人臉識(shí)別系統(tǒng)分析與實(shí)現(xiàn)

1、人臉識(shí)別系統(tǒng)分析與實(shí)現(xiàn)指導(dǎo)老師：*者：級(jí)：號(hào)：目錄TOC o 1-5 h z HYPERLINK l bookmark6 o Current Document 一、引言3 HYPERLINK l bookmark8 o Current Document 二、圖像處理階段4 HYPERLINK l bookmark10 o Current Document 圖像去噪4 HYPERLINK l bookmark14 o Current Document 圖像增強(qiáng)5三、檢測(cè)和定位階段7人臉檢測(cè)7 HYPERLINK l bookmark16 o Current Document 特征點(diǎn)定位8四、圖像

2、及信息存儲(chǔ)階段9圖像處理9信息處理9五、圖像比對(duì)階段10 HYPERLINK l bookmark32 o Current Document 六、程序?qū)崿F(xiàn)簡單人臉識(shí)別11 HYPERLINK l bookmark34 o Current Document 運(yùn)行環(huán)境11C代碼.11 HYPERLINK l bookmark38 o Current Document 程序運(yùn)行結(jié)果14摘要作為數(shù)字圖像處理技術(shù)的一個(gè)重要應(yīng)用，人臉識(shí)別已經(jīng)成為智能終端、個(gè)人電腦以及企業(yè)安全的重要保障和措施。每個(gè)人都有著不同的面孔，這使得通過面部特征來一一對(duì)應(yīng)每個(gè)人成為了可能。通常我們所說的人臉識(shí)別是基于光學(xué)人臉圖像的身

3、份識(shí)別與驗(yàn)證的簡稱。光學(xué)人臉圖像是外界光源(包括太陽、室內(nèi)人造光源和其他物體表面反射)的光線照射在人臉上，經(jīng)人臉表面反射后傳播到攝像機(jī)傳感器的光線強(qiáng)度的度量。下面將就人臉識(shí)別的原理以及人臉識(shí)別的應(yīng)用和發(fā)展前景提出一些個(gè)人的看法。識(shí)別之前首先要進(jìn)行圖像去噪，然后是灰度處理，增強(qiáng)其對(duì)比度，然后提取特征點(diǎn)，最后才能與預(yù)先的圖像文件進(jìn)行比對(duì)，實(shí)現(xiàn)識(shí)別功能。關(guān)鍵詞：數(shù)字圖像處理，人臉識(shí)別，光學(xué)人臉圖像，去噪AbstractAsanimportantapplicationofdigitalimageprocessingtechnology,facerecognitionhasbecomeintellige

4、ntterminals,personalcomputers,andenterprisesecurityimportantsafeguardsandmeasures.Everyonehasadifferentface,whichcorrespondstoonebyoneeachpersonthroughfacialfeatureswerepossible.Usuallywearetalkingaboutfacerecognitionbasedonopticalshorttitleoffacialimageidentificationandauthentication.Opticallightso

5、urcefacialimageistheoutsideworld(includingsurfacereflection,indoorartificiallightoftheSunandotherobjects)thelightontheface,transmittedthroughinfectedfacereflectedonthesurfaceofthecamerasensorlightintensitymeasurements.Howwillnowfacerecognitionandfacerecognitionapplicationanddevelopmentprospectofsome

6、personalviews.Identifiedpriortoimagedenoising,thengray,enhancedcontrast,andthenextractingfeaturepoints,finalimagefilethantoadvance,achievingrecognition.Keywords：Digitalimageprocessing,Facerecognition,Opticalfaceimage,Denoising一、引言隨著現(xiàn)代科技的發(fā)展，數(shù)字圖像技術(shù)顯現(xiàn)出了其優(yōu)越性。作為計(jì)算機(jī)一個(gè)分支，其作用不僅僅是在圖像簡單處理領(lǐng)域，他已經(jīng)突破瓶頸，朝著尖端科技發(fā)展。越

7、來越多的人和企業(yè)開始重視文件安全，而簡單的密碼輸入已經(jīng)不能滿足。這時(shí)就需要一種安全性高，用戶簡單易行的科學(xué)方法來解決問題。高爾頓(Galton)早在1888年和1910年就分別在Nature雜志發(fā)表了兩篇關(guān)于利用人臉進(jìn)行身份識(shí)別的文章，對(duì)人類自身的人臉識(shí)別能力進(jìn)行了分析，這是人臉識(shí)別的開始，從最早的簡單背景的人臉識(shí)別，到基于多姿態(tài)、表情的人臉識(shí)別，再到動(dòng)態(tài)跟蹤人臉識(shí)別和三維人臉識(shí)別，人臉識(shí)別系統(tǒng)經(jīng)歷了一次又一次的革命性發(fā)展。人臉識(shí)別技術(shù)的研究范圍主要包括以下幾個(gè)方面：1.圖像處理：將圖像灰度和對(duì)比度等進(jìn)行優(yōu)化，有利于提取特征點(diǎn)，包括去噪、提高等對(duì)比度等等；2.人臉檢測(cè)：識(shí)別出人臉?biāo)趨^(qū)域；圖像

8、分割：在特征空間中確定決策分界線，把空間劃分若干區(qū)域，每個(gè)區(qū)域代表一個(gè)類；人臉的規(guī)范化：校正人臉在尺度、光照和旋轉(zhuǎn)等方面的變化；特征提?。簭娜四槇D像中映射提取一組能反映人臉特征的數(shù)值表示樣本；特征匹配：將待識(shí)別人臉與數(shù)據(jù)庫中的已知人臉數(shù)據(jù)進(jìn)行比較，得出相關(guān)信息。二、圖像處理階段1，圖像去噪噪聲是最常見的圖像退化因素之一，也是圖像恢復(fù)中重點(diǎn)研究的內(nèi)容。噪聲的形成有以下原因:熱噪聲。熱噪聲與物體的絕地溫度有關(guān)。這種熱導(dǎo)致的噪聲在從零頻率直到很高的頻率范圍之間分布一致，一般認(rèn)為它可以產(chǎn)生對(duì)不同波長能量相同的頻譜(或者在任何地方，相同頻率間隔內(nèi)的能量相同)。這種噪聲也稱為高斯噪聲或者白噪聲。閃爍噪聲。

9、也是由電流運(yùn)動(dòng)產(chǎn)生的一種噪聲，事實(shí)上，電子或者電荷的流動(dòng)并不是一個(gè)連續(xù)的完美的過程，它們隨機(jī)性的會(huì)產(chǎn)生一個(gè)很難量化和測(cè)量的交流成分。在由炭組成的電阻中，這種隨機(jī)性會(huì)遠(yuǎn)大于一般的統(tǒng)計(jì)所能預(yù)料的數(shù)值。這種噪聲一般具有反比于頻率的頻譜，所以也稱1/f噪聲，一般在1000Hz一下的低頻時(shí)比較明顯。也有人稱其為粉色噪聲。粉色噪聲在對(duì)數(shù)頻率間隔給內(nèi)有相同的能量。發(fā)射噪聲。也是由電流非均勻流動(dòng)的，或者說是電子運(yùn)動(dòng)隨機(jī)性的結(jié)果。有色噪聲，是指具有非白色頻譜的寬帶噪聲。典型的例子如運(yùn)動(dòng)的汽車、計(jì)算機(jī)風(fēng)扇、電鉆等。那么該如何去除噪聲呢？有以下這些去噪方法：空域噪聲濾波器。主要有均值濾波器、排序統(tǒng)計(jì)濾波器和自適應(yīng)濾

10、波器。其中均值濾波是最為常見的一種濾波方法。其原理是：算術(shù)均值濾波器：設(shè)在一次測(cè)量過程中有n個(gè)采樣數(shù)據(jù)x,(l一1,2,?,n),根據(jù)最小二乘原則,若能找到這樣一個(gè)y,使與各采樣值間的偏差的平方和為最小值,則該y為最接近真值的可信數(shù)據(jù).根據(jù)函數(shù)極值原理,命汁丄士一得，上式說明，用n個(gè)采樣數(shù)據(jù)的算術(shù)平均值作為測(cè)量值是最佳的，它最接近測(cè)量真值。ii)幾何濾波器幾何均值濾波器所達(dá)到的平滑度可以與算術(shù)均值濾波器相比,但在濾波過程中會(huì)丟失更少的圖象細(xì)節(jié)。組合濾波器混合濾波器選擇性濾波器頻域周期噪聲濾波器帶阻濾波器帶通濾波器陷波濾波器iiii)交互式恢復(fù)在這些濾波方法中主要用到的是：線性濾波、中值濾波、維

11、納濾波以及小波去噪等。2，圖像增強(qiáng)增強(qiáng)圖像中的有用信息，它可以是一個(gè)失真的過程，其目的是要改善圖像的視覺效果，針對(duì)給定圖像的應(yīng)用場(chǎng)合，有目的地強(qiáng)調(diào)圖像的整體或局部特性，將原來不清晰的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征，擴(kuò)大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使之改善圖像質(zhì)量、豐富信息量，加強(qiáng)圖像判讀和識(shí)別效果，滿足某些特殊分析的需要。圖像增強(qiáng)可分成兩大類：頻率域法和空間域法。前者把圖像看成一種二維信號(hào)，對(duì)其進(jìn)行基于二維傅里葉變換的信號(hào)增強(qiáng)。采用低通濾波(即只讓低頻信號(hào)通過)法，可去掉圖中的噪聲；采用高通濾波法，則可增強(qiáng)邊緣等高頻信號(hào)，使模糊的圖片變得清晰。具有代表性的空間域算法有

12、局部求平均值法和中值濾波(取局部鄰域中的中間像素值)法等，它們可用于去除或減弱噪聲。在人臉識(shí)別系統(tǒng)中，圖像增強(qiáng)是最為關(guān)鍵的，也是最為重要的。以下簡單介紹圖像增強(qiáng)的方法:直接灰度變化增強(qiáng)圖像通過用對(duì)數(shù)形式的交換區(qū)先來增強(qiáng)，壓縮了動(dòng)態(tài)范圍，周圍的細(xì)節(jié)就可以顯現(xiàn)清楚了。直方圖均衡化直方圖均衡化(histogramequalization)是一種借助直方圖變化實(shí)現(xiàn)灰度映射從而達(dá)到圖像增強(qiáng)目的的方法。其基本思想是把原始圖的直方圖變換為均勻分布的形式，這樣就增加了象素灰度值的動(dòng)態(tài)范圍從而可達(dá)到增強(qiáng)圖像整體對(duì)比度的效果。設(shè)原始圖像在(x,y)處的灰度為f，而改變后的圖像為g，則對(duì)圖像增強(qiáng)的方法可表述為將在(

13、x,y)處的灰度f映射為g。在灰度直方圖均衡化處理中對(duì)圖像的映射函數(shù)可定義為:g=EQ(f)，這個(gè)映射函數(shù)EQ(f)必須滿足兩個(gè)條件(其中L為圖像的灰度級(jí)數(shù)):(6)(1)EQ(f)在OWfWL-1范圍內(nèi)是一個(gè)單值單增函數(shù)。這是為了保證增強(qiáng)處理沒有打亂原始圖像的灰度排列次序，原圖各灰度級(jí)在變換后仍保持從黑到白(或從白到黑)的排列。對(duì)于OWfWL-1有OWgWL-1,這個(gè)條件保證了變換前后灰度值動(dòng)態(tài)范圍的一致性。累積分布函數(shù)(cumulativedistributionfunction,CDF)即可以滿足上述兩個(gè)條件，并且通過該函數(shù)可以完成將原圖像f的分布轉(zhuǎn)換成g的均勻分布。此時(shí)的直方圖均衡化映

14、射函數(shù)為:gk=EQ(fk)=(ni/n)=pf(fi),(k=0,1，2，L-1)上述求和區(qū)間為0到k,根據(jù)該方程可以由源圖像的各像素灰度值直接得到直方圖均衡化后各像素的灰度值。在實(shí)際處理變換時(shí)，一般先對(duì)原始圖像的灰度情況進(jìn)行統(tǒng)計(jì)分析，并計(jì)算出原始直方圖分布，然后根據(jù)計(jì)算出的累計(jì)直方圖分布求出fk到gk的灰度映射關(guān)系。在重復(fù)上述步驟得到源圖像所有灰度級(jí)到目標(biāo)圖像灰度級(jí)的映射關(guān)系后，按照這個(gè)映射關(guān)系對(duì)源圖像各點(diǎn)像素進(jìn)行灰度轉(zhuǎn)換，即可完成對(duì)源圖的直方圖均衡化。直方圖規(guī)定化直方圖規(guī)定化(histogramspecification)也是借助直方圖變換來增強(qiáng)圖像的方法，它通過原始圖的直方圖轉(zhuǎn)換為期望

15、的直方圖，從而達(dá)到預(yù)先確定的增強(qiáng)效果。直方圖均衡化的優(yōu)點(diǎn)是能自動(dòng)增強(qiáng)整個(gè)圖像的對(duì)比度,但它的具體增強(qiáng)效果不易控制,處理的結(jié)果總是得到全局的均衡化的直方圖.實(shí)際工作中,有時(shí)需要變換直方圖使之成為某個(gè)特定的形狀,從而有選擇地增強(qiáng)某個(gè)灰度值范圍內(nèi)的對(duì)比度,這時(shí)可采用比較靈活的直方圖規(guī)定化方法.直方圖規(guī)定化增強(qiáng)處理的步驟如下:S二T(r)二JxP(r)dr(1)(2)令Pr(r)和Pz(z)分別為原始圖像和期望圖像的灰度概率密度函數(shù)。如果對(duì)原始圖像和期望圖像均作直方圖均衡化處理，應(yīng)有V=G(Z)Jp(z)dz0zTOC o 1-5 h zZ=G-i(V)(3)由于都是進(jìn)行均衡化處理，處理后的原圖像概率

16、密度函數(shù)Ps(S)及理想圖像概率密度函數(shù)PV(V)是相等的。于是，我們可以用變換后的原始圖像灰度級(jí)S代替(2)式中的V。即Z=G-1(S)(4)這時(shí)的灰度級(jí)Z便是所希望的圖像的灰度級(jí)。此外，利用(1)與(3)式還可得到組合變換函數(shù)Z=G-1T(r)(5)對(duì)連續(xù)圖像，重要的是給出逆變換解析式。對(duì)離散圖像而言，有inV二G(Z)=i1P(Z)iizii=0Z=G-1(S)=G-1T(r)iii三、檢測(cè)和定位階段1，人臉檢測(cè)人臉檢測(cè)是一個(gè)比較浮躁的過程，每個(gè)人的臉型、角度以及光纖等等都會(huì)給檢測(cè)帶來不和困難，尤其是在一些噪聲的影響，比如運(yùn)動(dòng)產(chǎn)生的噪聲，已經(jīng)熱產(chǎn)生的噪聲，并且表情、發(fā)型、眼鏡等都使人臉檢

17、測(cè)問題變得復(fù)雜。所以人臉檢測(cè)需要分步驟進(jìn)行，降低其難度。人臉檢測(cè)有以下幾個(gè)步驟：1)顏色分割彩色圖像中皮膚顏色的檢測(cè)是一個(gè)非常流行和實(shí)用的人臉檢測(cè)技術(shù)。許多技術(shù)為輸入圖像中的膚色區(qū)域提出了定位報(bào)告。雖然輸入的彩色圖像通常是RGB格式，這些技術(shù)通常在色彩空間中使用這些顏色分量，比如HSV或者YIQ格式。由于RGB分量會(huì)受到了照明條件的干擾，因此，如果照明條件的變化，人臉檢測(cè)可能會(huì)失敗。雖然存在許多色彩空間方案，最常見的是YCbCr的組件，因?yàn)樗乾F(xiàn)有的Matlab函數(shù)之一，可以有效的節(jié)省計(jì)算時(shí)間。在YCbCr色彩空間中，Y分量表示亮度信息；Cb和Cr表示色度信息。而且，亮度信息可以很容易地被嵌入

18、。RGB分量轉(zhuǎn)換到Y(jié)CbCr的計(jì)算公式如下：Y=+Cb=Cr=-2)圖像分割檢測(cè)出各種物眛.并把他們的圖像和其余景物分離對(duì)物休進(jìn)行圖像分割物休進(jìn)行定量分析估計(jì)榆岀僅僅是種決策.確定每個(gè)物體應(yīng)該歸屬的類別圖像分割在圖像識(shí)別中的作用如上圖所示。這一步是把人臉圖像分割成獨(dú)立的區(qū)域。這個(gè)過程包括三個(gè)步驟：第一步是邊緣檢測(cè)，邊緣一般存在于連個(gè)具有不同灰度值的相鄰區(qū)域之間。第二步就是輪廓跟蹤和圖搜索。實(shí)際圖像分割中，由于差分算子并行的檢測(cè)邊緣對(duì)噪聲比較敏感，所以實(shí)際中常采用先檢測(cè)可能的邊緣點(diǎn)再串行跟蹤并連接邊緣點(diǎn)成閉合輪廓的方法。第三步就是主體部分，閾值分割，去閾值是最常見的、并行的直接檢測(cè)區(qū)域的分割方法

19、，其他同類方法如像素特征空間分類可看做是取閾值技術(shù)的推廣。當(dāng)然這一步還包括兩種方法，即基于變換直方圖的閾值和給予過渡區(qū)的閾值。圖像分割的最常見算法有：1）基于閾值的分割通過閾值對(duì)不同物體進(jìn)行分割2）基于區(qū)域的分割把各象素劃歸到各個(gè)物體或區(qū)域中3）基于邊緣的分割先確定邊緣象素，并把它們連接在一起，以構(gòu)成所需的邊界2，特征點(diǎn)定位自動(dòng)并且準(zhǔn)確的人臉特征點(diǎn)定位是很困難的，如果定位的偏差相對(duì)較大時(shí)就會(huì)引起圖像的錯(cuò)誤定位。經(jīng)典ASM被描述為一維剖面圖上在每個(gè)標(biāo)記點(diǎn)和一個(gè)線性點(diǎn)分布模型上計(jì)算一般距離。ASM是一種屬于基于特征匹配方法的模型，在形狀近似復(fù)合圖像特征時(shí)，它和圖像交互，把形狀彎曲到特征。ASM首先

20、在手動(dòng)標(biāo)記圖像集上訓(xùn)練，訓(xùn)練后就能用ASM來搜尋人臉上的特征。ASM首先需要在手工標(biāo)記好的圖像集中訓(xùn)練，完成訓(xùn)練后就可以用它對(duì)人臉進(jìn)行特征點(diǎn)定位。ASM方法主要有以下3個(gè)步驟：1）圖像訓(xùn)練集標(biāo)定9。隨機(jī)選擇N幅人臉圖像，在邊緣手動(dòng)標(biāo)記n個(gè)點(diǎn)作為訓(xùn)練數(shù)據(jù)。這些n個(gè)邊緣點(diǎn)一般標(biāo)記在那些可以代表目標(biāo)區(qū)域的地方,像眼睛和嘴巴的最高點(diǎn)和最低點(diǎn)。標(biāo)定的點(diǎn)為:i=12川其中（刈，yij）代表了第i幅圖像的第j個(gè)輪廓點(diǎn)的坐標(biāo);n代表了每幅圖像標(biāo)記的點(diǎn)數(shù);N代表訓(xùn)練圖像數(shù)目;每一幅圖像的Si代表一個(gè)形狀向量。2）建立模型。邊緣標(biāo)定是在各自不同的樣本圖像上進(jìn)行操作的，在得到圖像的形狀向量后要對(duì)其進(jìn)行歸一化。采用主

21、成份分析（PCA）的思想對(duì)標(biāo)定點(diǎn)的坐標(biāo)值進(jìn)行正交變換，得到主要變化參數(shù)。為了從訓(xùn)練樣本中獲得平均輪廓向量:N個(gè)形狀向量的協(xié)方差陣:計(jì)算協(xié)方差C的特征值以及特征值對(duì)應(yīng)的特征向量，并且把特征值按照降序排列，選取k個(gè)最大特征值入=入，入2，入k，得到對(duì)應(yīng)的特征向量P=P,P2,，Pk，P代表主成份。主成分分析后，任意的人臉形狀向量S可以被表示成一個(gè)平均形狀向量和k個(gè)形狀向量的一個(gè)線性組合s=一+pb，因?yàn)镻是正交的，所以b可以被表示成b=pT（s一），其中向量b是形狀模型的參數(shù)，p是特征子空間基，s是目標(biāo)形狀。不同的b對(duì)應(yīng)不同的形狀，并且它們的變換是在一定的范圍內(nèi)。3）定位模型。ASM使用了基于輪廓

22、的灰度匹配10方法，沿著每個(gè)輪廓點(diǎn)的輪廓法線方向進(jìn)行采樣作為一個(gè)灰度特征，gj代表了第i幅圖像的第j個(gè)樣本點(diǎn)的灰度特征。所有圖像的第j點(diǎn)的灰度特征平均值為：備=E氐k=1而協(xié)方差矩陣為：q=尋（夠-摘）也-“灰度平均和協(xié)方差作為該點(diǎn)的匹配特征。對(duì)每個(gè)特征點(diǎn)作相同的采樣分析,整個(gè)輪廓的統(tǒng)計(jì)特征就可以獲得。ASM使用輪廓的灰度特征執(zhí)行一個(gè)迭代過程，在每步的迭代搜索中，調(diào)整參數(shù)b來改變當(dāng)前模型的位置，使得模型和物體的實(shí)際輪廓逐漸匹配，并且最終獲得特征點(diǎn)的位置信息。四、圖像及信息存儲(chǔ)階段這個(gè)階段主要是為了將已經(jīng)識(shí)別和準(zhǔn)確定位的圖像信息存儲(chǔ)到數(shù)據(jù)庫。這一步也分兩個(gè)部分。1，圖像存儲(chǔ)幅圖像需要大量的數(shù)據(jù)來

23、表達(dá)，因而存儲(chǔ)圖像也需要大量的空間。數(shù)據(jù)庫存儲(chǔ)器的特點(diǎn)是要求非常大的容量，但對(duì)其上數(shù)據(jù)的讀取不太頻繁。一般常用磁帶和光盤作為數(shù)據(jù)庫存儲(chǔ)器。圖像數(shù)據(jù)的存儲(chǔ)格式在圖像存儲(chǔ)中也是非常重要的?；旧嫌袃煞N形式，一種是矢量形式另一種是光柵形式。2，信息存儲(chǔ)信息存儲(chǔ)主要是為了將已經(jīng)提取的特征信息存儲(chǔ)在數(shù)據(jù)庫中，以便在需要調(diào)用對(duì)比的時(shí)候使用。那么這些數(shù)據(jù)是怎樣存儲(chǔ)的呢？一般是以表的形式存儲(chǔ)在SQLsever或者oracle等數(shù)據(jù)庫中，因?yàn)樵谄毡榍闆r下，人來能識(shí)別信息是非常龐大的，而且被識(shí)別的人群數(shù)量也同樣是巨大的，所以我們需要較為企業(yè)化的數(shù)據(jù)庫技術(shù)來支持信息的存儲(chǔ)。在我看來，一般可以以這樣的形式來存儲(chǔ)特征信

24、息：面部特征量化人臉識(shí)別信息存儲(chǔ)邊緣特征消除表情權(quán)重其中，顏色特征主要是將每個(gè)面部區(qū)域的每個(gè)像素點(diǎn)的顏色RGB模型的值存儲(chǔ)，再次比對(duì)時(shí)，主要是比對(duì)是否相似度在一定范圍內(nèi)；面部特征量化，是指將人的面部特征部位，例如眼睛間距以及嘴巴的寬度進(jìn)行量化，使之能夠存儲(chǔ)為數(shù)據(jù)；邊緣特征，主要是指人的面部輪廓，當(dāng)然這里用到了邊緣檢測(cè)算法；消除表情權(quán)重，在進(jìn)行面部數(shù)據(jù)提取時(shí)，我們要消除表情所帶來的差異，不能因?yàn)槭鼙O(jiān)測(cè)者的表情變化而引起識(shí)別錯(cuò)誤。五、圖像比對(duì)階段這個(gè)階段主要是為了將已經(jīng)存儲(chǔ)的數(shù)據(jù)與再次輸入的數(shù)據(jù)進(jìn)行比對(duì)，目的是實(shí)現(xiàn)人臉檢測(cè)，提高使用單位的安全性，例如在進(jìn)出重要場(chǎng)所是需要進(jìn)出者提供自己的面部信息，主

25、要是拍照和檢測(cè)比對(duì)。當(dāng)然前提是你已經(jīng)將進(jìn)者的面部數(shù)據(jù)存入數(shù)據(jù)庫。臉部數(shù)據(jù)比對(duì)檢測(cè)分為兩階段：階段一，實(shí)現(xiàn)即時(shí)的數(shù)據(jù)輸入。這一階段主要是為了迅速的將受檢測(cè)者的面部數(shù)據(jù)收入和提取，這和之前的人臉檢測(cè)階段是相似的，只不過這一階段不需要輸數(shù)據(jù)存儲(chǔ)。用類似的方法提取特征數(shù)據(jù)后，就可以和數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行比對(duì)了。階段二，這一階段是識(shí)別的重要階段，如何選擇將為良好的算法，以及對(duì)檢測(cè)精度的要求都直接影響著識(shí)別的結(jié)果準(zhǔn)確性。在這里我們可以選擇一種叫做KAPPA一致性指數(shù)的概念。KAPPA一致性指數(shù)(KAPPAindexofagreement,KIA),是心理學(xué)家Cohen于20世紀(jì)60年代為了測(cè)度教育學(xué)和心理學(xué)

26、測(cè)量與評(píng)價(jià)中名義變量的一致性而提出的。后來被Congalton和Mead于1983年應(yīng)用到遙感影像解釋的正確性和一致性的評(píng)價(jià)分析中。KIA主要是應(yīng)用于分析兩幅地圖或者圖像差異性是“偶然”因素還是“必然”因素所引起的。KIA=(p0-pc)/(1-pc)其中p0=Ex./N,pc=E(x*x)/N2。X是第i行總數(shù)，x是第i列總數(shù)。0iii+ii+i行和列是指在交叉表中而言的。將兩種數(shù)據(jù)進(jìn)行比對(duì)，調(diào)整比對(duì)精度，再將特征數(shù)據(jù)與重新提取的數(shù)據(jù)進(jìn)行比對(duì)，如果二者的差異性在一定范圍內(nèi)，意即KAPPA指數(shù)以及其他相似性指數(shù)在一定范圍內(nèi)，即可判斷為檢測(cè)成功。六、程序?qū)崿F(xiàn)簡單人臉識(shí)別由于人臉識(shí)別系統(tǒng)是個(gè)龐大而

27、復(fù)雜的系統(tǒng)，所涉及的學(xué)科范圍包括計(jì)算機(jī)圖形學(xué)、數(shù)字圖像處理、計(jì)算機(jī)科學(xué)以及地圖學(xué)(KAPPA指數(shù))等等，使得人臉識(shí)別系統(tǒng)利用簡單的程序來實(shí)現(xiàn)是非常困難的，這里，我將運(yùn)用簡單的代碼，利用openCV的知識(shí)來實(shí)現(xiàn)人臉識(shí)別的初步構(gòu)想，以便讀者理解。1，運(yùn)行環(huán)境集成環(huán)境：，操作系統(tǒng)：windows7旗艦版，運(yùn)行環(huán)境：openCV2，C代碼/*文件完整代碼*/#include#include#include#includestaticCvHaarClassifierCascade*cascade=0;staticCvMemStorage*storage=0;voiddetect_and_draw(Ipl

28、Image*image);constchar*cascade_name=;pg;IplImage*image=cvLoadImage(filename,1);/加載圖像detect_and_draw(image);/對(duì)加載的圖像進(jìn)行檢測(cè)cvWaitKey(0);cvReleaseImage(&image);cvDestroyWindow(result);return0;voiddetect_and_draw(IplImage*img)staticCvScalarcolors=0,0,255,0,128,255,0,255,255,0,255,0,255,128,0,255,255,0,255,0,0,255,0,255;doublescale=;IplImage*gray=cvCreateImage(cvSize