人臉識(shí)別設(shè)計(jì)報(bào)告

1、精選優(yōu)質(zhì)文檔-傾情為你奉上數(shù)字信號(hào)處理設(shè)計(jì)報(bào)告 設(shè) 計(jì) 題 目： 人臉檢測(cè) 學(xué) 院、系： 信工學(xué)院電信系 年 級(jí)、班： 11級(jí)電信2班 設(shè)計(jì)單位(組)： 第四組 2014. 5. 7專心-專注-專業(yè)摘要人臉識(shí)別是當(dāng)前模式識(shí)別領(lǐng)域的一個(gè)前沿課題，人臉識(shí)別技術(shù)就是利用計(jì)算機(jī)技術(shù)，根據(jù)數(shù)據(jù)庫的人臉圖像，分析提取出有效的識(shí)別信息，用來“辨認(rèn)”身份的技術(shù)。本文介紹了多種人臉識(shí)別方法，基于對(duì)人臉識(shí)別方法優(yōu)缺點(diǎn)的分析比較, 提出了一種基于主元分析(PCA )的人臉識(shí)別方法。通過PCA 算法對(duì)人臉圖像進(jìn)行特征提取, 再利用最鄰近距離分類法對(duì)特征向量進(jìn)行分類識(shí)別。利用劍橋ORL的人臉數(shù)據(jù)庫的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)仿真，仿

2、真結(jié)果驗(yàn)證了本算法是有效的。 關(guān)鍵詞：人臉識(shí)別， 主元分析，最近鄰距離分類法，人臉庫 緒論 人臉識(shí)別是模式識(shí)別研究的一個(gè)熱點(diǎn), 它在身份鑒別、信用卡識(shí)別, 護(hù)照的核對(duì)及監(jiān)控系統(tǒng)等方面有著廣泛的應(yīng)用。人臉圖像由于受光照、表情以及姿態(tài)等因素的影響, 使得同一個(gè)人的臉像矩陣差異也比較大。因此, 進(jìn)行人臉識(shí)別時(shí), 所選取的特征必須對(duì)上述因素具備一定的穩(wěn)定性和不變性. 主元分析(PCA)方法是一種有效的特征提取方法,將人臉圖像表示成一個(gè)列向量, 經(jīng)過PCA 變換后, 不僅可以有效地降低其維數(shù), 同時(shí)又能保留所需要的識(shí)別信息, 這些信息對(duì)光照、表情以及姿態(tài)具有一定的不敏感性. 在獲得有效的特征向量后, 關(guān)

3、鍵問題是設(shè)計(jì)具有良好分類能力和魯棒性的分類器. 支持向量機(jī)(SVM ) 模式識(shí)別方法,兼顧訓(xùn)練誤差和泛化能力, 在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì)。一、人臉識(shí)別方法 雖然人臉識(shí)別方法的分類標(biāo)準(zhǔn)可能有所不同，但是目前的研究主要有兩個(gè)方向，一類是從人臉圖像整體(Holistic Approaches)出發(fā)，基于圖像的總體信息進(jìn)行分類識(shí)別，他重點(diǎn)考慮了模式的整體屬性，其中較為著名的方法有:人工神經(jīng)網(wǎng)絡(luò)的方法、統(tǒng)計(jì)模式的方法等。另一類是基于提取人臉圖像的幾何特征參數(shù)(Feature-Based Approaches)，例如眼、嘴和鼻子的特征，再按照某種距離準(zhǔn)則進(jìn)行分類識(shí)別。這

4、種方法非常有效，因?yàn)槿四槻皇莿傮w，有著復(fù)雜的表情，對(duì)其嚴(yán)格進(jìn)行特征匹配會(huì)出現(xiàn)困難。而分別介紹一些常用的方法，前兩種方法屬于從圖像的整體方面進(jìn)行研究，后三種方法主要從提取圖像的局部特征講行研究?；谔卣髂樀姆椒?特征臉方法(eigenface)是從主元分析方法PCA C Principal ComponentAnalysis導(dǎo)出的一種人臉分析識(shí)別方法，它根據(jù)一組人臉圖像構(gòu)造主元子空間，由于主元具有人臉的形狀也稱作特征臉。識(shí)別時(shí)將測(cè)試圖像投影到主元子空間上得到了一組投影系數(shù)，然后和各個(gè)己知人的人臉圖像進(jìn)行比較識(shí)別，取得了很好的識(shí)別效果。在此基礎(chǔ)上出現(xiàn)了很多特征臉的改進(jìn)算法。特征臉方法原理簡(jiǎn)單、易于

5、實(shí)現(xiàn)，它把人臉作為一個(gè)整體來處理，大大降低了識(shí)別復(fù)雜度。但是特征臉方法忽視了人臉的個(gè)性差異，存在著一定的理論缺陷。研究表明:特征臉方法隨光線角度及人臉尺寸的影響，識(shí)別率會(huì)有所下降。 二、仿真實(shí)驗(yàn)訓(xùn)練樣本測(cè)試模塊分類結(jié)果測(cè)試樣本PCA變換矩陣流程圖圖1 整體流程圖先確定訓(xùn)練樣本和測(cè)試樣本，之后經(jīng)過PCA變換矩陣達(dá)到降維的目的，投影到降維子空間中形成相應(yīng)的坐標(biāo)，最后用最鄰近距離分類法進(jìn)行識(shí)別。訓(xùn)練樣本總體散度矩陣去均值奇異值分解PCA變換矩陣圖2 訓(xùn)練部分流程圖確定訓(xùn)練樣本，之后去均值，計(jì)算總體散度矩陣，利用奇異值分解后經(jīng)過PCA變換矩陣達(dá)到降維的目的。仿真結(jié)果圖3人臉識(shí)別仿真結(jié)果提取面部特征，將

6、人臉圖像看成高維向量，將其組成一個(gè)向量矩陣，對(duì)每一幅圖像進(jìn)行變換（即在特征空間中進(jìn)行投影）計(jì)算其協(xié)方差矩陣，故經(jīng)過PCA 變換去除了數(shù)據(jù)間的相關(guān)性，減小了冗余。達(dá)到了降維的目的。選取大的特征值，即將特征值按從大到小排序，選取前k個(gè)特征值對(duì)應(yīng)的特征向量，主成分矩陣為樣本在該特征空間上的投影，從而計(jì)算出特征向量和特征值，對(duì)于要測(cè)試的人臉，將其在該子空間上投影，得到其坐標(biāo)，和樣本空間上各個(gè)人臉的坐標(biāo)相比較，距離最近的即為該人臉的識(shí)別結(jié)果。有圖可知:上面四幅圖為樣本在降維子空間上的投影，下面四幅圖為要檢測(cè)的人臉在降維子空間上的投影，用最鄰近距離分類法，陰影部分距離最近的即為識(shí)別結(jié)果。三、MATLAB人

7、臉識(shí)別系統(tǒng)人臉識(shí)別是圖像識(shí)別的一個(gè)重要分支，其基本結(jié)構(gòu)如圖所示。為了保證人臉的位置一致性，在一定程度上克服了背景、頭發(fā)等冗余信息的干擾，首先要對(duì)人臉庫中的圖像進(jìn)行一些預(yù)處理操作。緊接著，進(jìn)行特征抽取，將得到的人臉特征和訓(xùn)練樣本進(jìn)行對(duì)比，根據(jù)相似程序的高低決定最后的識(shí)別結(jié)果。（一）、人臉圖像的預(yù)處理常應(yīng)用于人臉圖像的預(yù)處理方法有圖像類型轉(zhuǎn)換、濾波去噪、灰度變換、邊緣檢測(cè)及二值化、尺寸歸一化、作為通用人臉圖像預(yù)處理模塊要能夠充分適應(yīng)不同人臉庫中圖像在人臉大小、光照強(qiáng)度、成像系統(tǒng)等方面的任意性和差異性不能單獨(dú)采用某種單一的濾波、灰度變換和邊緣檢測(cè)方法。1、濾波去噪 由于噪聲給圖像帶來的失真和降質(zhì)在特

8、征提取之前采用濾波的方式來去除噪聲是實(shí)際人臉識(shí)別系統(tǒng)中所必須的步驟。濾波的方法有很多如各種平滑濾波、各種銳化濾波等。在人臉圖像預(yù)處理中使用較多的濾波是平滑濾波方法可分為以下三類線性濾波、中值濾波、自適應(yīng)濾波。 （1）線性濾波最典型的線性濾波方法如采用鄰域平均法的均值濾波器、采用鄰域加權(quán)平均的高斯濾波和維納濾波。線性濾波可以去除圖像中某些特定類型的噪聲如圖像中的顆粒噪聲高斯噪聲、椒鹽噪聲等。 （2）中值濾波法中值濾波法是一種非線性濾波方法它把像素及其鄰域中的像素按灰度級(jí)進(jìn)行排序然后選擇該組的中間值作為輸出像素值。 （3）自適應(yīng)濾波能夠根據(jù)圖像的局部方差來調(diào)整濾波器的輸出其濾波效果要優(yōu)于線性濾波同

9、時(shí)可以更好地保存圖像的邊緣和高頻細(xì)節(jié)信息。2、灰度變換 灰度變換是圖像增強(qiáng)技術(shù)中的一種。通過灰度變換可對(duì)原始圖 像中的光照不均進(jìn)行補(bǔ)償使得待識(shí)別人臉圖像遵循同一或相似的灰度分布。只有這樣不同圖像在特征提取和識(shí)別時(shí)才具有可比性。這一過程也被稱作灰度歸一化。常用在人臉識(shí)別系統(tǒng)中的灰度變換方法主要有基于圖像統(tǒng)計(jì)特征的直方圖均衡化、直方圖規(guī)定化和灰度均值方差標(biāo)準(zhǔn)化三種方法。直方圖均衡化和直方圖規(guī)定化的灰度變換原理和實(shí)現(xiàn)方法可由MATLAB仿真來實(shí)現(xiàn)。3、邊緣檢測(cè) 對(duì)輸入人臉圖像進(jìn)行邊緣檢測(cè)是很多人臉識(shí)別系統(tǒng)在人臉粗定位及人臉主要器官眼睛、鼻子、嘴巴定位時(shí)采用的預(yù)處理方法。邊緣檢測(cè)的方法有很多主要有微分

10、算子法、SOBEL算子法、拉普拉斯算子法、canny算子法等。每種算子對(duì)不同方向邊緣的檢測(cè)能力和抑制噪聲的能力都不同。（二）、 特征提取 利用PCA進(jìn)行特征提取的經(jīng)典算法Eigenface算法在利用PCA進(jìn)行特征提取的算法中，特征臉方法(Eigenface)是其中的一個(gè)經(jīng)典算法。特征臉方法是從主成分分析導(dǎo)出的一種人臉識(shí)別和描述技術(shù)。特征臉方法就是將包含人臉的圖像區(qū)域看作是一種隨機(jī)向量，因此可以采用K一L變換獲得其正交K一L基底。對(duì)應(yīng)其中較大特征值的基底具有與人臉相似的形狀，因此又稱為特征臉。利用這些基底的線性組合可以描述、表達(dá)和逼近人臉圖像，因此可以進(jìn)行人臉識(shí)別與合成。識(shí)別過程就是將人臉圖像映

11、射到由特征臉張成的子空間上，比較其與己知人臉在特征空間中的位置，具體步驟如下: (1)初始化，獲得人臉圖像的訓(xùn)練集并計(jì)算特征臉，定義為人臉空間，存儲(chǔ)在模板庫中，以便系統(tǒng)進(jìn)行識(shí)別; (2)輸入新的人臉圖像，將其映射到特征臉空間，得到一組關(guān)于該人臉的特征數(shù)據(jù); (3)通過檢查圖像與人臉空間的距離判斷它是否是人臉;(4) 若為人臉，根據(jù)權(quán)值模式判斷它是否為數(shù)據(jù)庫中的某個(gè)人，并做出具體的操作。四、結(jié)語雖然我完成了該設(shè)計(jì)，但對(duì)于此課程設(shè)計(jì)并沒有學(xué)到多少，總結(jié)如下： 1、對(duì)人臉識(shí)別了解太少，想做，但感覺無從下手，不知道從哪開始，到哪結(jié)束，并且對(duì)于人臉識(shí)別的整個(gè)過程并不是很了解，且到底是怎樣一個(gè)識(shí)別過程，有種似懂非懂的感覺。 2、對(duì)于人臉識(shí)別過程中的細(xì)節(jié)，不知如何細(xì)化，比如其中的預(yù)處理部分，就算從網(wǎng)上了解到應(yīng)該有濾波去噪，灰度處理等，也不知道該用哪個(gè)函數(shù)，或是自己應(yīng)該寫一個(gè)怎樣的函數(shù)。 3、對(duì)于MATLAB這個(gè)工具，懂得少之又少。從