基于MATLAB的人脸识别系统研究与实现Word文档格式.doc
《基于MATLAB的人脸识别系统研究与实现Word文档格式.doc》由会员分享，可在线阅读，更多相关《基于MATLAB的人脸识别系统研究与实现Word文档格式.doc（32页珍藏版）》请在冰点文库上搜索。
第4章人脸图像识别系统实现 16
4.1引言 16
4.2系统基本机构 16
4.3人脸检测定位算法 17
4.4人脸图像的预处理 21
4.4.1仿真系统中实现的人脸图像预处理方法 21
4.5识别理论 23
4.6人脸识别的matlab实现结果 24
结论 24
参考文献 25
附录A人脸识别matlab程序 26
致谢 29
摘要
人脸识别是模式识别和图像处理等学科的一个研究热点，它广泛应用在身份验证、刑侦破案、视频监视、机器人智能化和医学等领域，具有广阔的应用价值和商用价值。
人脸特征作为一种生物特征，与其他生物特征相比，具有有好、直接、方便等特点，因
此使用人脸特征进行身份识别更易于被用户所接受。
人脸识别技术在过去的几十年得到了很大的发展，但由于人脸的非刚性、表情多变等因素，使得人脸识别技术在实际应用中面临着巨大的困难。
本文针对近年来国内外相关学术论文及研究报告进行学习和分析的基础上，利用图像处理的matlab实现人脸识别方法，这种实现简单且识别准确率高，但其缺点是计算量大，当要识别较多人员时，该方法难以胜任。
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的识别判定。
关键词：
图像处理；
Matlab；
人脸识别；
模式识别
Abstract
Human
face
recognition
focuses
on
pattern
image
processing
andother
subjects.It
is
widely
used
in
authentication,investigation,video
surveillance,intelligent
robots,medicine
and
other
areas.Facerecognition
has
wide
application
business
value.Facial
feature
asabiological
characteristic,compared
with
others
direct,friendly
andconvenient.Facial
featureemployed
authentication
are
user-friendly.
The
technology
of
the
past
few
years
obtained
very
big
development,
but
due
to
nonrigid,
expression
changeablefactors,
practical
facing
great
difficulties.
This
paper
aimed
at
home
abroad
recent
relevant
papers
researchreports
study
basis
analysis,
some
units
within
data
sensitivity
places
need
enter
personnel
carry
out
limitation
design
develop
a
set
identity
verification
identification
system,
system
uses
PCA
method,
therealization
simple
accuracy
rate
high,but
itsdrawback
that
large
amount
calculation,
when
identify
more
staff,this
method
difficult
do.
realization
various
pretreatment
methods
one
generic
image
preprocessing
simulation
based
MATLAB,
as
module
can
be
embedded
using
histogram
matching
gray
realize
human
images
determine.
Keywords:
Imageprocessing
；
Face
recognition；
Patternrecognition
第1章绪论
本章提出了本文的研究背景及应用前景。
首先阐述了人脸图像识别意义；
然后介绍了人脸图像识别研究中存在的问题；
接着介绍了自动人脸识别系统的一般框架构成；
最后简要地介绍了本文的主要工作和章节结构。
1.1研究背景
人脸识别是人类视觉最杰出的能力之一。
它的研究涉及模式识别、图像处理、生物学、心理学、认知科学，与基于其它生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切联系。
人脸识别早在六七十年代就引起了研究者的强烈兴趣。
20世纪60年代，Bledsoe提出了人脸识别的半自动系统模式与特征提取方法。
70年代，美、英等发达国家开始重视人脸识别的研究工作并取得进展。
1972年，Harmon用交互人脸识别方法在理论上与实践上进行了详细的论述。
同年，Sakai设计了人脸图像自动识别系统。
80年代初T.
Minami研究出了优于Sakai的人脸图像自动识别系统。
但早期的人脸识别一般都需要人的某些先验知识，无法摆脱人的干预。
进入九十年代，由于各方面对人脸识别系统的迫切需求，人脸识别的研究变的非常热门。
人脸识别的方法有了重大突破，进入了真正的机器自动识别阶段，如Karhunen-Loè
ve变换等或新的神经网络技术。
人脸识别研究得到了前所未人脸识别方法的分析与研究
有的重视，国际上发表有关人脸识别等方面的论文数量大幅度增加，仅从1990年到2000年之间，SCI及EI可检索到的相关文献多达数千篇，这期间关于人脸识别的综述也屡屡可见。
国外有许多学校在研究人脸识别技术，研究涉及的领域很广。
这些研究受到军方、警方及大公司的高度重视和资助，国内的一些知名院校也开始从事人脸识别的研究。
人脸识别是当前模式识别领域的一个前沿课题，但目前人脸识别尚处于研究课题阶段，尚不是实用化领域的活跃课题。
虽然人类可以毫不困难地由人脸辨别一个人，但利用计算机进行完全自动的人脸识别存在许多困难，其表现在：
人脸是非刚体，存在表情变化；
人脸随年龄增长而变化；
发型、眼镜等装饰对人脸造成遮挡；
人脸所成图像受光照、成像角度、成像距离等影响。
人脸识别的困难还在于图像包括大量的数据，输入的像素可能成百上千，每个像素都含有各自不同的灰度级，由此带来的计算的复杂度将会增加。
现有的识别方法中，通过从人脸图像中提取出特征信息，来对数据库进行检索的方法速度快，而利用拓扑属性图匹配来确定匹配度的方法则相对较快。
1.2人脸图像识别的应用前景
人脸识别系统现在在大多数领域中起到举足轻重的作用，尤其是用在机关单位的安全和考勤、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的成就，国家863项目“面像检测与识别核心技术”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的核心技术。
就从目前和将来来看，可以预测到人脸图像识别将具有广阔的应用前景，如表1-1中所列举就是其中已经实现或逐步完善的应用。
表1-1人脸识别的应用
应用
优点
存在问题
信信用卡、汽车驾照、护照以及个人身份验证等
图像摄取可控
图像分割可控
图像质量好
需要建立庞大的数据库
嫌疑犯照片匹配
图像质量不统一
多幅图像可用
潜在的巨大图像库
互联网应用
视频信息价值高多人参与
存在虚假
银行/储蓄安全
监控效果好
图像分割不可控
图像质量较差
人群监测
图像质量高
可利用摄像图像
图像分割自由
图像质量低、实时性
1.3本文研究的问题
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的识别判定。
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。
1.4识别系统构成
人类似乎具有“与生俱来”的人脸识别能力，赋予计算机同样的能力是人类的梦想之一，这就是所谓的“人脸识别”系统。
假设我们把照相机、摄像头、扫描仪等看作计算机的“眼睛”，数字图像可以看作计算机观察到的“影像”，那么AFR赋予计算机根据其所“看到”的人脸图片来判断人物身份的能力。
广义的讲，自动人脸识别系统具有如图1.1所示的一般框架并完成相应功能的任务。
人脸图像获取
人脸检测
特征提取
人脸识别
图1.1人脸识别系统一般框架
（1）人脸图像的获取
一般来说，图像的获取都是通过摄像头摄取，但摄取的图像可以是真人，也可以是人脸的图片或者为了相对简单，可以不考虑通过摄像头来摄取头像，而是直接给定要识别的图像。
（2）人脸的检测
人脸检测的任务是判断静态图像中是否存在人脸。
若存在人脸，给出其在图像中的坐标位置、人脸区域大小等信息。
而人脸跟踪则需要进一步输出所检测到的人脸位置、大小等状态随时间的连续变化情况。
（3）特征提取
通过人脸特征点的检测与标定可以确定人脸图像中显著特征点的位置（如眼睛、眉毛、鼻子、嘴巴等器官），同时还可以得到这些器官及其面部轮廓的形状信息的描述。
根据人脸特征点检测与标定的结果，通过某些运算得到人脸特征的描述（这些特征包括：
全局特征和局部特征，显式特征和统计特征等）。
（4）基于人脸图像比对的身份识别
即人脸识别（FaceIdentification）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（CloseSet）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（OpenSet）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。
（5）基于人脸图像比对的身份验证
即人脸确认（FaceVerification）问题。
系统在输入人脸图像的同时输入一个用户宣称的该人脸的身份信息，系统要对该输入人脸图像的身份与宣称的身份是否相符作出判断。
1.5论文的内容及组织
第二章主要介绍人脸识别系统中所用到的仿真软件Matlab，介绍了在人脸图像识别过程中所需要的图像处理技术，包括：
一些基本操作、格式转换、图像增强等。
并做了一个Matlab图像处理功能的实例
第三章主要始涉三个方面：
首先是对人脸识别系统的构成做详细论述；
其次就是对人脸识别过程中的关键环节人脸检测、特征提取和图像预处理做详细介绍；
最后就是Matlab在人脸识别系统中的具体应用，即人脸图像识别的具体技术，并用Matlab进行仿真试验并得到结果。
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2章图像处理的Matlab
2.1Matlab简介
MATLAB是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。
它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。
MATLAB和Mathematica、Maple并称为三大数学软件。
它在数学类科技应用软件中在数值计算方面首屈一指。
MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。
MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB也吸收了像Maple等软件的优点，使MATLAB成为一个强大的数学软件。
在新的版本中也加入了对C，FORTRAN，C++，JAVA的支持。
可以直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户可以直接进行下载就可以用。
编辑本段基本应用
MATLAB的应用范围非常广，包括信号和图像处理、通讯、控制系统设计、测试和测量、财务建模和分析以及计算生物学等众多应用领域。
附加的工具箱（单独提供的专用MATLAB函数集）扩展了MATLAB环境，以解决这些应用领域内特定类型的问题。
20世纪70年代，美国新墨西哥大学计算机科学系主任CleveMoler为了减轻学生编程的负担，用FORTRAN编写了最早的MATLAB。
1984年由Little、Moler、SteveBangert合作成立了的MathWorks公司正式把MATLAB推向市场。
到20世纪90年代，MATLAB已成为国际控制界的标准计算软件。
2.2数字图像处理及过程
数字图像处理（DigitalImageProcessing）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、环境、军事、工业和医学等方面的应用需求的增长。
2.2.1图像处理的基本操作
读取和显示图像可以通过imread（）和imshow（）来实现;
图像的输出用imwrite（）函数就可以很方便的把图像输出到硬盘上;
另外还可以用imcrop（）、imrisize（）、imrotate（）等来实现图像的裁剪、缩放和旋转等功能。
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。
Matlab7.0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mat2gray（）函数可以将矩阵转换为灰度图像,rgb2gray（）转换RGB图像或颜色映像表为灰度图像。
在类型转换的时候,我们还经常遇到数据类型不匹配的情况,针对这种情况,Matlab7.0工具箱中,也给我们提供了各种数据类型之间的转换函数,如double（）就是把数据转换为双精度类型的函数。
2.2.3图像增强
图像增强的目的是为了改善图像的视觉效果,提高图像的清晰度和工艺的适应性,以及便于人与计算机的分析和处理,以满足图像复制或再现的要求。
图像增强的方法分为空域法和频域法两大类,空域法主要是对图像中的各个像素点进行操作;
而频域法是在图像的某个变换域内对整个图像进行操作,并修改变换后的系数,如傅立叶变换、DCT变换等的系数,然后再进行反变换,便可得到处理后的图像。
下面以空域增强法的几种方法加以说明。
（1）.灰度变换增强
有多种方法可以实现图像的灰度变换,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imfilter（）或filter2（）函数调用创建好的滤波器对图像进行滤波。
2.2.4边缘检测
数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础,也是图像识别中提取图像特征的一个重要属性。
边缘检测算子可以检查每个像素的邻域并对灰度变化率进行量化,也包括对方向的确定,其中大多数是基于方向导数掩模求卷积的方法。
常用的有Sobel算子,Prewitt算子,Roberts算子,Log算子等。
Matlab7.0工具箱中提供的edge（）函数可以进行边缘检测,在其参数里面,可以根据需要选择合适的算子及其参数。
2.3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。
在这段学习Matlab图像处理软件的过程中，也遇到了很多的问题，感谢在老师和同学的帮助下让我更熟练的掌握这款软件，这将会在我以后工作和运用当中受用一生。
其中最大的阻碍是软件里是全英文的，因此我得更加要学好英语、重视英语。
也同时学会了要善于利用各种资源。
第3章人脸区域定位
3.1人脸区域粗定位
3.1.1肤色区域标记编码
经在进行区域分析和计算之前，先对其进行统计编码，已确定筛选的对象。
区域标记的具体算法流程如下：
（1）扫描整幅图像．把所有肤色，类肤色区域的边界点标记出来：
（2）从每个区域的一个边界点出发并标记，利用四邻域的原则搜索所有为标记的边界点，并标记出来。
根据连通性的原理，在编码处理过程中，属于同样码号的像素就属于同一个区域。
同时编码后可得到肤色像素点的数量，也即该区域的面积。
（3）根据每个连通区域边界点的不同标记把所有的连通区域分割开来，这样就得到了所有可能的人脸区域。
边界由肤色像素点和非肤色像素点所组成。
3.1.2基于区域面积和长宽比的粗定位
在进行人脸区域筛选之前，首先考虑到这样一个问题：
人的面部近似为椭圆形，在长宽比上存在一定的比例。
但是一些肤色区域也可能在长宽比上存在一定比例，如人的手攥成拳头时，这就需要考虑另一个因素——区域的面积。
人脸区域在图像中（除去背景）相对占有较大的比例。
基于这些想法，结合文献，本文采用如下的方法：
首先对人脸图像进行处理，将其分为网格状，由于部分人脸可能存在一些旋转倾斜，因此直接利用区域的上、下、左、右4个顶点的坐标值进行判断存在一定的困难。
利用提取区域边界进行操作，而区域边界是根据对图像各区域进行编码时获得的。
然后对其各网格进行二值分析，通过像素比例来做处理，满足面积比例的再对其长宽比进行筛选，最后得到选出的人脸区域。
详细操作如下：
（1）统计并提取构成该区域边界的所有点的坐标值，记录下X轴上具有最小、最大分量的坐标值，以此作为人脸的长宽参数，同理求出Y轴上具有最小、最大分量的坐标值。
（2）令B等于其中较大者，S等于其中较小者，B与S的比值B／S（=r）即为所求的区域长宽比。
（3）对于垂直正面的人脸，则该比值近似于1。
但由于图像中人脸或有偏差或侧脸，且肤色相似度分割可能造成人脸头颈部作为同一个区域分割，并为防止把正确的分割区域作为错误的判断，故将r的上限适当放大。
本文选取r的取值范围为[0.4，2.4]，不属于这个范围的候选区域则直接删除。
（4）区域长宽求出后，区域的面积即为该区域中白色像素点的个数，用公式可表达为
（3-1）
利用该方法，对图像进行处理，结果如下图所示：
图3.1粗定位后的图像
3.2特征点定位
经过上述步骤之后，可得到粗略定位的人脸区域。
可将该图作为姿态估计的输入图像，但是利用没有进行人脸对齐的图像进行人脸姿态估计．效果往往不是很好。
这里进一步采取了特征点定位算法来提取出人脸上的特征点，根据特征点的相对位置来进行输入图像的规范化，进一步提高姿态估计的精确度。
3.2.1特征点选取
人体面部结构组成的有眼睛、鼻子、嘴巴、下巴、颧骨，还有部分毛发特征比如胡须，眉毛等。
这些特征是人与人区别的主要标志，因此对这些器宫的形状和结构关系的几何描述，可以作为人脸特征描述的重要特征。
几何特征提取即是用适当的方法对眼睛、鼻子、嘴巴、下巴等器官的形状、大小和结构关系进行几何描述。
本文选取了眼靖和嘴融作为特征点来进行特征点定位。
眼睛用作人脸检测验证方法的依据是：
两眼之
升级会员 