人脸识别课程设计论文完美版Word格式文档下载.docx
《人脸识别课程设计论文完美版Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《人脸识别课程设计论文完美版Word格式文档下载.docx（24页珍藏版）》请在冰点文库上搜索。
人脸识别技术作为生物识别技术一种，以其特有稳足性、方便性、唯一性等特点被愈来愈多地应用于除安全问题外各种身份识别领域。
人脸识别技术可应用于以下方面：
社会上有许多重要部门，如军事、金融、保密等部门都需要对出入人员进行身份识别，以防止信息泄漏与不法现象发生。
使用该技术可以方便地进行身份识别，而不使被识别者感到不舒服。
在刑侦工作中，对罪犯抓捕是至关重要一环。
应用人脸识别技术可以依据犯罪嫌疑人人脸图像对机场、车站、港口等重要交通场所进行监控，从而大大促进了罪犯抓捕工作开展。
3.在公共事业领域中应用
在现代社会，许多领域都需要对人进行身份验证。
如银行、保险、交通等公共事业部门。
采用传统密码、IC卡等手段与技术对人进行身份验证具有安全性差、易遗失、易伪造等缺点。
而采用人脸识别技术进行身份验证则能够很好地克服传统身份验证手段与技术缺点。
第一章人脸识别概述
与人脸识别技术
生物特征识别技术是通过计算机利用人体所固有生理特征或行为特征来进行个人身份鉴定。
生理特征及生俱来多为先天性;
行为特征则是习惯使然，多是后天性。
我们将生理与行为特征统称为生物特征。
常用生物特征包括:
指纹、掌纹、虹膜、视网膜、脸像、声音、笔迹等。
那么，生物特征识别技术是如何进行个人特征识别呢?
生物鉴别过程分成三个步骤:
生物特征数据采样，生物特征提取与特征匹配。
数据采样过程是通过各种传感器对生物特征进行原始数据采集过程，生物特征提取过程则从传感器采集数据中抽取出反映个体特性信息（通常是某种数学上编码过程），匹配阶段则是计算生物特征之间相似性并进行排序与一致性判断过程。
生物特征识别技术主要有人脸识别、指纹识别、语音识别、虹膜识别等。
生物识别技术在上个世纪己经有了一定发展，其中指纹识别技术己经趋近成熟，但人脸识别技术研究目前还处于起步阶段。
指纹、虹膜、掌纹等识别技术都需要被识别者配合，有识别技术还需要添置复杂昂贵设备。
人脸识别则可以用已有照片或是摄像头远距离捕捉图像，无须特殊采集设备，系统成本低。
并且自动人脸识别可以在当事人毫无察觉情况下即完成身份确认识别工作，这对反恐怖活动等有非常重大意义。
由于人脸识别技术具有如此之多优势，因此它应用前景非常广阔，已成为最具潜力生物特征识别技术之一。
所谓人脸识别，是指对输入人脸图像或者视频，判断其中是否存在人脸，如果存在人脸，则进一步给出每张人脸位置、大小与各个面部主要器官位置信息，并且依据这些信息，进一步提取每张人脸蕴含身份特征，并将其及已知人脸库中人脸进行对比，从而识别每张人脸身份。
其研究内容包括以下五个方面：
（1）人脸检测从不同背景中检测是否存在人脸，并确定其位置、大小、形状、姿态等信息过程。
它关系到后续识别工作能否正确进行，并保障最终识别结果可靠性。
（2）人脸表征确定表示检测出人脸与数据库中已知人脸描述方式。
通常表示方式包括几何特征（如欧氏距离、曲率、角度等）、代数特征（如矩阵特征矢量）与固定特征模板等。
（3）人脸鉴别即狭义人脸识别，就是通常所指将待识别人脸及数据库中已知人脸进行比较，得出相关信息。
这一过程核心是选择适当人脸表示方式与匹配策略，系统地构造及人脸表征方式密切相关。
（4）表情/姿态分析即对待识别人脸表情或姿态进行分析，并对其加以归类。
（5）生理分类对待识别人脸物理特征进行分类，得出其年龄、性别、种族等相关信息，或从几幅相关图像中推导出希望得到人脸图像，如从父母脸推导出孩子脸像等。
本论文中人脸识别主要是指狭义人脸识别，指将待识别人脸及数据库中已知人脸之间进行匹配人脸鉴别。
人脸识别目是让计算机具有通过人脸特征来鉴别身份功能。
基于人脸特征身份识别主要设计到复杂场景中人脸检测及识别技术，是一种依托于图像理解、模式识别及计算机视觉、统计学与人工智能等高技术研究方向。
见诸文献机器自动人脸识别研究开始于1966年PRIBledsoe工作，1990年日本研制人像识别机，可在1秒钟内中从3500人中识别到你要找人。
1993年，美国国防部高级研究项目署（AdvancedResearchProjectsAgency）与美国陆军研究实验室（ArmyResearchLaboratory）成立了Feret（FaceRecognitionTechnology）项目组，建立了feret人脸数据库，用于评价人脸识别算法性能。
美国陆军实验室也是利用vc++开发，通过软件实现，并且FAR为49%。
在美国进行公开测试中，FAR，为53%。
美国国防部高级研究项目署，利用半自动与全自动算法。
这种算法需要人工或自动指出图像中人两眼中心坐标，然后进行识别。
在机场开展测试中，系统发出错误警报太多，国外一些高校（卡内基梅隆大学（CarnegieMellonUniversity）为首，麻省理工大学（MassachusettsInstituteofTechnology）等，英国雷丁大学（UniversityofReading））与公司（Visionics公司Facelt人脸识别系统、ViiageFaceFINDER身份验证系统、LauTech公司Hunter系统、德国BioID系统等）工程研究工作也主要放在公安、刑事方面，在考试验证系统实现方面深入研究并不多。
人脸识别系统现在在大多数领域中起到举足轻重作用，尤其是用在机关单位安全与考勤、网络安全、银行、海关边检、物业管理、军队安全、智能身份证、智能门禁、司机驾照验证、计算机登录系统。
我国在这方面也取得了较好成就，国家863项目“面像检测及识别核心技术”通过成果鉴定并初步应用，就标志着我国在人脸识别这一当今热点科研领域掌握了一定核心技术。
北京科瑞奇技术开发股份在2002年开发了一种人脸鉴别系统，对人脸图像进行处理，消除了照相机影响，再对图像进行特征提取与识别。
这对于人脸鉴别特别有价值，因为人脸鉴别通常使用正面照，要鉴别人脸图像是不同时期拍摄，使用照相机不一样。
系统可以接受时间间隔较长照片，并能达到较高识别率，在计算机中库藏2300人正面照片，每人一张照片，使用相距1--7年、差别比较大照片去查询，首选率可以达到50%，前20张输出照片中包含有及输入照片为同一人照片概率可达70%。
2005年1月18日，由清华大学电子系人脸识别课题组负责人苏光大教授主持承担国家”十五”攻关项目《人脸识别系统》通过了由公安部主持专家鉴定。
鉴定委员会认为，该项技术处于国内领先水平与国际先进水平。
数码相机人脸自动对焦与笑脸快门技术
首先是面部捕捉。
它根据人头部部位进行判定，首先确定头部，然后判断眼睛与嘴巴等头部特征，通过特征库比对，确认是人面部，完成面部捕捉。
然后以人脸为焦点进行自动对焦，可以大大提升拍出照片清晰度。
笑脸快门技术就是在人脸识别基础上，完成了面部捕捉，然后开始判断嘴上弯程度与眼下弯程度，来判断是不是笑了。
以上所有捕捉与比较都是在对比特征库情况下完成，所以特征库是基础，里面有各种典型面部与笑脸特征数据。
公安刑侦破案
通过查询目标人像数据寻找数据库中是否存在重点人口基本信息。
例如在机场或车站安装系统以抓捕在逃案犯。
门禁系统
受安全保护地区可以通过人脸识别辨识试图进入者身份。
人脸识别系统可用于企业、住宅安全与管理。
如人脸识别门禁考勤系统，人脸识别防盗门等
门禁系统
摄像防盗系统
可在机场、体育场、超级市场等公共场所对人群进行监视，例如在机场安装监视系统以防止恐怖分子登机。
如银行自动提款机，如果用户卡片与密码被盗，就会被他人冒取现金。
如果同时应用人脸识别就会避免这种情况发生。
信用卡网络支付
利用人脸识别辅助信用卡网络支付，以防止非信用卡拥有者使用信用卡等。
身份辨识
如电子护照及身份证。
这或许是未来规模最大应用。
在国际民航组织已确定，从2010年4月1日起，其118个成员国家与地区，必须使用机读护照，人脸识别技术是首推识别模式，该规定已经成为国际标准。
美国已经要求与它有出入免签证协议国家在2006年10月26日之前必须使用结合了人脸指纹等生物特征电子护照系统，到2006年底已经有50多个国家实现了这样系统。
今年年初，美国运输安全署（TransportationSecurityAdministration）计划在全美推广一项基于生物特征国内通用旅行证件。
欧洲很多国家也在计划或者正在实施类似计划，用包含生物特征证件对旅客进行识别与管理。
中国电子护照计划公安部一所正在加紧规划与实施。
信息安全
如计算机登录、电子政务与电子商务。
在电子商务中交易全部在网上完成，电子政务中很多审批流程也都搬到了网上。
而当前，交易或者审批授权都是靠密码来实现。
如果密码被盗，就无法保证安全。
如果使用生物特征，就可以做到当事人在网上数字身份与真实身份统一。
从而大大增加电子商务与电子政务系统可靠性。
人脸识别是机器视觉与模式识别领域最富有挑战性课题之一，同时也具有较为广泛应用意义。
人脸识别技术是一个非常活跃研究领域，它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科内容。
如今，虽然在这方面研究已取得了一些可喜成果，但是FRT在实用应用中仍面临着很严峻问题,因为人脸五官分布是非常相似，而且人脸本身又是一个柔性物体，表情、姿态或发型、化妆千变万化都给正确识别带来了相当大麻烦。
如何能正确识别大量人并满足实时性要求是迫切需要解决问题。
目前人脸识别难点主要存在于以下几个方面：
（1）光照变化是影响人脸识别性能最关键因素，对该问题解决程度关系着人脸识别实用化进程成败，在人脸图像预处理或者归一化阶段，尽可能地补偿乃至消除其对识别性能影响。
（2）成像角度及成像距离等因素影响，即人脸姿态变化，会垂直于图像平面两个方向深度旋转，会造成面部信息部分缺失。
（3）不同年龄人脸有着较大差别。
身份证是以前照，在逃犯照片也是以前，因此在公安部门实际应用中，年龄问题是一个最突出问题。
（4）采集图像设备较多，主要有扫描仪、数码相机、摄像机等。
由于成像机理不同，形成了同类人脸图像识别率较高，而不同类间人脸图像识别率较低情况。
随着人脸识别技术发展，这一问题也将逐步得到解决。
（5）人脸图像数据量巨大。
目前由于计算量考虑，人脸定位与识别算法研究大多使用尺寸很小灰度图像。
一张64*64像素256级灰度图像就有4096个数据，每个数据有256种可能取值。
定位与识别算法一般都很复杂，在人脸库较大情况下，计算量十分大，很多情况下速度令人难以忍受。
而灰度数据事实上是丧失了色彩、运动等有用信息。
如果使用全部有用信息，计算量就更大了。
第二章人脸识别常用算法介绍
人脸识别方法主要有：
基于几何特征人脸识别方法、基于模板匹配人脸识别方法、基于小波特征人脸识别方法与基于模型人脸识别方法。
其中基于模型人脸识别方法包括特征脸法（Eigneafec）、神经网络法（NN）、隐马尔可夫模型方法（HMM）等方法。
●基于面部几何特征方法
这个方法在时间上来说是最早提出人脸识别方法之一，其特征提取以人脸面部特征点形状与几何关系为基础。
对于不同人来说有着不同人脸轮廓、大小、相对位置分布也是不相同，所以说用这种方法来进行人脸识别还是有一定依据。
这种方法做法是，提取眉毛、眼睛、鼻子与嘴巴这几个特征点，计算出这几个特征点大小，以及他们之间几何距离，来进行人脸识别，几何距离一般包括特征点之间距离、他们之间夹角等。
特征提取后选取最近邻分类器，相异度测试选用欧式距离。
基于几何特征人脸识别算法优点是方法简单，计算速度快。
但它识别人脸就靠几个特征点大小与距离，以及特征点之间夹角，这样信息是远远不够，对于一个稍微大一点人脸库识别率不高，还有这种方法对于人脸表情变化时没有很好鲁棒性。
但是这种方法还是有一定潜力，好比一个大型人脸库，进行人脸比对前可以使用基于面部几何特征方法对训练样本进行粗分类，这样可以大大降低人脸识别时间。
●基于模板匹配方法
模板匹配方法也是模式识别中一个比较传统方法。
把模板匹配方法用到人脸识别中要以Poggio与Bruneili所提出基于局部特征模板匹配算法为代表。
他们首先利用积分投影方法确定面部特征点，提取局部特征模板，然后进行局部模板匹配，计算相关系数进行分类，Poggio与Brulleili比较了基于几何特征与基于模板匹配人脸识别方法。
他们实验结果表明，在人脸尺度、光照、姿态稳定情况下，基于模板匹配人脸识别方法要优于基于几何特征人脸识别方法。
通过大量实验表明，基于模板匹配人脸识别方法对光照、旋转、人脸表情比较敏感，仅当这些因素比较稳定时，才能获得比较好效果。
这种方法计算量要比基于面部几何特征方法要大。
●基于小波特征方法
小波变换是国际上公认最新频率分析工具，由于其“自适应性‘，与“数学显微镜性质”而成为许多学科共同关注焦点，在信号处理中起着至关重要作用。
目前小波技术在验证特征撮上用得较多。
小波变换采用以高斯函数二阶导数作为小波基小波变换技术来进行拐点提取，然后以该方法为基础，进行不同图像之间拐点序列匹配;
最后再利用提敢拐点来对图像进行分段与段一段对应处理。
由于使用离散小波变换来分解图像参数特征，特征提取用到自适应算法，匹配则选择动态规划方法，初步试验取得较好效果。
●基于特征脸方法
特征脸方法是从主成成分分析（PCA）导出一种人脸识别与描述技术。
它将包含人脸图像区域看作一随机向量，采用K-L变换得到正交K-L基，对应其中较大特征值基具有及人脸相似形状，因此又被称为特征脸。
利用这些基线性组合可以描述、表达与逼近人脸图像，所以可进行人脸识别及合成。
识别过程就是将人脸图像映射到由特征脸组成子空间上，并比较其在特征脸空间中位置，然后利用对图像这种投影间某种度量来确定图像间相似度，最常见就是选择各种距离函数来进行度量分类实现人脸识别。
●神经网络法
基于神经网络人脸识别方法就是利用神经网络学习能力与分类能力对人脸进行特征提取及识别。
目前常用人工神经网络方法是BP（Back-Propagation）神经网络、自组织神经网络、径向基函数神经网络。
径向基函数神经网络及BP网络一样都是多层前向网络，它以径向基函数作为基准，以高斯函数作为隐含层激励函数。
这种网络学习速率快、函数逼近、模式识别等能力均优于BP神经网络，并广泛应用于模式识别、图像处理等方面。
但是这种网络比BP网络所用神经元数目要多得多，使它应用受到了一定限制。
●隐马尔可夫模型方法（HMM）
HMM作为信号一种统计模型，目前广泛应用于模式识别、图像处理各个领域。
HMM是一个由两种机理构成随机过程:
一个机理是内在有限状态Markov链，表达为用具有限状态数Markov链来模拟签名信号统计特征变化隐含随机过程，另一个是一系列随机函数所组成集合，表达为及Markov链每一个状态相关联观测序列随机过程。
设有观察序列Q=Q1Q2…Qn与状态集=S{s1，s2,…sn}，一个有n个状态隐马尔可夫模型λ可以表示（π，A，B），其中π为初始状态概率矢量;
A={aij}为状态转移概率矩阵，其中aij=P{qt+1=Sj|qt=St}，1<
=i，j<
=N;
B={bj}Qt）}为观察符号概率分布，若B有M个观察值{v1，v2…mv}，则bj（Qt）=P{qt=vk|qt=sj，1<
=j<
=N，l<
=k<
=M}。
HMM使用涉及到训练与分类两个阶段，训练阶段包括指定一个HMM隐藏状态数，并且优化相应状态转换与输出概率以便于产生输出符号及在特定运动类别之内所观察到图像相匹配。
匹配阶段涉及到一个特定HMM可能产生相应于所观察图像特征测试符号序列概率计算。
利用H顾进行验证同样由两个阶段组成，即利用训练样本估计MHM模型参数与利用HMM评价测试。
这两个过程目前都有成熟算法，HMM参数估计可用Baum-welch参数估计算法或SegmentalK-means算法;
对测试样本评价，可以用Forward-Backward迭代算法估计签名满足模型概率，或用viterbi最优状态搜索算法计算过程经过最优状态。
因此，利用HMM模型关键在于HMM类型选择与一些参数选择以及阀值估计[4]。
在人脸识别过程中，通过提取特征模块，得到表示人脸图像特征向量，此时需要利用分类器根据提取特征向量进行分类处理，以确定当前人脸身份。
在这个过程中，分类器起着决策机制作用，对最终判别非常关键，分类器性能优劣也将直接关系到人脸识别结果好坏。
常用分类器有以下几种：
●最小距离分类器（NC）
最小距离分类器相似度量是以检测样本到类中心距离大小为判据。
●最近邻分类器（NN）
最近邻法是将所有训练样本都作为代表点，因此在分类时需要计算待识别样本x到所有训练样本距离，及x最近训练样本所属于类别即为待识别样本x所属类别。
假定有C个类别ω1、ω、ωn模式识别问题，每类有标明类别样本Ni个，i=1，2，…，C，我们可以规定以类判别函数为：
，k=1,2,…,Ni.
●三阶近邻法
三阶近邻法是计算像素差值绝对值。
距离公式可表示为：
L（x,y）=lxi-yil（）
由式（）计算所得出具有最小值图像并不一定属于同—类别。
三阶近邻法计算出及测试图像距离最小三幅图像，计算这三幅图像所属类分别计为classl，class2，class3，若classl与class2且class2与class3不属于同一类，则测试图像属于classl；
若classl与class2相同，则测试图像属于classl，而class2及测试图像也是相似；
若class2与class3属于同一类，则测试图像属于class2，而class3及测试图像也是相似，但classl虽然及测试图像距离最近却不属于同一类，可能是由测试图像姿态与饰物引起。
●贝叶斯分类器
如果知道各类先验分布与条件分布，就可以采用最大后验估计（MAP）方法进行分类。
在人脸识别中，有时假定人脸服从高斯分布，能够得到不错结果。
●支撑向量机（SVM）
在小样本情况下，降低了训练集错分风险，又降低了未知人脸（如检测集）错分风险。
在人脸识别中已逐渐得到应用。
●神经网络分类器（NNC）
采用神经网络作为分类器是很自然。
一般一个3层网络对应模式识别中图像输入、特征提取、分类3部分。
通常NNC有多层感知机（MLP）模型、BP网络、径向基函数网络等。
SVM也借鉴了神经网络思想。
第三章人脸识别系统设计及实现
完成人脸识别工作需要一系列步骤，它们结合起来构成一个完整流程。
由于研究人员来自不同学科、具有不同背脊，而且不同人脸识别应用中对识别目标也不同，所以人脸识别流程并不统一一个比较通用人脸识别流程如下图所示：
其主要步骤包括：
人脸检测/跟踪（facedetection/tracking）,特征提取（faceextraction）,特征降维（facedimensionalityreduction）,匹配识别（matchingandclassification）.它们之间基本上是串行关系。
（1）人脸检测/跟踪。
人脸检测是完成人脸识别工作自动系统第一个步骤。
该步骤目是在输入图像中寻找人脸区域。
具体来说：
给定意一幅任图像，人脸检测目是确定是否图像州有人脸存在，如果存在，给出每个人脸具体位置与范围。
实际应用中人脸图像采集或获取常在非受控条件下进行，这样所得到图像中人脸在尺寸、朝向、明暗、遮挡、分辨率等方面都有很多不同，使同一人脸出现各种变形，并有可能导致各种误识、漏识等失败情况。
为校正人脸在尺度、光照与旋转等方面变化，常需采用一些包括几何归一化（空间尺度归一化）与光照归一化（灰度幅值归一化）等手段来调整不同人脸图像，以利于用统一算法进行识别。
（2）特征提取。
为区分不同人脸，需提取各种人脸独特性质。
也就是要从人脸图像中映射提取一组反映人脸特征数值表示样本。
这里首先需要采取某种表示方式来表示检测出人脸与数据库中已知人脸。
通常表示法包括几何特征（如欧氏距离、曲率、角度）、代数特征（如矩阵或特征向量）、固定特征模板、特征脸等。
（3）特征降维。
人脸是一个非刚性自然物体（柔性体），从人脸图像中可提取很多不同特征，所以表征人脸原始特征对应高维空间中数据（对一幅M*N图像，空间维数可达M*N）。
直接利用这样高维数据进行识别除需要很多匹配计算量外，由于很难对各高维数据描述能力做有效判断，故还不能保证基于这么多数据进行识别结果正确性。
在特征提取后，需采用紧凑人脸表征方式，将原始特征进行筛选组合，集中信息，降低维数，使这些低维空间有效性到提高，以有利于接下来匹配分类。
（4）匹配识别。
在特征提取基础上，选择使当匹配策略，可将待识别人脸及数据库中已知人脸进行匹配比较，建立它们相关关系，并输出所作出判断决策/决定（识别结果）。
及人脸检测不同，这里利用主要是人脸个体差异信息。
有两种识别目与情况需要区别：
一种是对人脸图像验证（verification）,即要确认输入人脸图像中人是否在数据库中，属于有监督识别；
另一种是对人脸图像辨识（identification），即要确认输入图像中人身份，属于无监督识别。
3.2kL变换与PCA人脸识别方法
简介
我们希望将图
升级会员 