數(shù)字圖像處理--人臉識別

1、數(shù)字圖像處理信息科學(xué)與技術(shù)學(xué)院 劉世偉2022年6月6日人臉識別目錄1.0 關(guān)于人臉識別n人臉識別人臉識別是是人類視覺人類視覺最杰出的能力之一，是一個(gè)活最杰出的能力之一，是一個(gè)活躍的研究領(lǐng)域。躍的研究領(lǐng)域。n最容易被接受的最容易被接受的生物特征識別方式生物特征識別方式。n人臉識別用途細(xì)分為兩類：人臉識別用途細(xì)分為兩類：一 一類是回答“ 我是誰？”的問題，即身份識別。 另一類是回答“ 這個(gè)人是我嗎？”，即身份驗(yàn)證。目錄2.0 人臉識別過程一個(gè)完整的人臉識別系統(tǒng)包括一個(gè)完整的人臉識別系統(tǒng)包括人臉檢測與定位人臉檢測與定位、人臉圖像人臉圖像預(yù)處理預(yù)處理、人臉特征提取人臉特征提取、分類識別分類識別等等人

2、臉識別實(shí)現(xiàn)過程基本框圖人臉識別實(shí)現(xiàn)過程基本框圖2.0 人臉識別過程 人臉識別過程需要完成以下幾方面的工作：v人臉檢測：從各種場景中檢測出人臉的存在，并從場景中準(zhǔn)確分離出人臉區(qū)域；v預(yù)處理：校正人臉尺度、光照以及旋轉(zhuǎn)等方面的變化，得到規(guī)范化的人臉圖像；v特征提?。簭娜四槇D像中提取出人臉具有代表性的特征信息，并用一定的方式加以描述；v人臉識別：根據(jù)所提取的特征信息，將待識別的人臉與數(shù)據(jù)庫中的人臉進(jìn)行比較，找到數(shù)據(jù)庫中最相似的人臉 由于各方面對人臉識別系統(tǒng)的迫切需求，人臉特征提取與識別是人臉識別系統(tǒng)的重點(diǎn)。目錄3.0 人臉識別技術(shù)難點(diǎn) 當(dāng)前人們的研究主要集中在尋找識別率更高、穩(wěn)定性更好、計(jì)算代價(jià)更低

3、、實(shí)用性更強(qiáng)的人臉識別系統(tǒng)。但是由于各種客觀條件的限制，目前尚沒有一種方法可以兼有上述所有性能。 影響人臉識別系統(tǒng)性能的客觀因素有很多，也很復(fù)雜，主要是以下這些：光照條件：光照條件的影響主要體現(xiàn)在實(shí)際條件下光照強(qiáng)度的未知變化以及光照不均勻?qū)Τ上駧淼挠绊?，這可以直接體現(xiàn)在圖像的灰度值上。人們解決光照影響的方法主要有獲取實(shí)時(shí)光照參數(shù)、對圖像做光照補(bǔ)償和灰度預(yù)處理等。獲取實(shí)時(shí)光照參數(shù)以及進(jìn)行光照補(bǔ)償這兩種方法都比較復(fù)雜，因此大量應(yīng)用并不現(xiàn)實(shí)。3.0 人臉識別技術(shù)難點(diǎn)人臉姿態(tài)和表情：因?yàn)閷?shí)時(shí)人臉識別需要在非接觸非告知的條件下獲取被測人臉圖像，因此，被測人臉姿態(tài)和表情都是無法控制的因素，這給人臉識別帶

4、來了極大的挑戰(zhàn)。人臉姿態(tài)反映的是頭部姿勢，包括頭的俯仰、搖擺以及旋轉(zhuǎn)等動(dòng)作引起的變化，因此，頭部姿態(tài)勢必引起許多關(guān)鍵信息被遮擋。人臉表情則比姿態(tài)更難以控制，人的面部表情千變?nèi)f化，并且不同器官表情的變化相對獨(dú)立，很難用準(zhǔn)確的模型去描述其變化規(guī)律。通常解決這類問題的方法有姿態(tài)補(bǔ)償、姿態(tài)和表情估計(jì)等。數(shù)據(jù)庫人臉圖像的缺少：這是限制人臉識別技術(shù)的一個(gè)客觀因素，因?yàn)橐胱R別出實(shí)時(shí)人臉，則必須在數(shù)據(jù)庫中有此人的人臉信息，而現(xiàn)實(shí)中我們又不可能把每個(gè)人臉信息都存入數(shù)據(jù)庫，就算是目前科研界最通用的人臉庫如ORL、Yale等也只有數(shù)十到數(shù)百個(gè)人臉的信息，要想達(dá)到實(shí)用也是遠(yuǎn)遠(yuǎn)不夠的。目錄4.0 基于PCA算法的人臉

5、識別主成分分析簡介 Principal Component Analysis（PCA） 主成分分析(Principal Component Analysis, 簡稱PCA)是一種常用的基于變量協(xié)方差矩陣對信息進(jìn)行處理、壓縮和抽提的有效方法。 PCA方法由于其在降維和特征提取方面的有效性，在人臉識別領(lǐng)域得到了廣泛 的應(yīng)用。 PCA方法的基本原理是:利用K-L變換抽取人臉的主要成分，構(gòu)成特征臉空間，識別時(shí)將測試圖像投影到此空間，得到一組投影系數(shù)，通過與各個(gè)人臉圖像比較進(jìn)行識別。4.0 基于PCA算法的人臉識別計(jì)算特征臉：設(shè)人臉圖像I（x,y）為二維N*N灰度圖像，用N維向量R表示。人臉圖像訓(xùn)練集為

6、Ri|i=1,，M,其中M為訓(xùn)練集中圖像總數(shù)，這M幅圖像的平均人臉為： 每個(gè)人臉Ri與平均人臉的差值向量是： 4.0 基于PCA算法的人臉識別M1RM1iii利用特征臉進(jìn)行人臉識別的過程由訓(xùn)練階段和識別階段兩個(gè)階段組成 ： 4.0 基于PCA算法的人臉識別在訓(xùn)練階段，每個(gè)已知人臉映射到特征臉子空間，得到維向量：在識別階段，首先把待識別圖像映射到特征臉子空間，得到向量：4.0 基于PCA算法的人臉識別 采用最小距離法（歐式距離）對人臉進(jìn)行分類，分類規(guī)則如下： （1）若c, 則輸入圖像不是人臉圖像； （2）若 則輸入圖像包含未知人臉； （3）若 則輸入圖像為庫中第k個(gè)人的人臉。 c,4.0 基于PCA算法的人臉識別目錄5.0 總結(jié) 在Opencv中使用PCA算法非常簡單，只要幾條語句就可以了，這是我利用VS2010+Opencv做的人臉檢測程序。存在的問題：1.抗干擾能力較差。2.訓(xùn)練的時(shí)間較長，執(zhí)行效率不夠高。具有的優(yōu)點(diǎn)：1.不需要對圖像進(jìn)行過多的預(yù)處理，PCA本身就能實(shí)現(xiàn)降噪的功能；2. 能有效地識別人臉，且過程相對簡單，主要是圖像數(shù)據(jù)的處理和矩陣的運(yùn)算；3.由于是通過低維子空間表示的，可以對圖像的數(shù)據(jù)進(jìn)行一定地壓縮，從而減少了計(jì)算量，提高運(yùn)行速度。