尾的特征對人臉識別的奉獻(xiàn)很小，可以舍去。這樣在人臉識別時，就可以采用這種只含有前M個特征的子空間進(jìn)行投影映射得到映射坐標(biāo)，并進(jìn)一步鄰域化處理與人臉集進(jìn)行匹配，與之相似度或相關(guān)性最高的即為人臉識別的結(jié)果。定理：設(shè)B是一個秩為r的nr維矩陣，那么存在兩個正交矩陣使得： 4-4 4-5 以及對角陣 4-6且 4-7滿足 4-8其中： 為矩陣和的非零特征值，和分別為和對應(yīng)于的特征向量。推論 ： 4-9可構(gòu)造矩陣，并計(jì)算出此矩陣的特征向量和特征值，由上述推論，即可得到所需的特征值和特征向量。從人臉特征的集合空間中提取人臉局部特征構(gòu)成識別特征的子空間，這樣的子空間是一個降

54、維的子空間。人臉的所有特征都可以通過投影運(yùn)算在這個子空間里找到相對應(yīng)的位置，從而得到一組記錄人臉特征的二維數(shù)組。就如同線性代數(shù)中的數(shù)列組合，任何一張圖像都可以表示成這個人臉特征子空間的線性組合。 4.4 特征臉方法特征臉方法是基于主成分分析法的一種人臉特征掃描與記憶技術(shù)。主元分析法其實(shí)就是K-L展開進(jìn)行遞推運(yùn)算得到的。K-L變換是人臉特征提取中最常用到的一種方法。它也是進(jìn)行圖像壓縮處理時的一種最優(yōu)變換算法，K-L展開變換運(yùn)算得到的是一個人臉特征總集合散布陣。這樣就將原特征陣轉(zhuǎn)換成了一個隨機(jī)變換陣。而特征臉?biāo)惴ㄕ腔谌四槇D像隨機(jī)特征陣經(jīng)過正交變換的方法，經(jīng)過上述計(jì)算得到的特征矩陣的最大特征值的

55、特征向量與人臉特征有較好的匹配。這樣的特征向量能較好的反映出人臉的形狀特征，稱之為特征臉Eigenface。這些特征臉可以組成一個最大線性無關(guān)組，應(yīng)用這些線性最大無關(guān)組的線性組合，可以很好的描述、表達(dá)人臉的圖像特征，因此可以用來識別人臉、合成人臉。人臉識別過程也是將待檢測圖像投影映射到特征臉子空間集上，再進(jìn)行各特征點(diǎn)的位置與關(guān)系比擬，它的具體操作過程如下： 1、建立備用的人臉特征集合，尋找人臉空間的特征臉子空間。 2、讀取或拍攝即時人臉圖像，通過投影映射到特征臉子空間上，獲得其對應(yīng)位置坐標(biāo)與相關(guān)度。 3、調(diào)用人臉檢測算法，判斷待檢測圖像中是否含有人臉的特征。4、與人臉特征集合空間進(jìn)行匹配比照，

56、確定待檢測圖像的人臉身份信息。5、假設(shè)人臉特征集合空間沒有與之匹配的特征臉，那么調(diào)用神經(jīng)網(wǎng)絡(luò)算法，進(jìn)行自主學(xué)習(xí)并記憶新的人臉圖像。人臉識別是人工智能模式識別系統(tǒng)中的一種，任何一個人工智能模式識別系統(tǒng)完成完整的識別功能都需要有兩個步驟，第一個步驟是特征學(xué)習(xí)與訓(xùn)練training process，第二步驟那么是識別應(yīng)用與測試(testing process)?；谥鞒煞址治鏊惴ǖ娜四樧R別系統(tǒng)也含有這兩個步驟。假設(shè)在特征學(xué)習(xí)與訓(xùn)練這個過程中，數(shù)據(jù)集里有L個人，每個人對應(yīng)著H種姿態(tài)的人臉圖像，每幅圖像規(guī)定大小為j*j格式的，那么可以得到的學(xué)習(xí)與訓(xùn)練空間大小為L*H*j*j。從人臉特征子空間中選擇便于分

57、割子空間特征邊界的過程稱為特征選擇。這樣的選擇是一個局部濾波處理的過程，經(jīng)過特征選擇后，人臉特征矩陣的維數(shù)得到進(jìn)一步的壓縮，即到達(dá)了降維的目的，它的復(fù)雜度也進(jìn)一步降低。特征選擇也具有一定的要求。模式特征可以分為物理的、結(jié)構(gòu)的和數(shù)字的三大類。本文中所應(yīng)用到的人臉識別特征主要有樣本均值、協(xié)方差、方差、特征向量、二階矩、歐幾里得距離等等。特征臉?biāo)惴ň哂杏?jì)算快速、設(shè)計(jì)簡單、不需要人臉的幾何和反射知識等諸多優(yōu)點(diǎn)。第5章 圖像的特征提取與分析5.1 概述 圖像的特征提取是人臉識別的前提根底，是人臉識別成功與否的重要因素。它是數(shù)字圖像處理過程中的一個簡單初級的運(yùn)算。具體做法為：采用逐點(diǎn)查尋算法，檢查每一個特

58、征像素及其八鄰域特征像素是否相同，是否表示一種特征。一般來說，特征提取是在圖像增強(qiáng)后的過程，它的運(yùn)算區(qū)域?yàn)槿四樚卣鲄^(qū)域。5.1.1 特征提取 圖像的特征提取的目的是計(jì)算機(jī)學(xué)習(xí)并記憶圖像的特征，使計(jì)算機(jī)具有檢測與識別圖像的能力。特征選擇是這個過程中的首要問題。快速尋找出某個最有效的圖像特征，使這個圖像特征能夠表現(xiàn)出圖像信息，能夠獨(dú)立標(biāo)識這幅圖像，這就是特征選擇和提取的最根本的任務(wù)。獲得一組特征向量后，該特征向量很有可能是一個高維復(fù)雜的特征矩陣空間，這時需要經(jīng)過投影映射降維得到相對簡單的特征矩陣空間，這樣的過程叫做特征提取。5.1.2 特征選擇 從已經(jīng)提取的特征空間里選擇出有效的、可靠性高的、不相

59、關(guān)的、可以表示圖像信息的少數(shù)特征子空間的過程叫做特征選擇。這些特征信息可以是圖像灰度、角、曲線、區(qū)域、邊緣、脊等。角是圖像中類似點(diǎn)的區(qū)域像素；邊緣是兩特征子空間區(qū)域的邊界像素；脊那么為圖像中類似長條的區(qū)域像素。5.2 顏色視覺和色度圖 世界是彩色的，這個彩色其實(shí)是光反射的結(jié)果。顏色的產(chǎn)生是一個很復(fù)雜的過程，它需要光的反射、人眼的反射、大腦的記憶與辨識。人的眼睛感受到的顏色取決于光照射到物體上的反射光譜特性。如果物體吸收了光而沒有發(fā)生光反射，那么我們看到的是黑色。同理，如果我們看到物體是紅色的，是因?yàn)槠渌庾V讓物體吸收掉了，而只有紅色光譜反射到了我們的眼睛里。 三基色RGB是組成眾多顏色的根底，

60、包含著紅、綠、藍(lán)三種顏色。其他顏色都可以通過三基色組合表現(xiàn)出來。反過來，單色光也可以分解成三基色的組合。我們的眼睛對這三種顏色最為敏感。三基色原理是光學(xué)中最根底的原理，有三基色的相加減運(yùn)算可以得到不同的混合顏色?？筛鶕?jù)需要進(jìn)行基色相加或相減調(diào)配顏色，如下所示為三基色的配色方程： 方程中C1、C2、C3為三基色，a、b、c那么為比例系數(shù)。5.3 顏色模型 RGB模型 RGB模型是基于三基色疊加原理而形成不同顏色的算法，這種模型廣泛應(yīng)用于數(shù)字成像、風(fēng)景拍攝、視頻錄制以及圖影顯示等過程中，因其具有獨(dú)好的真彩效果與視覺效果，RGB模型逐漸成為圖像領(lǐng)域的主流。RGB模型如圖5-1所示。 圖5-1 三基色