数字图像处理课程设计人脸检测与识别.doc
《数字图像处理课程设计人脸检测与识别.doc》由会员分享,可在线阅读,更多相关《数字图像处理课程设计人脸检测与识别.doc(8页珍藏版)》请在冰点文库上搜索。
数字图像处理
课
程
设
计
人脸检测与识别课程设计
一、简介
人脸检测与识别是当前模式识别领域的一个前沿课题,人脸识别技术就是利用计算机技术,根据数据库的人脸图像,分析提取出有效的识别信息,用来“辨认”身份的技术。
人脸识别是模式识别研究的一个热点, 它在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广泛的应用。
人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。
因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变性. 主元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设计具有良好分类能力和鲁棒性的分类器. 支持向量机(SVM ) 模式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。
本此课程设计基于MATLAB,将检测与识别分开进行。
其中检测部分使用实验指导书上的肤色模型算法进行,不进行赘述。
识别部分采用PCA算法对检测出的人脸图像进行特征提取, 再利用最邻近距离分类法对特征向量进行分类识别,将在后文具体表述。
仿真结果验证了本算法是有效的。
二、人脸检测
1.源码
img=imread('D:
\std_test_images\face3.jpg');
figure;
imshow(img);
R=img(:
:
1);
G=img(:
:
2);
B=img(:
:
3);
faceRgn1=(R>95)&(G>40)&(B>20)&max(img,[],3)-min(img,[],3)>15&abs(R-G)>15&R>B;
figure;
imshow(faceRgn1);
r=double(R)./double(sum(img,3));
g=double(G)./double(sum(img,3));
Y=0.3*R+0.59*G+0.11*B;
faceRgn2=(r>0.333)&(r<0.664)&(g>0.246)&(g<0.398)&(r>g)&g>=0.5-0.5*r;
figure;
imshow(faceRgn2);
Q=faceRgn1.*faceRgn2;
P=bwlabel(Q,8);
BB=regionprops(P,'Boundingbox');
BB1=struct2cell(BB);
BB2=cell2mat(BB1);
figure;
imshow(img);
[s1s2]=size(BB2);
mx=0;
fork=3:
4:
s2-1
p=BB2(1,k)*BB2(1,k+1);
ifp>mx&(BB2(1,k)/BB2(1,k+1))<1.8
mx=p;
j=k;
holdon;
rectangle('position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],'linewidth',3,'edgecolor','r');
holdoff;
end
end
2.处理过程
三、人脸识别
1.算法简述
在Matlab2012a版本中添加了对PCA算法的支持,由于水平有限我选择直接调用。
在本次课程设计中,PCA算法又分为样本训练和人脸识别两个过程,在样本训练阶段,将样本库(每组15张共15组人脸图像,对每组前11张进行特征提取用于训练,后4张用于检测)中的人脸图像转换为特征向量表示,并投影到PCA子空间,最终将这些向量数据保存到训练数据库中。
而在识别阶段,同样将待识别的人脸图像使用PCA子空间的向量表示,通过计算待识别图像的向量与样本中的向量之间的距离,寻找其中最相近的人脸图像,作为识别结果。
2.源码
clear
clc
%样本数量15*11
people_count=15;
face_count_per_people=11;
%训练比率,设置为75%识别正确率可达100%
training_ratio=.75;
%能量
energy=90;
training_count=floor(face_count_per_people*training_ratio);
training_samples=[];
path_mask='D:
\\pca_face_rec\\%03d\\%02d.jpg';
%训练
fori=1:
people_count
forj=1:
training_count
img=im2double(imread(sprintf(path_mask,i,j)));
img=imresize(img,[1010]);%归一化至50*50
ifndims(img)==3
img=rgb2gray(img);
end
training_samples=[training_samples;img(:
)'];
end
end
mu=mean(training_samples);
[coeff,scores,~,~,explained]=pca(training_samples);
idx=find(cumsum(explained)>energy,1);
coeff=coeff(:
1:
idx);
scores=scores(:
1:
idx);
%测试
acc_count=0;
fori=1:
people_count
forj=training_count+1:
face_count_per_people
img=im2double(imread(sprintf(path_mask,i,j)));
img=imresize(img,[1010]);
ifndims(img)==3
img=rgb2gray(img);
end
score=(img(:
)'-mu)/coeff';
[~,idx]=min(sum((scores-repmat(score,size(scores,1),1)).^2,2));
ifceil(idx/training_count)==i
acc_count=acc_count+1;
end
end
end
test_count=(people_count*(face_count_per_people-training_count));
acc_ratio=acc_count/test_count;
fprintf('测试样本数量:
%d,正确识别率:
%2.2f%%',test_count,acc_ratio*100)
3.仿真结果及说明
样本库举例:
结果为:
测试样本数量:
45,正确识别率:
100.00%
四、总结
人脸识别是一个多学科领域的挑战性难题,近30年来人脸识别的研究虽然取得了巨大的进步,但与人类的感知能力相距甚远。
人脸识别还涉及到很多理论和技术问题,这一技术的不断进步还需要研究者们的不断创新和努力。
本次课程设计让我对人脸识别算法有了初步的认识,了解到了PCA算法,K-L变换及特征向量的提取,最近邻分类器等人脸识别所需要的知识,为我的进一步学习指明了方向。